Desarrollo de un prototipo de oftalmoscopio con realidad virtual como herramienta práctica de examinación ocular
Bibliographic record
Abstract
El examen visual es un procedimiento importante que proporciona información \nacerca de la condición del fondo de ojo, permitiendo la observación e identificación \nde anomalías, como ceguera, diabetes, hipertensión, sangrados resultado \nde traumas, entre otros. Un apropiado examen permite identificar condiciones \nque pueden comprometer la visión, sin embargo, éste es desafiante porque requiere \nde una práctica extensiva para desarrollar las habilidades para una adecuada \ninterpretación que permiten la identificación exitosa de anomalías en el \nfondo de ojo con un oftalmoscopio. Para ayudar a los practicantes a desarrollar \nsus habilidades para la examinación ocular, los dispositivos de simulación médica \nestán ofreciendo oportunidades de entrenamiento para explorar numerosos casos \ndel ojo en escenarios simulados, controlados y monitoreados. Sin embargo, \nlos avances en la simulación del ojo han llevado a costosos simuladores con acceso \nlimitado ya que la práctica se mantiene con interacciones para un aprendiz \ny en algunos casos, ofreciendo al entrenador la visión para la interacción del \npracticante. Gracias a los costos asociados a la simulación médica, hay varias \nalternativas reportadas en la revisión de la literatura, presentando aproximaciones \nefectividad-costo y nivel de consumo para maximizar la efectividad del \nentrenamiento para el examen de ojo. En este trabajo se presenta el desarrollo \nde una aplicación con realidad aumentada inmersiva y no-inmersiva, para dispositivos \nmóviles Android con interacciones a través de un controlador impreso \nen 3D con componentes electrónicos embebidos que imitan a un oftalmoscopio \nreal. La aplicación presenta a los usuarios un paciente virtual visitando al doctor \npara un examen ocular, y requiere que el aprendiz ejecute el examen de fondo de \nojo haciendo diagnosticando sus hallazgos. La versión inmersiva de la aplicación \nrequiere del uso de un casco de realidad virtual, además del prototipo 3D de \noftalmoscopio, mientras que la no inmersiva, requiere únicamente del marcador \ndentro del campo de visión del dispositivo móvil.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".