Vitela :: Browsing by Author "Torres Valencia, Cristian Alejandro"

Browsing by Author "Torres Valencia, Cristian Alejandro"

Now showing 1 - 18 of 18

Análisis de clustering y modelado de deserción de clientes bancarios
(Pontificia Universidad Javeriana Cali, 2026) Ramírez Rodríguez, Omar Javier; Silva Rodríguez, Hans; Ramírez Ramírez, Lilian Marcela; Torres Valencia, Cristian Alejandro
El proyecto aplicado “Análisis de Clustering y Modelado de Deserción de Clientes Bancarios” desarrolla un enfoque integral para el análisis del churn bancario, articulando técnicas de ingeniería de variables, segmentación de clientes y aprendizaje supervisado con el propósito de comprender, priorizar y predecir el riesgo de abandono bajo criterios de validez metodológica y aplicabilidad analítica. Inicialmente, se planteó la construcción de un Índice de Riesgo Financiero-Comportamental (IRFC) como herramienta para sintetizar múltiples dimensiones financieras y comportamentales del cliente. No obstante, durante el proceso de evaluación se identificaron métricas anormalmente altas, lo que condujo a una revisión crítica del modelo y a la detección de fuga de información asociada a la variable complain. La exclusión de esta variable permitió construir escenarios más realistas y metodológicamente más sólidos, evidenciando la importancia de cuestionar resultados aparentemente ideales en proyectos de ciencia de datos aplicada. De manera complementaria, se implementó un proceso de segmentación mediante clustering, orientado a identificar perfiles diferenciados de clientes según patrones financieros y comportamentales. Esta segmentación permitió estructurar grupos con distintas exposiciones relativas al riesgo, fortaleciendo procesos de perfilamiento, priorización y comprensión estratégica del churn. En la etapa de modelado supervisado se evaluaron múltiples escenarios comparativos, concluyendo que el IRFC no resulta adecuado como predictor directo debido a colinealidad con variables base, aunque conserva valor como herramienta de interpretación y ranking. Asimismo, la segmentación mostró capacidad para aportar valor analítico adicional en escenarios comparativos; sin embargo, su principal contribución se orienta al fortalecimiento de procesos de segmentación estratégica más que a su adopción automática como predictor final. En conjunto, los resultados demuestran que el principal valor del proyecto no radica únicamente en la obtención de métricas predictivas elevadas, sino en la construcción de un enfoque analítico metodológicamente sólido, capaz de diferenciar entre desempeño aparente, validez metodológica e interpretación estratégica. En conclusión, esta investigación evidencia que la integración de analítica avanzada permite no solo mejorar la comprensión del churn, sino también fortalecer la toma de decisiones mediante herramientas complementarias de predicción, segmentación y priorización, facilitando estrategias de retención más focalizadas y metodológicamente defendibles en contextos financieros reales.
Análisis de sentimientos en llamadas en centros de atención al cliente
(Pontificia Universidad Javeriana Cali, 2025) Arias Gómez, Andrea; Rincón Loaiza, Daniel; Rojas Tavera, Jhon Alexander; Torres Valencia, Cristian Alejandro
En el contexto de los centros de contacto, la calidad de las interacciones entre agentes telefónicos y clientes es esencial para garantizar la satisfacción del cliente y promover el crecimiento empresarial. La ausencia de herramientas para identificar los factores que influyen en el rendimiento de los servicios puede impactar negativamente la reputación y eficiencia operativa. En este contexto, se desarrolló un proyecto de análisis de sentimientos aplicado a transcripciones de llamadas en español, específicamente en el call center de la Universidad Pontificia Javeriana de Cali. El objetivo principal fue analizar y clasificar las emociones expresadas en estas interacciones para identificar patrones emocionales, mejorar la comprensión de las necesidades de los usuarios y optimizar la experiencia del cliente en un entorno educativo. El proyecto integra técnicas avanzadas de aprendizaje automático y procesamiento de lenguaje natural (PLN), incluyendo reconocimiento automático del habla y diarización, para segmentar y analizar las conversaciones. El trabajo abarcó desde la construcción de un corpus representativo y el preprocesamiento avanzado de texto, hasta la configuración y adaptación de modelos de aprendizaje profundo. Además, se diseñó una interfaz con AppScript, que facilita la carga de datos y la visualización de resultados, asegurando una experiencia de usuario eficiente y accesible. La evaluación de los modelos de clasificación se realizó mediante métricas como precisión, recall y F1-score, dentro de un marco metodológico robusto que combina CRISP-DM y Scrum, garantizando un proceso estructurado y ágil. Este enfoque permite a las empresas del sector BPO en Colombia anticipar problemas, optimizar operaciones y mantener una reputación positiva en un mercado altamente competitivo.
Desarrollo de Sistema Portátil para el Monitoreo Continuo de la Presión Arterial Basado en Fotopletismografía (PPG)
(Pontificia Universidad Javeriana Cali, 2025) Canaval Dicue, Valentina; Marmolejo Hernández, Natalia; Palacios Duarte, Juan Esteban; Torres Valencia, Cristian Alejandro
La hipertensión arterial constituye uno de los principales problemas de salud pública a nivel mundial debido a su alta prevalencia, carácter asintomático y estrecha relación con enfermedades cardiovasculares y cerebrovasculares. En respuesta a esta problemática, se desarrolló un sistema portátil para el monitoreo continuo de la presión arterial, basado en una técnica óptica no invasiva, orientado al seguimiento continuo de la salud cardiovascular. El proyecto abarcó el procesamiento de señales fisiológicas, el diseño electrónico del sistema y la implementación de un modelo matemático predictivo que permite estimar los valores de presión arterial sistólica y diastólica a partir de las características de la señal adquirida. Asimismo, se integró un sistema de comunicación inalámbrica que posibilita la visualización de los datos mediante una aplicación móvil, permitiendo el seguimiento de tendencias y la generación de alertas ante valores compatibles con hipertensión. De forma paralela, se desarrolló el diseño físico del prototipo y la fabricación de placas electrónicas personalizadas, garantizando la portabilidad y estabilidad del dispositivo. El prototipo final presentó un funcionamiento estable en condiciones controladas, con una adquisición y transmisión de datos confiables. Los resultados obtenidos evidencian la viabilidad del sistema como una herramienta para el monitoreo continuo de la presión arterial, aportando al desarrollo de tecnologías biomédicas portátiles orientados a la detección temprana y la prevención de enfermedades cardiovasculares.
Desarrollo de un modelo predictivo para la estimación del costo de seguros médicos mediante análisis de historial de siniestralidad y segmentación de carteras de usuarios
(Pontificia Universidad Javeriana Cali, 2026) Guzmán Sandoval, Laura Catalina; Victoria González, Xammy Alexander; Torres Valencia, Cristian Alejandro
El presente proyecto aplicado aborda la problemática de la estimación del costo de los seguros médicos en el sector asegurador colombiano, considerando las limitaciones actuales en los procesos de tarificación y evaluación del riesgo. El desarrollo del proyecto tuvo como objetivo desarrollar un modelo predictivo basado en técnicas de aprendizaje automático que permitiera apoyar de manera técnica y objetiva la estimación de costos asociados a los asegurados, integrando variables demográficas, clínicas, comportamentales y de uso de servicios médicos. Para ello, se realizó la estructuración y depuración de una base de datos amplia y heterogénea, la cual requirió procesos exhaustivos de limpieza, imputación, estandarización y transformación para garantizar su calidad y consistencia. A partir de este insumo, se realizó un análisis exploratorio detallado que permitió identificar relaciones relevantes, anomalías y variables clave para la construcción del modelo. Posteriormente, se implementaron algoritmos supervisados y no supervisados como Regresión Lineal, Random Forest, XGBoost y técnicas de segmentación de usuarios, con el fin de identificar patrones de siniestralidad y mejorar la precisión en la predicción de costos. Los modelos fueron evaluados mediante métricas cuantitativas como MAE, RMSE y R², permitiendo seleccionar la arquitectura con mejor desempeño predictivo. Como resultado, se obtuvo una herramienta analítica orientada a fortalecer los procesos de tarificación y gestión del riesgo, además de un prototipo interactivo de visualización que facilita la interpretación de resultados y la toma de decisiones estratégicas en el sector asegurador. El proyecto aporta una aplicación práctica de la ciencia de datos y el aprendizaje automático en seguros de salud, contribuyendo al fortalecimiento técnico y financiero de las aseguradoras dentro del contexto colombiano.
Diseño e implementación de un simulador de ecografía con transductor con movimiento tridimensional y software de visualización
(Pontificia Universidad Javeriana Cali, 2026) Ogonaga García, Carlos Alberto; Monsalve Guerrero, Gustavo Alejandro; Torres Valencia, Cristian Alejandro; Palacios Duarte, Juan Esteban
Colombia enfrenta una marcada escasez de especialistas en ecografía y una limitada oferta de simuladores accesibles debido a sus altos costos, lo que dificulta el entrenamiento médico y afecta la calidad del diagnóstico. El objetivo general de este proyecto fue diseñar e implementar un simulador de ecografía de bajo costo que integra un transductor con movimiento tridimensional (X, Y, Z) y un software de visualización para fortalecer la formación académica. La estrategia propuesta consistió en el desarrollo del prototipo EchoTrainer, el cual utiliza un transductor ergonómico impreso en 3D y un vientre sintético fabricado con elastómero de poliuretano para mayor realismo. El sistema emplea un sensor óptico (PAN3101DB) para el rastreo de posición X-Y y un sensor de fuerza (FSR) para medir la presión en el eje Z. Estos datos se procesan mediante un microcontrolador y una interfaz en Python que sincroniza el movimiento físico con el despliegue de imágenes ecográficas reales. Como resultado, se obtuvo un dispositivo funcional cuya validación metrológica mediante la prueba Gage R&R arrojó una variabilidad menor al 6 % en ambos ejes, calificándolo como un sistema excelente y altamente consistente. Asimismo, la evaluación con especialistas de la salud resultó en una recomendación del 100 % como alternativa válida para la práctica inicial, demostrando ser una herramienta pedagógica eficaz y accesible para entornos de recursos limitados.
Identificación automática de imágenes de ecografías craneales con su respectivo plano anatómico
(Pontificia Universidad Javeriana Cali, 2026) Villarreal Huertas, Luis Armando; Acevedo Virgues, Laura Daniela; Torres Valencia, Cristian Alejandro
Este proyecto se basa en el análisis de ecografías craneales fetales que son una herramienta que apoya el diagnóstico de enfermedades y anomalías durante el embarazo, pero que se ve perjudicada por la subjetividad de la interpretación del especialista. Esta clara problemática se ve reflejada por los parámetros intrínsecos de los equipos médicos donde la medición va a variar, ya que, en la modalidad de ultrasonido, es primordial hacer mediciones en el equipo para así dar un buen diagnóstico; los parámetros del equipo pueden alterar el transductor, pieza clave para la toma del estudio, sobre todo en el seguimiento del feto que está en constante desarrollo. Con un modelo de aprendizaje profundo y un conjunto de datos correctamente etiquetados, se generó un prototipo que identifique el plano anatómico de imágenes de ecografías craneales fetales, el cual se implementó en cuatro fases. En la primera fase se hizo una revisión sistemática de la información para determinar el modelo a usar y el conjunto de datos. En la segunda fase se buscó mejorar la calidad de la imagen al usar técnicas de preprocesamiento; esto permitió que a la hora de usar el método de aprendizaje profundo mejore el modelo para la detección de los planos anatómicos. En la tercera fase se aplicó el modelo de aprendizaje profundo y, por último, en la cuarta se implementó un análisis que busca evaluar la precisión del prototipo. Estas fases van de la mano con el planteamiento de los cuatro objetivos, que buscan cumplir con una estructura en el proyecto. Finalmente, se obtuvo un prototipo de aprendizaje de conjunto capaz de clasificar las imágenes fetales craneales a través de tres modelos con exactitudes mayores al 90%. Las posibles aplicaciones van dirigidas a reducir la subjetividad y variabilidad de los diagnósticos, facilitando una interpretación más precisa.
Minería de datos educativos para identificar factores que afectan el rendimiento académico en Colombia
(Pontificia Universidad Javeriana Cali, 2026) García Fernández, Joan Sebastián; Beltrán García, Diana Milena; Torres Valencia, Cristian Alejandro
Este proyecto aplicado identificó y analizó los factores que incidieron significativamente en el rendimiento académico de los estudiantes en Colombia, utilizando técnicas de minería de datos educativos (EDM) y modelos de aprendizaje automático. La investigación partió del reconocimiento de que, a pesar de la disponibilidad de datos generados en instituciones educativas, estos no se aprovechaban adecuadamente para fundamentar decisiones pedagógicas y políticas educativas. La problemática abordada se centró en la alta heterogeneidad del rendimiento académico de los estudiantes, evidenciada en brechas de aprendizaje y oportunidades entre sectores rurales y urbanos, así como entre instituciones oficiales y no oficiales. Para dar respuesta a esta problemática, se recopilaron y depuraron datos académicos provenientes de fuentes abiertas del ICFES. Posteriormente, se identificaron variables significativas mediante técnicas de minería de datos y se construyeron modelos predictivos orientados a estimar el rendimiento académico. El proyecto también realizó un análisis comparativo entre contextos geográficos, evidenciando brechas educativas y permitiendo formular recomendaciones basadas en evidencia. Entre los resultados más relevantes se destacaron la identificación de factores socioeconómicos e institucionales asociados al rendimiento académico, la validación del modelo XGBoost como el algoritmo con mejor desempeño predictivo y estabilidad, así como la identificación de diferencias significativas entre contextos rurales y urbanos. Estos resultados pueden servir como insumo para la toma de decisiones pedagógicas y administrativas en instituciones educativas, así como para la formulación de políticas orientadas a la equidad educativa en Colombia.
Modelo de clasificación de planos cerebrales en ecografías prenatales utilizando aprendizaje de máquina profundo
(Pontificia Universidad Javariana Cali, 2025) Aguado Valderrama, Juan José; Rodríguez López, Luis Alfredo; Torres Valencia, Cristian Alejandro; Palta, Felipe
Las Ecografías Craneales Prenatales (ECP) desempeñan un papel crucial en el monitoreo del desarrollo fetal. No obstante, la evaluación de imágenes de ECP entre las semanas 18 a 40 del embarazo enfrenta grandes retos debido a la falta de herramientas automatizadas para su clasificación. Actualmente, el diagnóstico depende en gran medida de la interpretación de especialistas, lo que implica largas horas de clasificación manual para análisis más profundos y el almacenamiento de la información. Esta situación se ve agravada en áreas con recursos limitados, donde la escasez de profesionales capacitados y equipos de alta calidad puede comprometer la precisión y accesibilidad de las evaluaciones. La automatización de la clasificación de imágenes ECP podría aliviar la carga de trabajo de los especialistas y mejorar la eficiencia en los análisis. Este estudio propone desarrollar una herramienta basada en aprendizaje profundo para clasificar los distintos planos del cerebro (transventricular, transtalámico y transcerebeloso) en imágenes de ECP. La metodología incluye el preprocesamiento de imágenes, segmentación y clasificación mediante redes neuronales convolucionales. Además, se evaluará el rendimiento del modelo utilizando métricas como precisión, exactitud, sensibilidad y puntuación F1, con validación por profesionales de la salud.
Modelo de predicción de deserción en estudiantes de una institución de educación superior
(Pontificia Universidad Javeriana Cali, 2026) Figueroa Arias, José Julián; Porras Ríos, Yudy Alexandra; Torres Valencia, Cristian Alejandro
La deserción estudiantil constituye una de las principales problemáticas que enfrentan las instituciones de educación superior. En Colombia, aproximadamente el 36% de los estudiantes abandona sus estudios durante el primer año, lo que resalta la importancia de abordar este fenómeno mediante herramientas analíticas. En este contexto, el presente trabajo tuvo como objetivo desarrollar un modelo de predicción de deserción estudiantil utilizando técnicas de aprendizaje automático supervisado, a partir del conjunto de datos público "Predict Students' Dropout and Academic Success" del UCI Machine Learning Repository, correspondiente a una institución de educación superior portuguesa con 4.424 registros. La metodología se estructuró bajo el estándar CRISP DM, abarcando las fases de comprensión y preparación de los datos, modelado y evaluación. Se entrenaron y compararon cinco algoritmos: regresión logística, árbol de decisión, Random Forest, XGBoost y redes neuronales artificiales, bajo un esquema de validación cruzada estratificada repetida. Los resultados evidenciaron que XGBoost presentó el mejor desempeño global en la identificación del riesgo, alcanzando un Recall de 0.9085, un ROC-AUC de 0.9728 y un F1-score de 0.8990 en el conjunto de prueba. Adicionalmente, el modelo seleccionado fue integrado en un prototipo funcional desarrollado con Streamlit y desplegado en la nube, que permite a los equipos institucionales visualizar las predicciones de riesgo de forma interactiva y tomar decisiones de intervención basadas en datos.
MyoAlert Vision: sistema inteligente de apoyo diagnóstico para la identificación automática del infarto agudo de miocardio con elevación del segmento ST mediante análisis electrocardiográfico
(Pontificia Universidad Javeriana Cali, 2025) Daza Cerón, Julieth Alejandra; Obregón Londoño, William Felipe; Torres Valencia, Cristian Alejandro
El infarto agudo de miocardio es una de las principales causas de mortalidad a nivel mundial, con aproximadamente 3 millones de casos al año, siendo su variante con elevación del segmento ST una de las presentaciones más críticas. En Colombia, esta condición figura entre las principales causas de defunción, lo que resalta la necesidad de herramientas que mejoren la detección temprana y la precisión diagnóstica en entornos clínicos. Con el objetivo de brindar soporte diagnóstico a los profesionales de la salud, este trabajo desarrolló MyoAlert Vision, una aplicación web capaz de identificar patrones asociados a la enfermedad en registros de ECG de 12 derivaciones y estimar la localización anatómica del infarto (anterior, inferior, lateral o septal). El sistema integra modelos de aprendizaje automático XGBoost y CNN-1D, alcanzando precisiones del 93 % y 91 % en la detección del evento isquémico, y emplea LightGBM para la identificación de la zona afectada, con una precisión del 86 %. Para esta última etapa, se incorporó un proceso previo que combinó un segundo modelo XGBoost con valores SHAP, con el fin de mejorar la interpretabilidad de los resultados y respaldar la asignación anatómica de las predicciones. En conjunto, estos resultados consolidan a MyoAlert Vision como un prototipo eficiente, que constituye un primer acercamiento al soporte diagnóstico asistido por inteligencia artificial en el infarto agudo de miocardio con elevación del segmento ST.
Predicción de errores del modelo Black‑Scholes mediante modelos clásicos de ciencia de datos
(Pontificia Universidad Javeriana Cali, 2026) Rojas Ramírez, Julián; Tangarife Acevedo, Natalia María; Torres Valencia, Cristian Alejandro
La valoración precisa de opciones financieras es crucial para la toma de decisiones de inversión informada. El modelo Black-Scholes, aunque fundamental para la valoración teórica de opciones europeas, presenta limitaciones inherentes a sus supuestos que generan discrepancias con los precios reales del mercado. Este proyecto desarrolló un sistema de predicción basado en técnicas de ciencia de datos para predecir y corregir los errores sistemáticos del modelo Black-Scholes, utilizando un dataset de 40,337 contratos de opciones sobre 10 activos representativos del mercado estadounidense. Siguiendo la metodología CRISP-DM, se implementaron y compararon progresivamente seis modelos de aprendizaje automático de complejidad creciente, evaluando su capacidad para ajustar los precios teóricos. Los resultados demuestran que los modelos de ensamble logran las mayores reducciones del RMSE, con Random Forest como mejor modelo para opciones call (82,20%) y XGBoost para opciones put (89,54%) respecto al baseline, evidenciando que el aprendizaje automático puede complementar eficazmente los modelos teóricos de valoración financiera sin reemplazar su estructura fundamental.
Predicción del pH y la DBO en el río Cauca utilizando técnicas de machine learning: anticipando cambios críticos de calidad
(Pontificia Universidad Javeriana Cali, 2026) Cortés Montiel, Weimar; Sotelo de la Cruz, Daniel Alfonso; Torres Valencia, Cristian Alejandro
Dada la creciente preocupación por la calidad del agua en Colombia, este proyecto de maestría desarrolló modelos predictivos para estimar los niveles de pH y Demanda Bioquímica de Oxígeno (DBO) en el río Cauca, con énfasis en la cuenca alta, integrando técnicas de ciencia de datos y aprendizaje automático. El estudio partió del análisis y preprocesamiento de datos históricos oficiales, que incluyeron variables fisicoquímicas como pH, DBO, oxígeno disuelto, temperatura, conductividad y nutrientes. La metodología contempló la partición de los datos en conjuntos de entrenamiento y prueba (80-20 %), con validación cruzada repetida para garantizar la robustez de la evaluación. Se entrenaron y ajustaron modelos de regresión como Regresión Lineal Múltiple, Árboles de Decisión, Random Forest, Gradient Boosting (XGBoost), SVR y Perceptrón Multicapa (MLP), optimizados mediante Grid Search y Optuna. Su desempeño se evaluó con métricas como RMSE, MAE y R², así como mediante curvas de aprendizaje para detectar sobreajuste. Se estimaron con precisión los valores de pH y DBO del río Cauca, y mediante análisis SHAP se identificaron las variables fisicoquímicas de mayor incidencia: para la DBO, los sulfatos (mg SO₄/l), bicarbonatos (mg CaCO₃/l) y conductividad eléctrica (µS/cm) resultaron las más determinantes; para el pH, los nitratos (mg N-NO₃/l) y bicarbonatos (mg CaCO₃/l) concentraron la mayor contribución explicativa. El trabajo se centró en la ejecución técnica de los modelos, sin desarrollos externos ni visualizaciones interactivas. Se priorizó el análisis cuantitativo de los resultados, documentando el proceso completo y aportando evidencia sobre la aplicabilidad del aprendizaje automático en el monitoreo ambiental. Esta investigación fortaleció herramientas analíticas para la gestión del recurso hídrico local y ofrece una base metodológica replicable, útil como insumo académico o institucional, sin pretensión de implementación automatizada o en tiempo real.
Sistema basado en deep learning para el análisis de imágenes de cápsula endoscópica del intestino delgado
(Pontificia Universidad Javeriana Cali, 2025) Pabón Andrade, Juan José; Pantoja Londoño, Ingrid Nathalia; Torres Valencia, Cristian Alejandro; Noreña Agudelo, Gonzalo
El presente trabajo describe el diseño y desarrollo de un sistema automatizado basado en deep learning para el análisis de imágenes obtenidas mediante cápsula endoscópica del intestino delgado. El objetivo general consistió en facilitar la identificación, clasificación y localización aproximada de anomalías en dichas imágenes, buscando reducir la carga de trabajo del especialista y mejorar la precisión diagnóstica. Para ello, se seleccionó una base de datos pública que incluye imágenes correspondientes a diferentes patologías y estructuras anatómicas del intestino delgado, las cuales fueron sometidas a un proceso de preprocesamiento para estandarizar su formato y mejorar la calidad de los datos. Posteriormente, se entrenaron y validaron tres modelos de redes neuronales convolucionales, evaluando su desempeño con métricas estándar de clasificación. Los modelos entrenados lograron diferenciar de forma precisa las imágenes según su clase, obteniendo resultados satisfactorios tanto en la detección de patologías como en la identificación de hitos anatómicos, lo que facilitó aproximar la ubicación distal o proximal de dichas imágenes. Finalmente, se integraron los modelos seleccionados en una interfaz gráfica, brindando al usuario la capacidad de interactuar con el sistema de forma intuitiva. Este desarrollo constituye un aporte relevante desde la ingeniería biomédica, al proponer una herramienta de apoyo diagnóstico. Asimismo, se establecen las bases para futuras mejoras relacionadas con la ampliación de la base de datos y la implementación del sistema en escenarios reales de atención médica.
Sistema computacional para el análisis biomecánico basado en imágenes de elastografía por ondas de corte destinado al apoyo en la caracterización muscular en osteoartritis de rodilla
(Pontificia Universidad Javeriana Cali, 2026) González Carvajal, Juan José; Posada Pérez, Viviana Marcela; Torres Valencia, Cristian Alejandro
La osteoartritis de rodilla (OA) es una enfermedad articular degenerativa que afecta a más de 374 millones de personas a nivel global y cuya prevalencia continúa en aumento. Más allá del deterioro del cartílago, la enfermedad compromete los músculos periarticulares de la rodilla, alterando su rigidez y propiedades biomecánicas de maneras que los métodos diagnósticos convencionales como la radiografía y la resonancia magnética no logran capturar de forma cuantitativa y accesible. La elastografía por ondas de corte (SWE) emerge como una técnica no invasiva y reproducible capaz de medir la rigidez muscular en tiempo real, sin embargo, su aplicación clínica carece de herramientas que integren, procesen e interpreten sus datos de forma estandarizada. Este proyecto tiene como objetivo diseñar un sistema computacional de análisis biomecánico basado en el procesamiento de imágenes de SWE de los músculos periarticulares de la rodilla, para apoyar la caracterización muscular en el contexto de la osteoartritis, validado con datos de bases de imágenes disponibles. La solución propuesta es una aplicación de escritorio desarrollada en Python, que implementa un pipeline de procesamiento modular. El sistema carga archivos DICOM de SWE, extrae los valores de rigidez muscular y se calculan métricas estadísticas por fotograma y por estudio completo que son útiles para una interpretación clínica de los músculos y, además, conforman un dataset de características utilizado para entrenar y evaluar modelos de clasificación binaria entre pacientes con osteoartritis y sujetos sanos. El resultado es un prototipo funcional validado sobre 276 estudios de 18 pacientes (9 pacientes con OA y 9 pacientes sanos, 132 estudios de pacientes con OA y 144 de pacientes sanos), capaz de extraer características biomecánicas reproducibles, presentándolas de manera clara y directa al usuario contribuyendo a la estandarización del análisis de SWE como herramienta de apoyo en la evaluación de la osteoartritis de rodilla.
Sistema de clasificación de la genética tumoral del Glioblastoma Multiforme
(Pontificia Universidad Javeriana Cali, 2026) Castillo Garzón, Juan Pablo; Pineda Toro, Julio César; Torres Valencia, Cristian Alejandro
El glioblastoma multiforme es el tumor cerebral maligno primario más agresivo en adultos, con una mediana de supervivencia de 15 meses. La distinción entre el glioblastoma con mutación del gen isocitrato deshidrogenasa y el de tipo wildtype tiene implicaciones pronósticas y terapéuticas directas, pero su determinación convencional requiere biopsia tisular invasiva. Este trabajo tuvo como objetivo desarrollar un sistema de aprendizaje automático que clasifique de forma no invasiva el estado mutacional del gen isocitrato deshidrogenasa en glioblastoma multiforme a partir de imágenes de resonancia magnética multiparamétrica, como herramienta de soporte diagnóstico. Se consolidó una base de datos de 527 casos con etiqueta mutacional validada provenientes de tres repositorios públicos internacionales, con un desbalance de clases de 6.6:1 entre ambas variantes. Sobre este conjunto se desarrolló un pipeline automatizado que integra la eliminación del cráneo me- diante redes neuronales con HD-BET, la segmentación tumoral automática con SegResNet BraTS23, y la extracción y selección de características radiómicas sobre la secuencia con gadolinio. A partir de 1130 características extraídas se retuvieron 30 descriptores con mayor poder discriminativo para entrenar un modelo de regresión logística. Paralelamente, se entrenaron dos arquitecturas de apren- dizaje profundo volumétrico con transferencia de aprendizaje: SegResNet BraTS23 y MedicalNet ResNet-18. Ambos enfoques incorporaron estrategias explícitas de compensación del desbalance de clases durante el entrenamiento. Los modelos fueron evaluados sobre un conjunto de prueba independiente de 106 casos mediante métricas robustas frente al desbalance. El modelo de regresión logística obtuvo el mejor rendimiento global con área bajo la curva de 0.9138, especificidad del 90.22 por ciento y coeficiente de corre- lación de Matthews de 0.5953. MedicalNet ResNet-18 con transferencia de aprendizaje alcanzó un área bajo la curva de 0.9014 con sensibilidad del 85.71 por ciento, sugiriendo que ambos enfoques son competitivos y podrían capturar información complementaria sobre la heterogeneidad tumoral asociada al estado mutacional. Los resultados fueron integrados en una plataforma interactiva que permite cargar imágenes en formatos nativos de resonancia magnética, ejecutar el pipeline completo de inferencia, visualizar la segmentación tumoral mediante un explorador volumétrico interactivo y exportar un reporte con los resultados. Los hallazgos sugieren la viabilidad técnica de clasificar de forma no invasiva el estado mutacional del gen isocitrato deshidrogenasa mediante resonancia magnética, con potencial para complementar los métodos histopatológicos convencionales en entornos de investigación clínica.
Sistema de reconocimiento de la estructura cerebral Cavum Septum Pellucidum basado en Deep Learning para el análisis de anomalías del desarrollo en imágenes de ultrasonido fetal en 2D
(Pontificia Universidad Javariana Cali, 2025) Cifuentes Ortega, Milton Fabián; Torres Valencia, Cristian Alejandro
En este proyecto se presenta el diseño, desarrollo e implementación de un sistema de reconocimiento basado en Deep Learning para la detección de la estructura craneal en fetos llamada Cavum Septum Pellucidum sobre imágenes de ultrasonido 2D, el cual tiene como objetivo colaborar con el sector salud en la detección temprana de anormalidades prenatales, debido a que este tipo de inconvenientes son muy comunes en el desarrollo del feto y así se podría reducir los índices de mortalidad en recién nacidos. Para el desarrollo del sistema se llevaron a cabo tareas de selección de criterios de recolección y procesamiento de las imágenes de ultrasonido fetal en 2D, además de la identificación de métricas de evaluación para la clasificación de normalidad o anormalidad. Estos modelos podrían ser aplicado a cualquier proceso de seguimiento prenatal donde se tomen imágenes de ultrasonidos para el control del crecimiento del feto. Las anormalidades detectadas podrían ayudar a diagnosticar posibles enfermedades tales como holoprosencefalia, displasia septo-óptica, agenesia de cuerpo calloso, enfermedad de Alexander, esclerosis tuberosa, facomatosis, pinealoma, trisomía del par y esquisencefalia. Teniendo en cuenta todo lo anterior se obtuvo como resultado final de este proyecto dos modelos; El primer modelo se centró en el reconocimiento de los planos craneales y se obtuvo un 99% de accuracy. Por otro lado, el segundo modelo se dividió por plano cerebral (Trans-Ventricular, Trans-Thalamic y Trans-Cerebellum) y se creó específicamente cada uno de ellos enfocados en la identificación de la estructura cerebral Cavum Septum Pellucidum, obteniendo como resultado final un 88.8%, 91% y 95.1% de Curva AUC ROC respectivamente.
Sistema de soporte al diagnóstico no invasivo de ictericia neonatal en Colombia: un enfoque desde la visión por computador
(Pontificia Universidad Javeriana Cali, 2025) Salazar Barney, Camilo; Ruiz Ortiz, Angélica María; Torres Valencia, Cristian Alejandro
La ictericia neonatal es una de las condiciones clínicas más comunes durante los primeros días de vida y su identificación temprana es fundamental para evitar complicaciones asociadas a niveles elevados de bilirrubina. En muchos entornos de atención en salud, en especial aquellos con recursos limitados, el diagnóstico continúa dependiendo de métodos invasivos o evaluaciones visuales sujetas a variabilidad, lo que puede prolongar los tiempos de respuesta y limitar la oportunidad del tratamiento. Este proyecto se desarrolló con el propósito de explorar una alternativa no invasiva basada en el procesamiento digital de imágenes y en la aplicación de modelos de aprendizaje profundo para apoyar la detección de ictericia neonatal y estimar la concentración aproximada de bilirrubina a partir de fotografías neonatales. El alcance del estudio se centró al análisis del conjunto de imágenes y datos presentes en la base de datos de acceso abierto NeoJaundice y no incluyó la validación clínica directa en instituciones de salud. La metodología aplicada se dividió en cuatro etapas. En primer lugar, se realizó un análisis de las imágenes disponibles, determinando las características cromáticas y variaciones relevantes para el diagnóstico. Posteriormente, se implementó un pipeline de preprocesamiento que incluyó normalización de color, segmentación de la región de interés y la generación de una máscara adaptativa orientada a resaltar tonalidades amarillentas. En la tercera etapa, se entrenaron modelos basados en redes neuronales convolucionales para las tareas de clasificación y regresión, ajustando parámetros para obtener predicciones compatibles con las etiquetas del conjunto de datos. Finalmente, se desarrolló una interfaz interactiva que permitiera realizar análisis individuales y por lotes, integrando así el flujo completo de etapas desarrolladas y facilitando la visualización detallada de los análisis realizados. Los resultados obtenidos muestran que el sistema propuesto logró procesar las imágenes del conjunto de datos de manera estable y generar predicciones coherentes con la información disponible, evidenciando que el enfoque planteado constituye una base sólida para avanzar hacia futuras evaluaciones en escenarios clínicos reales.
Sistema empresarial inteligente para la clasificación de residuos
(Pontificia Universidad Javeriana Cali, 2023) Cantor, Elkin Leonardo; Morales Cadavid, Santiago; Correa, Leidy Johana; Vargas Cardona, Hernán Darío; Torres Valencia, Cristian Alejandro
Existe evidencia de que en Colombia se producen 24,8 millones de toneladas de residuos al año, de los cuales el 47% provienen de los hogares con una generación per cápita de 515 kilogramos y a su vez la tasa de reciclaje, que se refiere a la proporción de material reciclado sobre la generación total de residuos sólidos, es cercana al 12% en el año 2019, siendo esta una cifra muy baja comparada con la de otros países como Alemania donde llega al 68%. Por medio de este proyecto se buscó realizar un modelo de aprendizaje automático que a través del reconocimiento de imágenes permitiera en el ámbito empresarial realizar una correcta clasificación de residuos en las diferentes canecas del punto ecológico, así como la recolección de información que permita calcular diversos indicadores a nivel individual y de empresa, proporcionando información clave para el desarrollo de futuras campañas de impacto ambiental y buscando diversos mecanismos y estrategias que promuevan el uso de esta herramienta y nos convierta en un aliado estratégico del medio ambiente. Asimismo, por medio del desarrollo de este proyecto, se obtuvo un dataset que permitió crear algoritmos robustos que contribuyen al correcto entrenamiento del modelo de clasificación de residuos, este modelo se desarrolló en lenguaje Python, empleando algoritmos de Deep Learning, especialmente haciendo uso de redes neuronales convolucionales que permitieron la construcción de un prototipo o diseño (mockup) de una aplicación móvil donde a futuro se podrá desplegar el modelo realizado.

Browsing by Author "Torres Valencia, Cristian Alejandro"

Results Per Page

Sort Options