Universidad de Ámsterdam
Erito Marques de Souza Filho Fernando de Amorim Fernandes Celine Lacerda de Abreu Soares Flavio Luiz Seixas Alair Augusto Sarmet M.D. dos Santos Ronaldo Altenburg Gismondi Evandro Tinoco Mesquita Claudio Tinoco Mesquita Sobre los autores
Los recientes avances a nivel de hardware y la creciente exigencia de personalización de la atención asociada a las urgentes necesidades de creación de valor para los pacientes han contribuido a que la Inteligencia Artificial (IA) promueva un importante cambio de paradigma en las más diversas áreas del conocimiento médico, en particular en la Cardiología, por su capacidad para apoyar la toma de decisiones y mejorar el rendimiento diagnóstico y pronóstico. En este contexto, el presente trabajo realiza una revisión no sistemática de los principales trabajos publicados sobre IA en Cardiología, centrándose en sus principales aplicaciones, impactos potenciales y retos.
Este escenario hace que la IA, dada su importancia, sea considerada por muchos como la nueva electricidad. Las principales revistas de cardiología han publicado revisiones en esta área y el número de artículos sobre el tema sigue una tendencia creciente, como se muestra en la Figura 1 – este comportamiento también se observa en otras especialidades médicas, como la Neurología. Por ello, el presente trabajo realiza una revisión no sistemática de los principales trabajos publicados sobre IA en Cardiología, centrándose en sus principales aplicaciones, impactos potenciales y retos. La siguiente sección presenta los fundamentos conceptuales sobre el tema, seguido de una discusión sobre por qué la cardiología necesita la IA y sus principales herramientas. Por último, se presentan los principales retos, perspectivas y conclusiones.
Universidad de groningen robótica
Se admiten trabajos tanto de investigación básica como aplicada, pertenecientes a cualquier ámbito de la Psicología, que previamente a su publicación son evaluados anónimamente por revisores externos.
Para el estudio de los procesos psicológicos en la modelización de la ciencia cognitiva dos enfoques generales rigen la investigación actual: Los modelos simbólicos funcionales de la Inteligencia Artificial (top-down) y los modelos de redes neuronales conexionistas (bottom-up). Nuestro objetivo en este trabajo es mostrar que analizando el nivel teórico de descripción y explicación de estos modelos se encuentra una importante brecha teórica entre ambos. La modelización conexionista a través de redes neuronales se enfrenta en la actualidad a varios problemas teóricos que deben ser tenidos en cuenta para construir modelos realistas y viables del cerebro. La falta de restricciones biológicas, la estabilidad de la red o el comportamiento serial, por ejemplo, son cuestiones relevantes a tener en cuenta. El modelo que proponemos, las redes conceptuales, puede situarse a medio camino entre las redes semánticas tradicionales y la modelización de las redes neuronales artificiales, y se presenta como un intento de construir un puente necesario entre estos niveles de descripción, centrándose en la correspondencia entre el nivel funcional y el nivel que pueden modelizar las redes neuronales artificiales. Los elementos y el funcionamiento de las redes conceptuales se basan en las limitaciones biológicas y psicológicas necesarias para construir modelos realistas de los procesos cognitivos reales en el funcionamiento del cerebro.
Licenciado en Inteligencia Artificial
Erito Marques de Souza Filho Fernando de Amorim Fernandes Celine Lacerda de Abreu Soares Flavio Luiz Seixas Alair Augusto Sarmet M.D. dos Santos Ronaldo Altenburg Gismondi Evandro Tinoco Mesquita Claudio Tinoco Mesquita Sobre los autores
Los recientes avances a nivel de hardware y la creciente exigencia de personalización de la atención asociada a las urgentes necesidades de creación de valor para los pacientes han contribuido a que la Inteligencia Artificial (IA) promueva un importante cambio de paradigma en las más diversas áreas del conocimiento médico, particularmente en la Cardiología, por su capacidad de apoyar la toma de decisiones y mejorar el rendimiento diagnóstico y pronóstico. En este contexto, el presente trabajo realiza una revisión no sistemática de los principales trabajos publicados sobre IA en Cardiología, centrándose en sus principales aplicaciones, impactos potenciales y retos.
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution Non-Commercial License, que permite su uso, distribución y reproducción sin restricciones y sin fines comerciales en cualquier medio, siempre que se cite adecuadamente la obra original.
Máster en inteligencia artificial
Bunnik, A., 2016, “Countering and Understanding Terrorism, Extremism, and Radicalisation in a Big Data Age”, en A. Bunnik, A. Cawley, M. Mulqueen & A. Zwitter (eds), Big Data Challenges: Society, Security, Innovation and Ethics, Palgrave Macmillan, Londres, pp. 85-96.
Bunnik, A. y otros, 2016, “Introduction to Big Data Challenges”, en A. Bunnik, A. Cawley, M. Mulqueen & A. Zwitter (eds), Big Data Challenges: Society, Security, Innovation and Ethics, Palgrave Macmillan, Londres, pp. 1-7.
Cannataci, J., 2017a, “Games people play – unvarnished insights about privacy at the global level”, en G. Vermeulen, E. Lievens (eds), Data Protection and Privacy under Pressure – Transatlantic tensions, EU surveillance, and big data, Antwerp, Maklu, pp. 36-41.
Cole, M. D. y Quintel T., 2018, “Transborder Access to e-Evidence by Law Enforcement Agencies”, University of Luxembourg Law Working, Paper No. 2018-010. Disponible en SSRN: https://ssrn.com/abstract=3278780 o http://dx.doi.org/10.2139/ssrn.3278780
