Examinando por Autor "Toro, Carlos"

Mostrando 1 - 2 de 2
  • No hay miniatura disponible
    Ítem
    Dolor crónico post cirugía traumatológica
    (Universidad Andrés Bello, 2010) Salvador Moreno, Eddy.; Toro, Carlos; Facultad de Ciencias de la Salud
    El dolor ha sido definido por la Asociación Internacional para el Estudio del Dolor (IASP), como una experiencia sensorial y emocional desagradable, asociada a un daño tisular existente o potencial, o descrita en términos de ese daño. La IASP destaca cinco aspectos: región afectada, sistema involucrado, características temporales del dolor, intensidad declarada por el paciente y etiología. Por su origen identifica el dolor como oncológico y no oncológico; por su evolución distingue entre agudo y crónico; según su mecanismo puede ser somático, neuropático y psicógeno. En lo que respecta a su duración se denomina dolor agudo aquél que comprende el lapso estimado necesario para que los tejidos sanen. Para IASP la duración límite para un dolor agudo es 3 meses. Se habla de dolor persistente en el que dura entre 3 y 6 meses. El dolor crónico en cambio es aquel que dura más de 3 meses a 6 meses o que por las características de su origen, sobrepasa el tiempo que habitualmente podría definir un dolor agudo semejante. La prevalencia del dolor persistente (de 3 a 6 meses) sigue siendo alarmantemente alta en grandes centros especializados. Este tipo de dolor se ha informado después de numerosos procedimientos quirúrgicos. Es evidente que existe variabilidad en la prevalencia que sigue a cada una de estas operaciones, pero se han sido identificados factores comunes de riesgo. Hasta el momento poco sabemos sobre la prevalencia del dolor crónico tras la cirugía puesto que el control de muchos de los pacientes se realiza en los centros y subcentros de salud periféricos desde los cuales nos han sido remitidos. Se plantea como hipótesis que la prevalencia de dolor crónico posterior a la cirugía traumatológica en nuestro medio es igual o mayor a la reportada en otros medios y que la prevalencia de dolor crónico postquirúrgico puede ser diferente según el tipo de patología traumatológica tratada quirúrgicamente. El presente es un estudio transversal realizado con el propósito de determinar la prevalencia de dolor crónico posterior a cirugía traumatológica y su relación con la edad, el sexo, el tipo de analgesia y anestesia empleados en la fase aguda del manejo de los pacientes. Durante los meses de marzo, junio y septiembre del año 2008, se registraron 21 O pacientes traumatológicos tratados quirúrgicamente en el hospital Hernán Henríquez A., asistencial docente, el de mayor complejidad en la región de La Araucanía. Los pacientes fueron contactados por teléfono. No fue posible ubicar a 32, otros 3 habían fallecido y 12 se negaron a responder. El estudio incluye las 163 respuestas obtenidas. La información fue procesada retrospectivamente mediante un programa Stata 10.0. Los resultados obtenidos indican una prevalencia de 42%, superior a la encontrada en trabajos similares en otros centros especializados. La prevalencia fue mayor en los casos de prótesis total de caderas, fracturas expuestas de brazo, luxo fractura de tobillos y fractura expuesta de manos y que las técnicas de analgesia multimodal no se han instituido sistemáticamente, hasta la fecha, en el servicio estudiado. Palabras claves: Dolor crónico, dolor crónico posquirúrgico, dolor postoperatorio.
  • No hay miniatura disponible
    Ítem
    Machine Learning-Based Classification of Sulfide Mineral Spectral Emission in High Temperature Processes
    (Multidisciplinary Digital Publishing Institute (MDPI), 0025) Toro, Carlos; Díaz, Walter; Reyes, Gonzalo; Peña, Miguel; Caselli, Nicolás; Taramasco, Carla; Ormeño-Arriagada, Pablo; Balladares, Eduardo
    Accurate classification of sulfide minerals during combustion is essential for optimizing pyrometallurgical processes such as flash smelting, where efficient combustion impacts resource utilization, energy efficiency, and emission control. This study presents a deep learning-based approach for classifying visible and near-infrared (VIS-NIR) emission spectra from the combustion of high-grade sulfide minerals. A one-dimensional convolutional neural network (1D-CNN) was developed and trained on experimentally acquired spectral data, achieving a balanced accuracy score of 99.0% in a test set. The optimized deep learning model outperformed conventional machine learning methods, highlighting the effectiveness of deep learning for spectral analysis in high-temperature environments. In addition, Gradient-weighted Class Activation Mapping (Grad-CAM) was applied to enhance model interpretability and identify key spectral regions contributing to classification decisions. The results demonstrated that the model successfully distinguished spectral features associated with different mineral species, offering insights into combustion dynamics. These findings support the potential integration of deep learning for real-time spectral monitoring in industrial flash smelting operations, thereby enabling more precise process control and decision-making. © 2025 by the authors.