Maestría en Ingeniería Biomédica

URI permanente para esta colección

https://repository.urosario.edu.co/handle/10336/26556

Examinar

Examinando Maestría en Ingeniería Biomédica por Autor "Tabares Sánchez, Valeria"

Mostrando1 - 1 de 1
  • Miniatura
    Ítem
    Acceso Abierto
    Cuidado neonatal mediante internet de las cosas médicas: validación y evaluación de un sistema de monitoreo en incubadoras
    (2025-12-12) Tabares Sánchez, Valeria; Sarmiento Rojas, Jefferson; Aya Parra, Pedro Antonio; GiBiome
    El nacimiento prematuro representa un desafío clínico y tecnológico significativo, dado que la interrupción del desarrollo intrauterino expone al neonato a condiciones ambientales radicalmente distintas, particularmente dentro de las Unidades de Cuidados Intensivos Neonatales (UCIN). En este entorno, variables como la temperatura, la humedad y el ruido influyen directamente en la estabilidad fisiológica y el neurodesarrollo del recién nacido. Ante esta problemática, la presente investigación tuvo como objetivo diseñar un sistema de monitoreo basado en Internet de las Cosas (IoT) para la gestión de variables relevantes en incubadoras neonatales, incorporando además herramientas de inteligencia artificial (IA) para el análisis de sonido. La metodología se estructuró en dos fases: la primera consistió en la implementación y evaluación del sistema IoT para la medición remota de temperatura, humedad, sonido y voltaje de batería; la segunda, en el entrenamiento de un modelo de IA capaz de clasificar fuentes acústicas relevantes mediante estrategias de Transfer Learning. Los resultados evidenciaron un desempeño estable del sistema, con una disponibilidad del 94,23 %, un tiempo medio entre fallos (MTBF) de 32 horas y un tiempo medio de recuperación (MTTR) de 118 minutos. La temperatura y la batería mostraron comportamientos estables, mientras que la humedad presentó variabilidad esperable y el sonido se consolidó como la variable más crítica, con la mayor frecuencia de valores extremos. Respecto a la IA, el modelo basado en red neuronal convolucional clásica alcanzó un accuracy del 99 % y métricas sobresalientes de precision, recall y F1-score (0,99), superando al modelo de Transfer Learning con Keyword Spotting lo que confirma su potencial aplicación en entornos hospitalarios para el monitoreo continuo y la interpretación avanzada de eventos sonoros. En conclusión, la integración de tecnologías IoT e IA permite avanzar hacia entornos de cuidado neonatal más seguros y humanizados, donde la supervisión ambiental no solo cuantifica, sino también interpreta las condiciones sensoriales, favoreciendo el bienestar y el neurodesarrollo del neonato.