Diseño e Implementación de una Aplicación Móvil para la Geolocalización de los Pacientes con Alzheimer en la Clínica San Isidro Labrador
Bibliographic record
Abstract
En el presente trabajo de investigación titulado “Diseño e implementación de una \naplicación móvil para geolocalizar a pacientes con Alzheimer en la clínica San Isidro \nLabrador”, cuyo objetivo principal es poder geolocalizar a los pacientes dándoles \nun seguimiento en tiempo real y facilitar los procesos mediante una asistente digital \nayudando tanto los pacientes como a los profesionales de la salud, manejando \ninformación correcta y precisa reduciendo tiempos de espera. Es por ello que se \ndiseña e implementa una aplicación móvil que sea posible facilitar el proceso de \nesta enfermedad llamada Alzheimer que permita a los actores tener una \nsatisfacción en cuanto a la información de la aplicación, siendo de fácil uso y \namigable. \nActualmente en nuestra sociedad se presenta el problema de desaparición de \nadultos mayores que padecen de la enfermedad Alzheimer. Los familiares se han \nvisto afectados por ser una situación constante es por ello deciden internarlos en \ndistintos centros geriátricos. Es por ello se ofrece dar una solución tecnológica e \ninformática a la Clínica San Isidro Labrador ya que dentro de la clínica existen \ndistintos imprevistos con los pacientes de Alzheimer. Para confirmar la hipótesis se \npropuso el diseño e implementación de la aplicación móvil, satisfaciendo a los \nactores y sus requerimientos. \nEn los diferentes capítulos del desarrollo del proyecto se irán especificando cada \nuno de los requerimientos y funciones del aplicativo con el objetivo de que se vaya \nconociendo los beneficios que se obtendrá para la localización de los pacientes.
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 | 0.019 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".