SUMMARY: In the present study, it is aimed to reveal the performances of different classification algorithms in sex determination from first cervical vertebra, that is, atlas measurements. The classification success of 4 different machine learning algorithms was comparatively examined for the purpose of sex determination by evaluating 22 atlas measurements on cone beam computed tomography (CBCT) images of 145 female and 145 male adults. Logistic regression (LR), classification and regression tree (CART), support vector machine (SVM) and neural network (NN) algorithms were used for sex diagnosis. Area under the ROC curve (AUC), classification accuracy (CA), F1-ratio, Precision and Recall indexes were used for model performances. Except for 2 measurements, there was a significant difference between men and women in terms of 20 other parameters (p<0.05). The adjusted effects of these parameters on sex determination were examined with multivariate models and algorithms, and the success of all 4 algorithms was quite good. The success of the NN algorithm (Accuracy 91.3 %; 0.87 Specificity, 0.85 Sensitivity) in correctly classifying male and female was the highest, followed by the LR algorithm (Accuracy 90.9 %; 0.86 Specificity, 0.83 Sensitivity). It was found that the machine learning algorithm applied to the variables of the atlas gave high accuracy regarding sex and the NN model was highly effective in sex determination. In addition, a large morphometric database of atlas was presented in our results.

RESUMEN: El objetivo de estudio fue revelar el desempeño de diferentes algoritmos de clasificación en la determinación del sexo a partir de la primera vértebra cervical, el atlas. El éxito de la clasificación de 4 algoritmos diferentes de aprendizaje automático se examinó comparativamente con el fin de determinar el sexo mediante la evaluación de 22 mediciones de atlas en imágenes de tomografía computarizada de haz cónico (CBCT) de 145 mujeres y 145 hombres adultos. Para el diagnóstico de sexo se utilizaron algoritmos de clasificación y árbol de regresión (CART), máquina de vectores de soporte (SVM) y redes neuronales (NN). Para el rendimiento del modelo se utilizaron el área bajo la curva ROC (AUC), la precisión de clasificación (CA), la relación F1, los índices de precisión y recuperación. Excepto en dos mediciones, hubo una diferencia significativa entre hombres y mujeres en otros 20 parámetros (p<0,05). Los efectos ajustados de estos parámetros en la determinación del sexo se examinaron con modelos y algoritmos multivariados, y el éxito de los cuatro algoritmos fue bastante bueno. El éxito del algoritmo NN (Precisión 91,3 %; 0,87 Especificidad, 0,85 Sensibilidad) en clasificar correctamente a hombres y mujeres fue el más alto, seguido por el algoritmo LR (Precisión 90,9 %; 0,86 Especificidad, 0,83 Sensibilidad). Se encontró que el algoritmo de aprendizaje automático aplicado a las variables del atlas dio una alta precisión con respecto al sexo, y el modelo NN fue altamente efectivo en la determinación del sexo. Además, en nuestros resultados se presentó una importante base de datos morfométricos del atlas.

SUMMARY: The determination of sex differences in anatomical structures is critical in establishing gold standard morphometric data in basic medical sciences, and in surgical and internal sciences in selecting the right area during invasive intervention and applying the correct intervention methodology appropriate to the area. The aim of this study is to determine the sex difference using Machine learning (ML) algorithms and Artificial neural networks (ANN) with parameters obtained from basilar artery. The study was performed on computed tomography angiography images of 63 women and 94 men. The following parameters were measured on the images: initial width of the right vertebral artery, initial width of the left vertebral artery, termination width of the right vertebral artery, termination width of the left vertebral artery, basilar artery width, and basilar artery length. The measurements were used in ML algorithms and ANN input to determine sex differences. As a result of the study, a sex difference rate of 0.84 was determined with the ML algorithms Random Forest (RF), Quadratic Discriminant Analysis (QDA), Extra Tree Classifier (ETC) and 0.84 with the Multilayer Perceptron Classifier (MLCP) algorithm of ANN. As a result of the study, sex difference was found with an accuracy rate of 0.84 using ML algorithms and ANN with parameters obtained from basilar artery. In this context, we think that this study will shed light on basic and clinical medical sciences.

RESUMEN: La determinación de las diferencias de sexo en las estructuras anatómicas es fundamental para establecer datos morfométricos de gold estándar, en las ciencias médicas básicas y en las ciencias quirúrgicas e internas para seleccionar el área correcta durante la intervención invasiva y aplicar la metodología de intervención correcta y apropiada. El objetivo de este estudio fue determinar la diferencia de sexo utilizando algoritmos de aprendizaje automático (ML) y redes neuronales artificiales (ANN) con parámetros obtenidos de la arteria basilar. El estudio se realizó sobre imágenes de angiografía por tomografía computarizada de 63 mujeres y 94 hombres. Se midieron en las imágenes los siguientes parámetros: ancho inicial de la arteria vertebral derecha, ancho inicial de la arteria vertebral izquierda, ancho de terminación de la arteria vertebral derecha, ancho de terminación de la arteria vertebral izquierda, ancho de la arteria basilar y longitud de la arteria basilar. Las mediciones se utilizaron en algoritmos de ML y entradas de ANN para determinar las diferencias de sexo. Como resultado del estudio, se determinó una tasa de diferencia de sexo de 0,84 con los algoritmos ML Random Forest (RF), Análisis Discriminante Cuadrático (QDA), Extra Tree Classifier (ETC) y 0,84 con el algoritmo Multilayer Perceptron Classifier (MLCP) de ANA. Como resultado del estudio, se encontró una diferencia de sexo con una tasa de precisión de 0,84 utilizando algoritmos ML y ANN con parámetros obtenidos de la arteria basilar. En este contexto, pensamos que este estudio será de utilidad en las ciencias médicas básicas y clínicas.

RESUMEN: Dado que los algoritmos de aprendizaje automático dan resultados más fiables, en los últimos años han sido utilizados en el campo de la salud. Las variables orbitales dan resultados muy exitosos a la hora de clasificar correctamente el sexo. Esta investigación se ha centrado en la determinación del sexo utilizando determinadas variables obtenidas a partir de las imágenes orbitales de la tomografía computarizada (TC) mediante el uso de algoritmos de aprendizaje automático (AA). En este estudio se probaron 12 variables determinadas en 600 imágenes orbitales de 300 individuos (150 hombres y 150 mujeres) con diferentes AA. Se utilizaron algoritmos de AA de árbol de decisión (DT), K-Nearest Neighbour, regresión logística (RL), Random Forest (RF), análisis discriminante lineal (ADL) y Naive Bayes (NB) para el aprendizaje no supervisado. Los análisis estadísticos de las variables se realizaron con el programa Minitab® 21.2 (64 bits). La tasa de ACC de los algoritmos NB, DT, KNN y RL se encontró en % 83, mientras que la tasa de ACC de los algoritmos ADL y RFC se determinó en % 85. Según el análisis de Sharp, la variable con el mayor grado de efecto se encontró como BOW. El estudio determinó el sexo con alta precisión en las proporciones de 0,83 y 0,85 mediante el uso de las variables de las imágenes de TC orbitales, y se adquirieron los datos morfométricos relacionados de la población en cuestión, enfatizando la variación racial.

SUMMARY: Since machine learning algorithms give more reliable results, they have been used in the field of health in recent years. The orbital variables give very successful results in classifying sex correctly. This research has focused on sex determination using certain variables obtained from the orbital images of the computerized tomography (CT) by using machine learning algorithms (ML). In this study 12 variables determined on 600 orbital images of 300 individuals (150 men and 150 women) were tested with different ML. Decision tree (DT), K-Nearest Neighbour (KNN), Logistic Regression (LR), Random Forest (RF), Linear Discriminant Analysis (LDA), and Naive Bayes (NB) algorithms of ML were used for unsupervised learning. Statistical analyses of the variables were conducted with Minitab® 21.2 (64-bit) program. ACC rate of NB, DT, KNN, and LR algorithms was found as % 83 while the ACC rate of LDA and RFC algorithms was determined as % 85. According to Shap analysis, the variable with the highest degree of effect was found as BOW. The study has determined the sex with high accuracy at the ratios of 0.83 and 0.85 through using the variables of the orbital CT images, and the related morphometric data of the population under question was acquired, emphasizing the racial variation.

ABSTRACT Artificial intelligence is being widely used in various fields of medicine. The aim of this review is to describe the main applications, opportunities and challenges of AI in medicine by providing an overview of the current context. An overview of the literature was conducted, identifying the most up-to-date and relevant information on the topic. The electronic databases PubMed, Scopus and SciELO were consulted, from January 2019 to March 2024, in both English and Spanish. Systematic and non-systematic literature reviews, scoping reviews, original articles and book chapters were included. Duplicate articles, unclear scientific papers, those of low scientific rigour and grey literature were excluded. The implementation of artificial intelligence in medicine has brought remarkable benefits, ranging from the recording of medical information to the discovery of new drugs. It has generated a revolution in the traditional way of doing medicine. On the other hand, it has brought with it challenges in terms of accuracy, reliability, ethics, privacy, among others. It is crucial to maintain a patient-centred approach and ensure that these technologies are used to improve health outcomes and promote equity in access to care. Collaboration between healthcare professionals, researchers, regulators and technology developers will be critical to address these challenges and realise the full potential of artificial intelligence.

RESUMEN La inteligencia artificial se está usando ampliamente en diversos campos de la medicina. El objetivo de esta revisión es describir las principales aplicaciones, oportunidades y desafíos de la inteligencia artificial en medicina brindando una perspectiva del contexto actual. Se realizó una revisión narrativa de la literatura, identificando la información más actualizada y relevante sobre el tema. Se consultaron las bases de datos electrónicas PubMed, Scopus y SciELO, desde enero de 2019 a marzo de 2024, tanto en inglés como en español. Se incluyeron revisiones sistemáticas y no sistemáticas de la literatura, scoping reviews, artículos originales y capítulos de libros. Se excluyeron artículos duplicados, trabajos científicos poco claros, aquellos de bajo rigor científico y literatura gris. La implementación de la inteligencia artificial en medicina ha traído consigo notables beneficios, que van desde el registro de información médica hasta el descubrimiento de nuevos fármacos. Ha generado una revolución en la forma tradicional de hacer medicina. Por otro lado, ha traído consigo desafíos en materia de precisión, confiabilidad, ética, privacidad, entre otros. Es crucial mantener un enfoque centrado en el paciente y garantizar que estas tecnologías se utilicen para mejorar los resultados en salud y promover la equidad en el acceso a la atención médica. La colaboración entre profesionales de la salud, investigadores, entidades reguladoras y desarrolladores de tecnología será fundamental para enfrentar estos desafíos y aprovechar todo el potencial de la inteligencia artificial.

Abstract: The primary objectives of this research study are to provide a detailed description of machine learning (ML) technology when applied to assessing innovation and to design a model that allows predicting an institution’s degree of innovation. Machine learning technology lacks assumptions or preconceptions and is capable of processing a large amount of data and variables. After data processing, the ML model is built using variables associated with educational context, training is performed, and a web is built to predict the degree of innovation of an educational institution. This model provides an innovation accuracy prediction of 66% and allows assessing the influence of the variables analyzed when predicting the use of active methodologies at a given institution. In conclusion, this approach can open new data analysis techniques supported by ML that complement traditional statistically based approaches.

Resumen: Los principales objetivos de esta investigación son proporcionar una descripción detallada de la tecnología de aprendizaje automático (ML, por sus siglas en inglés) aplicada a la medición de la innovación y diseñar un modelo que permita predecir el grado de innovación en una determinada institución. La tecnología ML carece de suposiciones o preconcepciones y es capaz de procesar una gran cantidad de datos y variables. Tras procesar los datos, se construye el modelo ML empleando variables asociadas al contexto educativo, se realiza el entrenamiento y se construye una web para predecir el grado de innovación de una institución educativa. El modelo proporciona una precisión del 66% en la predicción de la innovación y permite discutir la influencia de las variables analizadas a la hora de predecir el uso de metodologías activas en una institución. En conclusión, este enfoque puede abrir nuevas técnicas de análisis de datos apoyadas en ML que complementen los enfoques tradicionales basados en la estadística.

Abstract This study presents a Systematic Literature Review (SLR) on artificial intelligence (AI) techniques applied to electric power prediction. The specialized databases employed in this review are Scopus, IEEE, ACM, and Google Scholar. This analysis provided a perspective on the artificial intelligence techniques utilized in this field, facilitating the identification of current and emerging trends. This offers a clear understanding of upcoming opportunities to enhance accuracy in electric power prediction and decision-making. A notable finding of this review was the predominant usage of Artificial Neural Networks (ANN) as the most prevalent technique in Machine Learning applied to electric power prediction. This preference is justified by the inherent ability of ANN to identify complex patterns and relationships in data, making them a valuable tool for electric power prediction. Additionally, the importance of essential factors in electric power prediction is highlighted, such as the significance of collecting relevant and representative data, encompassing historical and contextual information. Data preprocessing, which involves cleaning and transforming collected data to adequately prepare them for analysis and modeling, and data splitting, crucial for avoiding biases and accurately evaluating the predictive capability of the model, are also emphasized.

Resumen Este estudio presenta una Revisión Sistemática de la Literatura (RSL) sobre las técnicas de inteligencia artificial (IA) aplicadas para la predicción de energía eléctrica. Las bases de datos especializadas que se emplearon en esta revisión son Scopus, IEEE, ACM y Google Scholar. Este análisis ofreció una perspectiva sobre las técnicas de inteligencia artificial utilizadas en este campo, lo que facilitó la identificación de las tendencias presentes y en desarrollo. Esto proporciona una comprensión clara de las oportunidades venideras para mejorar la precisión en la predicción de la energía eléctrica y, en consecuencia, en la toma de decisiones. Un hallazgo destacado de esta revisión fue el predominio del uso de redes neuronales artificiales (RNA) como la técnica más prevalente dentro del campo de Machine Learning aplicado a la predicción de energía eléctrica. Esta preferencia se justifica por la capacidad inherente de las RNA para identificar patrones complejos y relaciones en los datos, lo que las convierte en una herramienta valiosa para la predicción de energía eléctrica. Además, se destaca la importancia de varios factores fundamentales en la predicción de energía eléctrica, como la importancia de recolectar datos relevantes y representativos, que abarquen tanto información histórica como contextual. El preprocesamiento de datos, el cual implica la limpieza y transformación de los datos recopilados para prepararlos adecuadamente para su análisis y modelado y la división de datos, crucial para evitar sesgos y evaluar de manera precisa la capacidad predictiva del modelo.

ABSTRACT: The precise account of biodiversity in the tropics has prompted the need for extended and accurate forest inventories in mountainous landscapes, where satellite imagery and radiative transfer modeling of forests have acquired much relevance. Last-generation classification algorithms (i.e. machine learning) using terrain information have proven useful for mapping forest types, however, the accuracy of classifications is measured on average over a large extent, and little emphasis has been placed on predicting which illumination configurations could in fact cause high uncertainty in the classification results. This paper presents a 3D modeling approach adapted to the Discrete Anisotropic Radiative Transfer (DART) image simulator, which indicates whether forest types are distinguishable in a set of steep terrain configurations. The approach also describes a comparison of simulated and real forest scenes on slopes at high (4 m) spatial resolution. This method was applied to estimate the spectral separability of three forest types (oak, pine, and high tropical forests) on steep terrain in Mexico. For extreme (low or high) solar incidence angles, the pine and high tropical forests were indistinguishable, and by contrast, they were distinguishable on slopes near to the solar perpendicular plane. As a consequence, to maximize favourable slope configurations, we recommend to incorporate images acquired in the morning and in the afternoon for machine learning classification algorithms.

RESUMEN: El registro preciso de la biodiversidad tropical ha llevado a la necesidad de inventarios forestales extensos y precisos en zonas montañosas, donde las imágenes satelitales y la modelización de transferencia radiativa de los bosques han adquirido mucha relevancia. Los algoritmos de clasificación de imágenes de última generación (i.e. aprendizaje automático), aplicados con información auxiliar del relieve, se han revelado relativamente exitosos para el mapeo de tipos de bosques, sin embargo, la exactitud de la clasificación se mide solamente en promedio sobre áreas extensas, y poca atención se ha vertido en predecir las configuraciones de iluminación que en realidad causan alta incertidumbre en los resultados de la clasificación. En este artículo, se presenta una metodología basada en el simulador de imágenes Discrete Anisotropic Radiative Transfer (DART), para determinar si los tipos de bosque son distinguibles o no en configuraciones de terreno escarpado. Este trabajo describe la comparación de escenas forestales simuladas y reales en imágenes de alta resolución espacial (4 m). El método se aplicó para la estimación de la separabilidad espectral de tres tipos de bosques (encino, pino y selva alta perennifolia) en terrenos escarpados en México. Para ángulos de incidencia solar extremos (muy pequeños o muy grandes), el bosque de pino y la selva alta resultaron indistinguibles, y en contraste, fueron distinguibles en laderas cercanas al plano perpendicular solar. En consecuencia, para incluir un máximo de configuraciones favorables de laderas, recomendamos incorporar imágenes adquiridas en la mañana y en la tarde en el entrenamiento de los algoritmos de aprendizaje automático.

Abstract This article explores the design and application of machine learning techniques to enhance traditional approaches for solving NP-hard optimization problems. Specifically, it focuses on the Last-Mile Routing Research Challenge (LMRRC), supported by Amazon and MIT, which sought innovative solutions for cargo routing optimization. While the challenge provided travel times and zone identifiers, the dependency on these factors raises concerns about the algorithms’ generalizability to different contexts and regions with standard delivery services registries. To address these concerns, this study proposes personalized cost matrices that incorporate both distance and time models, along with the relationships between delivery stops. Additionally, it presents an improved approach to sequencing stops by combining exact and approximate algorithms, utilizing a customized regression technique alongside fine-tuned metaheuristics and heuristics refinements. The resulting methodology achieves competitive scores on the LMRRC validation dataset, which comprises routes from the USA. By carefully delineating route characteristics, the study enables the selection of specific technique combinations for each route, considering its geometrical and geographical attributes. Furthermore, the proposed methodologies are successfully applied to real-case scenarios of last-mile deliveries in Montevideo (Uruguay), demonstrating similar average scores and accuracy on new testing routes. This research contributes to the advancement of last-mile delivery optimization by leveraging personalized cost matrices and algorithmic refinements. The findings highlight the potential for improving existing approaches and their adaptability to diverse geographic contexts, paving the way for more efficient and effective delivery services in the future.

Resumen Este artículo explora el diseño y aplicación de técnicas de aprendizaje automático para mejorar los enfoques tradicionales y así resolver problemas de optimización NP-hard. En particular, se enfoca en el Last-Mile Routing Research Challenge (LMRRC), apoyado por Amazon y MIT, que buscaba soluciones innovadoras para la optimización de rutas de carga. Si bien el desafío proporcionó tiempos de viaje e identificadores de zona, la dependencia de estos factores plantea preocupaciones sobre la generalización de los algoritmos a diferentes contextos y regiones con registros de servicios de entrega estándar. Para abordar estas interrogantes, este estudio propone matrices de costos personalizadas que incorporan modelos de distancia y tiempo, junto con las relaciones entre las paradas de entrega. Además, presenta enfoques mejorados para la secuenciación de paradas mediante la combinación de algoritmos exactos y aproximados, utilizando técnicas de regresión personalizada junto con metaheurísticas y refinamientos heurísticos ajustados. La metodología resultante logra puntajes competitivos en el conjunto de datos de validación LMRRC, que usa rutas de EE. UU. Al delinear cuidadosamente las características de la ruta, el estudio permite la selección de combinaciones de técnicas específicas para cada ruta, considerando sus atributos geométricos y geográficos. Además, las metodologías propuestas se aplican con éxito a escenarios de casos reales de entregas en Montevideo (Uruguay), demostrando puntajes promedio y precisión similares en nuevas rutas de prueba. Esta investigación contribuye al avance de la optimización de la entrega de última milla al aprovechar matrices de costos personalizadas y refinamientos algorítmicos. Los hallazgos resaltan el potencial para mejorar los enfoques existentes y su adaptabilidad a diversos contextos geográficos, allanando el camino para servicios de entrega más eficientes y efectivos en el futuro.

ABSTRACT Random Forest approaches have been used in phenotyping at both morphological and metabolic levels and in genomics studies, but direct applications in practical situations of plant genetics and breeding are scarce. Random Forest was compared with Discriminant Analysis for its ability in classifying tomato individuals belonging to different breeding populations, exclusively based on phenotypic fruit quality traits. In order to take into account different steps in breeding programs, two populations were assayed. One was composed by a set of RILs derived from an interspecific tomato cross, and the other was composed by two of these RILs and the corresponding F1, F2 and backcross generations. Being tomato an autogamous species, the first population was considered a final step in breeding programs because promising genotypes are being evaluated for putative commercial release as new cultivars. Meanwhile, the second one, in which new variation is being generated, was considered as an initial step. Both Random Forest and Discriminant Analysis were able to classify populations with the aim of evaluating general variability and identifying the traits that most contribute to this variability. However, overall errors in classification were lower for Random Forest. When comparing the adequacy of classification between populations, errors of both statistical analyses were greater in the second population than in the first one, though Random Forest was more precise than Discriminant Analysis even in this initial step of plant breeding programs. Random Forest allowed breeders to get a reliable classification of tomato individuals belonging to different breeding populations.

RESUMEN Los enfoques de Random Forest se han utilizado en la fenotipificación, tanto a nivel morfológico como metabólico, y en estudios de genómica, pero las aplicaciones directas en situaciones prácticas de fitomejoramiento y genética son escasas. Random Forest se comparó con el Análisis Discriminante por su capacidad en la clasificación de individuos de tomate pertenecientes a diferentes poblaciones de mejoramiento, exclusivamente en función de los rasgos fenotípicos de calidad de la fruta. Para tener en cuenta los diferentes pasos en los programas de mejoramiento, se ensayaron dos poblaciones. Una estaba compuesta por un conjunto de RILs derivadas de un cruce interespecífico de tomate, y la otra estaba compuesta por dos de estas RILs y las correspondientes generaciones F1, F2 y retrocruzas. Siendo el tomate una especie autógama, la primera población se consideró un paso final en los programas de mejoramiento porque se están evaluando genotipos prometedores para su lanzamiento comercial putativo como nuevos cultivares. Mientras tanto, la segunda, en la que se está generando nueva variación, se consideró como un paso inicial. Tanto Random Forest como Análisis Discriminante pudieron clasificar poblaciones con el objetivo de evaluar la variabilidad general e identificar los rasgos que más contribuyen a esta variabilidad. Sin embargo, los errores generales en la clasificación fueron menores para Random Forest. Al comparar la adecuación de la clasificación entre poblaciones, los errores de ambos análisis estadísticos fueron mayores en la segunda población que en la primera, aunque Random Forest fue más preciso que el Análisis Discriminante incluso en este paso inicial de los programas de fitomejoramiento. Random Forest permitió a los criadores obtener una clasificación fiable de individuos de tomate pertenecientes a diferentes poblaciones de cría.

Abstract The current article explores the causes of financial inclusion among the Mexican population. It leverages data from the Encuesta Nacional de Inclusión Financiera (ENIF) (INEGI, 2021) to develop two machine learning models aimed at identifying individuals who are part of the financial system. These models are assessed using both artificial intelligence methodologies and traditional statistical significance tests. The findings suggest that factors such as education level, monthly income, future-oriented behavioral preferences over present ones, saving capacity, and access to smartphones are significant drivers that enhance the likelihood of financial inclusion. Consequently, there is a potential for implementing public policies to incentivize individuals to voluntarily adopt formal financial services.

Resumen El presente artículo explora las causas de la inclusión financiera entre la población mexicana. Con datos de la Encuesta Nacional de Inclusión Financiera (ENIF) (INEGI, 2021) desarrolla dos modelos de aprendizaje automático con el objetivo de identificar a individuos que forman parte del sis tema financiero. Estos modelos son evaluados valiéndose tanto de metodologías de inteligencia artificial como de pruebas estadísticas de significancia tradicionales. Los hallazgos sugieren que factores como nivel educativo, ingreso mensual, preferencias orientadas hacia el futuro sobre las presentes, capacidad de ahorro y acceso a teléfonos inteligentes son impulsores significativos que aumentan la probabilidad de inclusión financiera. En consecuencia, existe un potencial para la implementación de políticas públicas dirigidas a incentivar a los individuos para que adopten voluntariamente servicios financieros formales.

Abstract This paper investigates trends in antiretroviral medication prices and their impact on public health in Mexico during 2019. Using three machine learning models developed in Python (logistic regression, random forest, and K-Nearest Neighbors or KNN), this study discerns increasing or decreasing patterns in antiretroviral (ARV) drug price fluctuations using a dataset comprising 15,220 observations of ARV drugs acquired between 2016 and 2019. Results indicate that random forests exhibited the highest precision in predicting price changes, followed by KNN and logistic regression. Significant factors affecting acquisition prices, such as drug type and duration of procurement strategy, were identified. In addition to analyzing price trends, the paper explores the budgetary considerations associated with these fluctuations, providing insights into the financial implications for healthcare systems and stakeholders. It is important to note that this paper focuses on a specific ARV pharmaceutical purchasing scheme. Moreover, the study emphasizes the creation of a unified and detailed medication price database, highlighting the significant effort invested in compiling complete and comprehensive information from various sources. This study’s findings underscore the effectiveness of initiatives such as consolidated purchasing approaches and the integration of newer, cost-effective medications into treatment protocols. These initiatives have led to significant cost savings in antiretroviral medication procurement, contributing to improved access for individuals living with HIV/AIDS. Overall, the research highlights the importance of data-driven approaches and strategic planning in optimizing pharmaceutical purchasing processes and ensuring sustainable access to essential medications for public health interventions.

Resumen Este trabajo examina las tendencias en los precios de medicamentos antirretrovirales y su impac to en la salud pública, centrándose en el contexto mexicano en 2019. Por medio de técnicas de aprendizaje automático, el estudio analiza las fluctuaciones en los precios de los medicamentos antirretrovirales, con base en un conjunto de datos que comprende 15,220 observaciones de medicamentos antirretrovirales (ARV) adquiridos entre 2016 y 2019, con énfasis particular en el año 2019. Los resultados indican que los “bosques aleatorios” demostraron la mayor precisión en la predicción de cambios de precios, seguidos por K-Nearest Neighbors o KNN (algoritmo de k vecinos más próximos) y la regresión logística. Se identificaron factores significativos que afectan los precios de adquisición, como el tipo de medicamento y la duración de la estrategia de adqui sición. Además, el estudio profundiza en las consideraciones presupuestarias, evaluando las im plicaciones financieras de estas fluctuaciones de precios. Estos hallazgos destacan la efectividad de iniciativas como los enfoques de adquisición consolidada y la integración de medicamentos más nuevos y rentables en los protocolos de tratamiento, lo que conduce a ahorros significativos y mejor acceso para las personas que viven con VIH/sida. Es importante destacar que este artículo se centra en analizar un esquema específico de adquisición de medicamentos antirretrovirales. Los estudios futuros ampliarán este análisis para abarcar un espectro más amplio de esquemas de adquisición de medicamentos, proporcionando así una comprensión más completa de la di námica de fijación de precios y sus implicaciones para la salud pública. Además, la investigación en curso perfeccionará la metodología e integrará fuentes de datos adicionales para mejorar la precisión y profundidad del análisis.

Abstract: Following the economic complexity methodology introduced by Hausmann et al. (2013), this study establishes an order of crime evolution in Mexico. This ordering is based on the complexity of crimes, as determined by the capabilities required to commit them. According to the study, the least complex crimes in Mexico include robbery in collective public transport, robbery in individual transport, counterfeiting, and auto parts theft. On the other hand, the crimes characterized by the highest complexity involve organized crime, intentional and unintentional homicide, and the trafficking of minors. Furthermore, the analysis reveals that femicide and rape exhibit the most significant centrality or influence within the criminal network. According to the model, crimes associated with violence against women are those that most increase the probability of committing another crime. Therefore, targeted prevention efforts aimed at reducing femicide and rape may substantially impact overall levels of criminality in Mexico. This study also highlights the importance of addressing violence against women in designing crime prevention policies in Mexico. Moreover, the methodology adopted in this study can be reinterpreted as a spectral clustering algorithm and thus also contributes to the literature on machine learning applications in public policy design.

Resumen: Bajo la metodología de complejidad económica propuesta por Hausmann et al. (2013), esta investigación estableció un ordenamiento de la evolución del crimen en México. Este ordenamiento se basa en la complejidad de los delitos, determinada por las capacidades requeridas para cometerlos. De acuerdo con esta investigación, los delitos con menor complejidad en México incluyen el robo en transporte público colectivo, robo en transporte individual, falsificación y robo de autopartes. Por otro lado, los delitos con mayor complejidad están relacionados con el crimen organizado, el homicidio intencional e involuntario y el tráfico de menores. Además, el análisis reveló que el feminicidio y la violación exhiben la centralidad o influencia más significativa dentro de la red criminal. Según el modelo, los delitos asociados con la violencia contra las mujeres son los que más aumentan la probabilidad de cometer otro delito. Por lo tanto, los esfuerzos de prevención dirigidos a reducir el feminicidio y la violación pueden tener un impacto sustancial en los niveles generales de criminalidad en México. Este estudio también destaca la importancia de abordar la violencia contra las mujeres en el diseño de políticas de prevención del delito en México. Además, la metodología adoptada en este estudio puede ser reinterpretada como un algoritmo de agrupamiento espectral y, por lo tanto, también contribuye a la literatura sobre aplicaciones de aprendizaje automático en el diseño de políticas públicas.

Resumo Enquadramento: a implementação de tecnologias baseadas em Inteligência Artificial (IA) na área da saúde, nomeadamente o machine learning (ML), tem causado um efeito transformacional significativo. A sua utilização melhora a previsão de doenças, classificação e diagnóstico, beneficiando os utentes e os profissionais de saúde. Objetivo: mapear as ferramentas de ML para a gestão de doenças crónicas, com relevância para os cuidados de enfermagem à pessoa com doença crónica. Metodologia: scoping review com base nas recomendações do Instituto Joanna Briggs. A pesquisa foi efetuada nas bases de dados MEDLINE Complete via PUBMED, CINAHL Complete via EBSCO, SCOPUS, OpenGrey, RCAAP e DART-Europe, sem limite de temporal. Resultados: foram incluídos sete artigos e identificadas 9 ferramentas de ML associados à gestão de doenças crónicas nomeadamente doença renal crónica, doença pulmonar obstrutiva crónica, hepatite C, insuficiência cardíaca e insuficiência venosa crónica. Conclusão: as ferramentas identificadas têm potencial de contribuir para a melhoria dos cuidados de enfermagem, nomeadamente na identificação de fatores de risco associados a doenças crónicas, detetar precocemente exacerbações, monitorizar e avaliar continuamente a eficácia do tratamento e apoiar a tomada de decisões clínicas.

Resumen Marco contextual: la implantación de tecnologías basadas en Inteligencia Artificial (IA) en el sector sanitario, en particular el aprendizaje automático (AM), ha tenido un importante efecto transformador. Su uso mejora la predicción, clasificación y diagnóstico de enfermedades, beneficiando tanto a los usuarios como a los profesionales sanitarios. Objetivo: mapear las herramientas de ML para la gestión de enfermedades crónicas, con relevancia para los cuidados de enfermería a personas con enfermedades crónicas. Metodología: revisión de alcance basada en las recomendaciones del Instituto Joanna Briggs. Se utilizaron las bases de datos MEDLINE Complete vía PUBMED, CINAHL Complete vía EBSCO, SCOPUS, OpenGrey, RCAAP y DART-Europe, sin límite de tiempo. Resultados: se incluyeron siete artículos y se identificaron 9 herramientas de IA asociadas a la gestión de enfermedades crónicas, a saber, la enfermedad renal crónica, la enfermedad pulmonar obstructiva crónica, la hepatitis C, la insuficiencia cardiaca y la insuficiencia venosa crónica. Conclusión: las herramientas identificadas tienen potencial para contribuir a la mejora de los cuidados de enfermería, especialmente en la identificación de factores de riesgo asociados a enfermedades crónicas, la detección precoz de exacerbaciones, el seguimiento continuo y la evaluación de la eficacia del tratamiento y el apoyo a la toma de decisiones clínicas.

Abstract Introduction : Autism Spectrum Disorder (ASD) is a neurodevelopmental condition which traditional as sessment procedures encounter certain limitations. The current ASD research field is exploring and endorsing innovative methods to assess the disorder early on, based on the automatic detection of biomarkers. How ever, many of these procedures lack ecological validity in their measurements. In this context, virtual reality (VR) shows promise for objectively recording biosignals while users experience ecological situations. Methods : This study outlines a novel and playful VR procedure for the early assessment of ASD, relying on multimodal biosignal recording. During a VR experience featuring 12 virtual scenes, eye gaze, motor skills, elec trodermal activity and behavioural performance were measured in 39 children with ASD and 42 control peers. Machine learning models were developed to identify digital biomarkers and classify autism. Results : Biosignals reported varied performance in detecting ASD, while the combined model resulting from the combination of specific-biosignal models demon strated the ability to identify ASD with an accuracy of 83% (SD = 3%) and an AUC of 0.91 (SD = 0.04). Discussion : This screening tool may support ASD diagnosis by reinforcing the outcomes of traditional assessment procedures.

Resumen Introducción : El Trastorno del Espectro Autista (TEA) es un trastorno del neurodesarrollo, y sus procedimien tos tradicionales de evaluación encuentran ciertas li mitaciones. El actual campo de investigación sobre TEA está explorando y respaldando métodos innovadores para evaluar el trastorno tempranamente, basándose en la detección automática de biomarcadores. Sin embargo, muchos de estos procedimientos carecen de validez ecológica en sus mediciones. En este contexto, la reali dad virtual (RV) presenta un prometedor potencial para registrar objetivamente bioseñales mientras los usuarios experimentan situaciones ecológicas. Métodos : Este estudio describe un novedoso y lúdi co procedimiento de RV para la evaluación temprana del TEA, basado en la grabación multimodal de bio señales. Durante una experiencia de RV con 12 esce nas virtuales, se midieron la mirada, las habilidades motoras, la actividad electrodermal y el rendimiento conductual en 39 niños con TEA y 42 compañeros de control. Se desarrollaron modelos de aprendizaje automático para identificar biomarcadores digitales y clasificar el autismo. Resultados : Las bioseñales reportaron un rendimien to variado en la detección del TEA, mientras que el modelo resultante de la combinación de los modelos de las bioseñales demostró la capacidad de identificar el TEA con una precisión del 83% (DE = 3%) y un AUC de 0.91 (DE = 0.04). Discusión : Esta herramienta de detección pue de respaldar el diagnóstico del TEA al reforzar los resultados de los procedimientos tradicionales de evaluación.

Abstract Tree diseases contribute to significant economic and food losses in the agricultural sector. Early detection of phytosanitary problems in trees with non-destructive methods is essential to guarantee sustainable orange production. This study presents the findings of a designed methodology conducted to identify diseased orange trees in an orchard situated in the citrus belt of Mexico, specifically in the Rioverde region of San Luis Potosi. To accomplish this, we captured images using a multispectral camera with very high spatial resolution, which was mounted on an unmanned aerial vehicle. These images were used to construct a georeferenced orthomosaic of the orchard. Six thematic classes were established to distinguish various health levels among the trees. We employed several supervised classification algorithms at the pixel level, including Random Forest (RF), K-Nearest Neighbor (KNN), Spectral Angle Mapper (SAM), Support Vector Machine (SVM), and Maximum Likelihood (ML). Considering the classification accuracy achieved by each algorithm, they can be ranked as follows: Maximum Likelihood (ML) with 88.10%, Support Vector Machine (SVM) with 77.38%, Spectral Angle Mapper (SAM) with 76.19%, K-Nearest Neighbor (KNN) with 64.68%, and Random Forest (RF) with 61.90%. These results successfully identified the phytosanitary status of all the trees in the orchard with an acceptable level of accuracy, providing valuable management information for the grower.

Resumen Las enfermedades de los árboles contribuyen a importantes pérdidas económicas y de alimentos en el sector agrícola. La detección temprana de problemas fitosanitarios en árboles con métodos no destructivos resulta fundamental para garantizar la producción sostenible de naranja. Este trabajo presenta los resultados de una metodología diseñada para la identificación de árboles de naranja enfermos en una huerta ubicada en el cinturón citrícola de México, particularmente en la región de Rioverde, San Luis Potosí. Para ello, se tomaron imágenes con una cámara multiespectral de muy alta resolución espacial instalada en un vehículo aéreo no tripulado con las que se construyó un ortomosaico georreferenciado. Se emplearon seis clases temáticas para identificar los diferentes niveles de sanidad. Se utilizaron diferentes algoritmos de clasificación supervisada a nivel píxel que incluyen Random Forest (RF), K-Nearest Neighbor (KNN), Spectral Angle Mapper (SAM), Support Vector Machine (SVM), y Maximum Likelihood (ML). Considerando la exactitud de clasificación obtenida por cada uno de los algoritmos, se pueden ordenar de la siguiente manera: Maximum Likelihood (ML) con un 88,10%, Support Vector Machine (SVM) con un 77,38%, Spectral Angle Mapper (SAM) con un 76,19%, K-Nearest Neighbor (KNN) con un 64,68% y Random Forest (RF) con un 61,90%. Los resultados permitieron identificar el estado fitosanitario de todos los árboles de la huerta, con una exactitud aceptable y representan información valiosa de manejo para el productor.