Desarrollo de una App de Realidad Virtual para Auscultación Cardíaca
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".