Desarrollo de una App de Realidad Virtual para Auscultación Cardíaca
Notice bibliographique
Résumé
La auscultación cardiaca es un procedimiento que permite diagnosticar la condición del corazón de un paciente haciendo uso de un estetoscopio. Una examinaciOn apropiada con el estetoscopio puede resultar en un adecuado diagnóstico y tratamiento. Habilidades en auscultación cardiaca están en decaimiento entre practicantes y profesionales de áreas relacionadas al cuidado de la salud debido al extenso tiempo requerido de entrenamiento. Herramientas actuales de entrenamiento incluyen maniquíes de simulación y equipamiento de diagnóstico que está tomando un papel con mayor prominencia en la práctica de auscultación cardiaca que el entrenamiento con el estetoscopio. De acuerdo con la Organización Mundial de la Salud, en 2015 los dos causantes más grandes de muerte fueron ataques al corazón y enfermedades cerebrovasculares. La disponibilidad y bajo costos del estetoscopio lo hace una herramienta rentable en el entrenamiento en auscultación cardiaca. Actualmente, dispositivos de realidad virtual disponibles para el consumidor común están permitiendo el desarrollo de experiencias virtuales asequibles que tienen el potencial para complementar otras formas de entrenamiento. En este trabajo se presenta una aplicación móvil que combina elementos multimedia tales como sonidos de ritmos cardiacos e imágenes indicando áreas donde la exploración cardiaca debería ser llevada a cabo. Modelados 3D con animaciones realistas de pacientes con diferentes características físicas para simulación y texto explicativo para el diagnóstico fueron usados para proveer inmersión y realismo. El sistema está basado en el procedimiento de entrenamiento en auscultación cardiaca, haciendo uso de elementos de juego para enganchar y motivar los usuarios en el proceso de aprendizaje.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».