RESUMENLos sistemas de clasificación de la severidad de la enfermedad han sido utilizados por décadas por médicos en todo el mundo dentro de la Unidad de Cuidado Intensivo, como un indicativo del estado de salud del paciente y la probabilidad del riesgo de muerte del mismo. A pesar de la aceptación de dichos sistemas de clasificación, se ha demostrado que no tienen los resultados más precisos, es por esta razón que los científicos e ingenieros han probado diversas técnicas para buscar mejorar dichos sistemas. En este artículo se presentan los resultados del desarrollo de un algoritmo para la determinación del riesgo de muerte utilizando regresión múltiple no lineal y su comparación con los resultados obtenidos con el sistema de clasificación tradicional SAPS I. Partiendo de una base de datos de mediciones de parámetros fisiológicos para 4000 pacientes, se realiza un procesamiento extendido de la misma, aplicándosele análisis de datos y probándose las técnicas de regresión múltiple no lineal: Árbol de regresión, Regresión logística, Máquina de Vector de Soporte y Redes Neuronales Artificiales. Los mejores resultados se obtuvieron con la técnica Máquina de Vector de Soporte, logrando superar el desempeño del sistema SAPS I.Palabras clave: Parámetros fisiológicos, Regresión Múltiple no Lineal, Riesgo de muerte, Sistemas de clasificación de la severidad de la enfermedad, Unidad de Cuidado Intensivo. ABSTRACTSystems for scoring the severity of illness had been used for decades on the Intensive Care Unit (ICU) of Health Care Institutions as indicators of the patient's health and risk of death. Even after being accepted worldwide, it has been proved that these systems have limitations and do not provide the most accurate results, it is because of this that scientists and engineers have tried different techniques in order to improve these systems. This article presents the results of the development of an algorithm that uses non-linear multiple regression to establish the death risk for patients in the ICU, and the comparison of those results with the ones given by the SAPS I traditional scoring system. Parting from a database of physiological variables measurements for 4000 patients, an extended processing of this database is made together with data analysis, to finally apply the nonlinear multiple regression techniques: Regression trees, Logistic Regression, Support Vector Machine and Artificial Neural Networks. The best results were obtained with the Support Vector Machine technique, having a better performance in comparison with the SAPS I score.

RESUMENLos Joysticks y las interfaces hápticas han sido por excelencia los mecanismos más utilizados para controlar un brazo robótico manipulador. Sin embargo, en campos específicos como los de la cirugía robótica, es deseable que la interfaz sea de fácil uso, e intuitiva para el cirujano, tal que mejore sustancialmente las capacidades del mismo. En este artículo se presentan una estrategia para el control de los movimientos de un brazo robótico con dos grados de libertad utilizando como referencia dos movimientos de una mano. Para la utilizó la construcción del brazo robótico se utiliza la plataforma de Lego MindStorm NXT. Para la detección de las articulaciones se utilizó la la librería de detección de articulaciones del SDK de Microsoft Kinect®. La implementación de un controlador para el robot, garantizó que la posición capturada de la mano sea la posición que presenta el brazo robótico. Por último, se validó el comportamiento del sistema mostrando el seguimiento del brazo robótico a la posición deseada obteniendo un bajo error cuadrático para el seguimiento de los dos ángulos requeridos.Palabras clave: Detección de movimiento, Control de Posición, Lego Mindstorm®, Cirugía Robótica, Detección de Articulaciones. ABSTRACTThe Joysticks and the haptic interfaces has been the most used mechanisms to control a robotic arm., However, at research fields such as the robotic surgery, the interface must be easy to use an intuitive for the surgeon. This article presents, a control strategy of a two degree of freedom robotic arm, using as reference the movements of a human hand detected by the Kinect® sensor, using the SDK libraries. The controller implementation guaranteed that the captured hand position would be the robotic arm position. The strategy was validated using a graph showing the actual and the proposed trajectory, and also the squared error of the system. Keywords: Motion detection, Position Control, Lego Mindstorm®, Robotic Surgery, Joint Detection. INTRODUCCIÓNDesde sus inicios, la robótica ha contribuido significativamente en distintos campos, en el ámbito clínico, industrial e investigativo. En el contexto clínico, la robótica médica ha permitido realizar intervenciones quirúrgicas con un alto nivel de precisión y corte. Estos tipos de sistemas permiten reducir la probabilidad de muerte o error en una cirugía y al mismo disminuir el tiempo de intervención y los costos asistenciales.Los principales exponentes de estos sistemas robóticos son el robot Da Vinci y el robot Zeus [1]. El primer sistema está compuesto por una consola de mando, en la cual el cirujano visualiza el procedimiento a través de una cámara 3D y controla los brazos robóticos. El robot cuenta con tres brazos fijos y uno opcional para algunos procedimientos especializados. Estas partes se encuentran físicamente separadas, y conectadas por medio de cables los cuales transportan audio y video para facilitar el trabajo entre el médico y el personal asistencial. Las intervenciones más comunes realizadas por este sistema son: cirugías cardíacas...

No abstract