Resumo: Objetivo: determinar habilidades e conhecimentos sobre as tecnologias da informação e comunicação (TIC) dos calouros no curso de bacharelado em enfermagem em uma instituição pública de ensino superior na cidade de Bahía Blanca, província de Buenos Aires, Argentina. Metodologia: estudo observacional, descritivo, transversal e quantitativo. Foi utilizado um instrumento composto por 59 perguntas com opções de resposta fechada para avaliar as competências digitais dos calouros do curso. Resultados: Participaram 386 estudantes, em sua maioria do gênero feminino (85,49 %), do primeiro ciclo estudantil (74,35 %) e com idade igual ou inferior a 20 anos (47,15 %). 98,19 % tinham acesso à internet, 79,27 % tinham computador e mais de 80 % usavam amplamente as redes sociais (WhatsApp, Instagram) e o e-mail. Os calouros se auto-avaliaram competentes no programa MS Word, enquanto no MS Excel se declararam menos competentes. Há desconhecimento e baixo desenvolvimento de habilidades para gerar conteúdo e uma ampla demonstração de habilidades para pesquisar e baixar informações da web. A idade, o gênero, o tempo diário de uso da Internet e o ciclo de ingresso estudantil mostraram relação com o domínio das ferramentas digitais aplicadas à educação. Conclusões: Foi identificado um desenvolvimento intermediário de competências digitais aplicadas à educação, o que poderia demandar a concepção de programas que nivelem essas competências durante o processo de admissão ou durante a formação.

Abstract: Objective: To determine the skills and knowledge about information and communication technologies (ICT) of entrants to the Bachelor’s Degree in Nursing at a public higher institution in Bahía Blanca, Province of Buenos Aires, Argentina. Methodology: Observational, descriptive, transversal and quantitative study. An instrument was implemented consisting of 59 questions with closed response options aimed at assessing digital competencies in those entering the career. Results: 386 entrants participated, mostly female (85.49 %), from the first cycle (74.35 %) and 20 years old or younger (47.15%). 98.19 % had access to the internet, 79.27 % have a computer and more than 80 % have extensive use of social networks (WhatsApp, Instagram) and email. The entrants evaluated themselves as competent in the MS Word program, while in MS Excel they declared themselves less competent. There is a lack of knowledge and low development of skills to generate content and a wide range of skills to search and download information from the web. Age, gender, daily time of Internet use and entry cycle showed a relationship with the mastery of digital tools applied to education. Conclusions: An intermediate development of digital competencies applied to education was identified, and a high one for the use of social networks. The variables age, gender, daily time of Internet use and entry cycle were related to the knowledge and skills for using ICT applied to education.

Resumen: Objetivo: Determinar las habilidades y conocimientos sobre las tecnologías de la información y la comunicación (TIC) de los ingresantes a la carrera de Licenciatura en Enfermería de una institución superior pública de Bahía Blanca, Provincia de Buenos Aires, Argentina. Metodología: Estudio observacional, descriptivo, transversal y cuantitativo. Se implementó un instrumento conformado por 59 preguntas con opciones de respuesta cerrada orientado a valorar las competencias digitales en los ingresantes a la carrera. Resultados: Participaron 386 ingresantes, mayormente de género femenino (85.49 %), del primer ciclo (74.35 %) y con 20 años o menos de edad (47.15 %). El 98.19 % tenía acceso a internet, el 79.27 % tiene computadora y más del 80 % tiene un amplio uso de redes sociales (WhatsApp, Instagram) y correo electrónico. Los ingresantes se autoevaluaron competentes en el programa MS Word, mientras que en MS Excel se declararon menos competentes. Hay desconocimiento y bajo desarrollo de habilidades para generar contenido, y un amplio despliegue de habilidades para buscar y descargar información de la web. La edad, el género, el tiempo diario de uso de internet y el ciclo de ingreso mostraron relación con el dominio de las herramientas digitales aplicadas a la educación. Conclusiones: Se identificó un desarrollo intermedio de competencias digitales aplicadas a la educación, lo que podría ameritar el diseño de programas que nivelen estas habilidades durante el proceso de ingreso o durante la formación.

Abstract: This research presents a novel trajectory generation algorithm and the design of a prescribed time controller for trajectory tracking tasks for autonomous vehicles. The trajectory generation algorithm uses a hybrid combination of computer vision techniques and intelligent rail detection methods using an on-board camera. Based on the previous information, a possible trajectory is then generated that the vehicle should follow. A time-prescribed controller is then developed and implemented to track the trajectory generated by the proposed methodology. The controller uses a hybrid structure in which a time-varying feedback controller transitions into a fixed-time controller. This approach achieves stabilization in the prescribed time despite the initial conditions. To address the trajectory design, a scaled autonomous vehicle simulator was used to then evaluate the prescribed time controller compared to a finite time controller and a dynamic feedback controller. The simulation results demonstrate the effectiveness of trajectory generation and trajectory tracking control algorithms in addressing these challenges in real-world scenarios by examining two situations: unperturbed and perturbed cases.

Resumen La detección y el diagnóstico de diabetes e hipertensión presentan un escenario desafiante, principalmente en etapas tempranas. Estos dos son degenerativos y de graves consecuencias, provocando daños en múltiples órganos, incluidos los ojos. El oftalmólogo examina el fondo de la retina para discriminar el tipo de enfermedad. En el caso de la retinopatía, como enfermedad crónica, se evidencia en varias clases de progresión. La retinopatía diabética se clasifica en cuatro, que incluyen etapas leve, moderada, grave y proliferativa. En la etapa proliferativa, la retina produce factores vasoproliferativos que estimulan el crecimiento de nuevos vasos sanguíneos, aumentando el riesgo de pérdida de visión. En cuanto a la retinopatía hipertensiva, el método de clasificación más utilizado es la clasificación de Keith-Wagener-Barker. Similar a la retinopatía diabética, también consta de cuatro clases, que van de leves a graves. En la etapa grave, existe un mayor riesgo de desarrollar papiledema o edema retiniano. El objetivo principal de esta investigación es realizar la segmentación y clasificación de imágenes de fondo de retina con retinopatía diabética e hipertensiva. Se propuso una combinación de una red convolucional UNet y una ConvNet para la segmentación de máscara de vasos y la clasificación de retinopatía, respectivamente. El proceso de clasificación se basa en diez clases definidas, donde los valores que van del 0 al 4 representan la retinopatía diabética y los valores del 5 al 9 corresponden a la retinopatía hipertensiva. Los resultados aproximados en la segmentación fueron índices Jaccard de 74%, F1 de 85% y un Accuracy de 96%, y en la clasificación un Accuracy de 80%.

Abstract The detection and diagnosis of diabetes and hypertension present a challenging scenario, mainly in the early stages. These two are degenerative and with severe consequences, causing damage to multiple organs, including the eyes. The ophthalmologist examines the retinal fundus to discriminate between the type of disease. In the case of retinopathy, as a chronic disease, evidence in various classes of progression. Diabetic retinopathy is categorized into four, which include mild, moderate, severe, and proliferative stages. In the proliferative stage, the retina produces vasoproliferative factors that stimulate the growth of new blood vessels, increasing the risk of vision loss. As for the hypertensive retinopathy the most widely used method for classifying is the Keith-Wagener-Barker classification. Like diabetic retinopathy, it consists also of four classes, ranging from mild to severe. In the severe stage, there is an increased risk of developing papilledema or retinal edema. The main objective of this research is to perform segmentation and classification of diabetes and hypertensive retinopathy retinal fundus images. Using a combination of a convolutional network UNet and a ConvNet was proposed for vessel mask segmentation and retinopathy classification, respectively. The classification process relies on ten defined classes, where values ranging from 0 to 4 represent diabetic retinopathy, and values ranging from 5 to 9 correspond to hypertensive retinopathy. The approximate results in the segmentation were Jaccard index of 74%, F1 of 85%, and an Accuracy of 96%, and in the classification was Accuracy of 80%.

Coronavirus-19 (COVID-19) pandemic caused major disruptions to the education sector, with detrimental effects on the supervision of postgraduate students and their success. Higher education institutions (HEIs) shut down to observe COVID-19 protocols and minimise the spread of the virus. University closures forced postgraduate-supervision processes to be conducted online, resulting in students experiencing many challenges, such as, loss of social networks and social interaction, lack of access to university computer laboratories and software, inability to collect face-to-face data, and wellness and mental problems. Whereas abundant research exists on COVID-19, little is known about factors that contributed to postgraduate students' success during the COVID-19 pandemic. This qualitative case study reports on the factors that promoted student success during the COVID-19 pandemic, from the perspective of 23 postgraduate students. Data were collected through an online questionnaire and analysed through colour-coding and thematic categorisation. Results revealed that both students and supervisors contributed to the success of postgraduate students. They also showed that some students possessed certain attributes that enhanced their success, as well as that some postgraduate supervisors employed novel approaches to students' supervision that promoted students' success. This article encourages HEIs to leverage these factors to promote postgraduate student success beyond the COVID-19 pandemic.

ABSTRACT Percutaneous coronary intervention (PCI) is one of the primary revascularization strategies in patients with coronary artery disease (CAD). Several studies support the use of intravascular imaging methods to optimize PCI. However, these methods are underutilized in contemporary clinical practice and face challenges in data interpretation. Therefore, the incorporation of artificial intelligence (AI) is seen as an attractive solution to promote and simplify their use. AI can be defined as a computer program that mimics the human brain in its ability to collect and process data. Machine learning is a sub-discipline of AI that involves the creation of algorithms capable of analyzing large datasets without making prior assumptions, while deep learning focuses on the construction and training of deep and complex artificial neural networks. The incorporation of AI systems to intravascular imaging methods improves the accuracy of PCI, reduces procedure duration, and minimizes interobserver variability in data interpretation. This promotes their wider adoption and facilitates their use. The aim of this review is to highlight how current AI-based systems can play a key role in the interpretation of data generated by intravascular imaging methods and optimize PCI in patients with CAD.

RESUMEN La angioplastia transluminal coronaria (ATC) es una de las principales estrategias de revascularización en pacientes con enfermedad coronaria aterosclerótica (ECA). Numerosos estudios respaldan la optimización de la ATC mediante métodos de imagen endovascular; sin embargo, estos métodos son subutilizados en la práctica clínica contemporánea y enfrentan desafíos en la interpretación de los datos obtenidos, por lo que la integración de la inteligencia artificial (IA) se vislumbra como una solución atractiva para promover y simplificar su uso. La IA se define como un programa computarizado que imita la capacidad del cerebro humano para recopilar y procesar datos. El aprendizaje de máquinas es una subdisciplina de la IA que implica la creación de algoritmos capaces de analizar grandes conjuntos de datos sin suposiciones previas, mientras que el aprendizaje profundo se centra en la construcción y entrenamiento de redes neuronales artificiales profundas y complejas. Así, se ha demostrado que la incorporación de sistemas de IA a los métodos de imagen endovascular incrementa la precisión de la ATC, disminuye el tiempo del procedimiento y la variabilidad interobservador en la interpretación de los datos obtenidos, promueve así una mayor adopción y facilita su utilización. El propósito de la presente revisión es destacar cómo los sistemas actuales basados en IA pueden desempeñar un papel fundamental en la interpretación de los datos generados por los métodos de imagen endovascular, lo que conduce a una mejora en la optimización de la ATC en pacientes con ECA.

Abstract Unmanned Aerial Vehicles (UAVs), often called drones, have gained progressive prevalence for their swift operational ability as well as their extensive applicability in diverse real-world situations. Of late, UAV usage in precision agriculture has attracted much interest from scientific community. This study will look at drone aid in precise farming. Big data has the ability to analyze enormous amounts of data. Due to this, it is one of the diverse crucial technologies of Information and Communication Technology (ICT) which had applied in precision agriculture for the abstraction of critical information as well as for assisting agricultural practitioners in the comprehension of the most feasible farming practices, and also for better decision-making. This work analyses communication protocols, as well as their application toward the challenge of commanding a drone fleet for protecting crops from infestations of parasites. For computer-vision tasks as well as data-intensive applications, the method of deep learning has shown much potential. Due to its vast potential, it can also be used in the field of agriculture. This research will employ several schemes to assess the efficacy of models includes Visual Geometry Group (VGG-16), the Convolutional Neural Network (CNN) as well as the Fully-Convolutional Network (FCN) in plant disease detection. The methods of Artificial Immune Systems (AIS) can be used in order to adapt deep neural networks to the immediate situation. Simulated outcomes demonstrate that the proposed method is providing superior performance over various other technologically-advanced methods. UAVs, UAVs , (UAVs) drones realworld real world situations late community this ICT (ICT practices decisionmaking. decisionmaking decision making. making decision-making protocols parasites computervision computer vision dataintensive intensive applications potential VGG16, VGG16 VGG 16 (VGG-16) CNN (CNN FullyConvolutional Fully FCN (FCN detection AIS (AIS situation technologicallyadvanced technologically advanced (UAVs VGG1 1 (VGG-16 (VGG-1 (VGG- (VGG

Resumo Os veículos aéreos não tripulados (UAVs), muitas vezes chamados de drones, ganharam prevalência progressiva por sua rápida capacidade operacional, bem como por sua ampla aplicabilidade em diversas situações do mundo real. Ultimamente, o uso de UAV na agricultura de precisão tem atraído muito interesse da comunidade científica. Este estudo analisará a ajuda de drones na agricultura de precisão. O big data tem a capacidade de analisar enormes quantidades de dados. Por isso é uma das diversas tecnologias cruciais de tecnologia da informação e comunicação (TIC) que foram aplicadas na agricultura de precisão para a abstração de informações críticas, bem como para auxiliar os praticantes agrícolas na compreensão das práticas agrícolas mais viáveis, e também para uma melhor tomada de decisão. Este trabalho analisa protocolos de comunicação, bem como sua aplicação no desafio de comandar uma frota de drones para proteção de lavouras contra infestações de parasitas. Para tarefas de visão computacional, bem como para aplicações com uso intensivo de dados, o método de aprendizagem profunda mostrou muito potencial. Devido ao seu vasto potencial, também pode ser utilizado na área agrícola. Esta pesquisa empregará vários esquemas para avaliar a eficácia de modelos, incluindo o Grupo de Geometria Visual (VGG-16), a Rede Neural Convolucional (CNN), bem como a Rede Totalmente Convolucional (FCN) na detecção de doenças de plantas. Os métodos de sistemas imunológicos artificiais (AIS) podem ser utilizados para adaptar redes neurais profundas à situação imediata. Os resultados simulados demonstram que o método proposto oferece desempenho superior em relação a vários outros métodos tecnologicamente avançados. UAVs, UAVs , (UAVs) operacional real Ultimamente científica dados TIC (TIC críticas viáveis decisão parasitas computacional potencial agrícola modelos VGG16, VGG16 VGG 16 (VGG-16) CNN, CNN (CNN) FCN (FCN plantas AIS (AIS imediata avançados (UAVs VGG1 1 (VGG-16 (CNN (VGG-1 (VGG- (VGG

RESUMEN Objetivo: validar el contenido y apariencia de un sitio web para adolescentes que viven con Diabetes Mellitus. Método: investigación metodológica basada en el marco teórico DADI (definición, arquitectura, diseño, implementación). En la validación de contenido participaron 16 profesionales de la salud, quienes respondieron a un cuestionario creado mediante Google Forms® con 19 ítems relacionados con objetivos, estructura/presentación, relevancia. La validación de la apariencia del sitio web fue realizada por 12 profesionales de Tecnologías de la Información a través de un cuestionario con 15 ítems divididos en dos dominios (apariencia y diseño). Resultados: el Índice de Validez de Contenido general fue de 0,98, todos los ítems evaluados obtuvieron valores de concordancia > 0,80. El coeficiente Kappa global fue de 0,6374, considerado estadísticamente significativo (valor de p <0,0001). El Índice de Validez de Apariencia presentó un Índice general de 0,91 (por encima de 0,9 se considera validado). Conclusión: el sitio web para adolescentes que viven con Diabetes Mellitus fue validado en contenido y apariencia, configurándose como una tecnología educativa con información segura, necesaria y pertinente para ayudar a los adolescentes que viven con Diabetes Mellitus a comprender esta condición crónica y apoyarlos en el autocuidado de forma segura y efectiva. Objetivo Método definición, definición (definición arquitectura diseño implementación. implementación . implementación) 1 salud Forms objetivos estructurapresentación estructura presentación estructura/presentación relevancia diseño. diseño) Resultados 098 0 98 0,98 080 80 0,80 06374 6374 0,6374 valor <0,0001. 00001 <0,0001 0001 <0,0001) 091 91 09 9 0, validado. validado) Conclusión efectiva 08 8 0,8 0637 637 0,637 0000 <0,000 000 063 63 0,63 <0,00 00 06 6 0,6 <0,0 <0, <0 <

ABSTRACT Objective: to validate the content and appearance of a website for adolescents living with Diabetes Mellitus. Method: this is methodological research based on the DADI (Definition, Architecture, Design, Implementation) theoretical framework. A total of 16 health professionals participated in content validity, who answeres a questionnaire prepared on Google Forms® with 19 items related to objectives, structure/presentation, relevance. Website appearance validity was carried out by 12 Information Technology professionals through a questionnaire with 15 items divided into two domains (appearance and design). Results: the overall Content Validity Index was 0.98, and all items assessed obtained agreement values > 0.80. The overall Kappa coefficient was 0.6374, considered statistically significant (p-value <0.0001). The Appearance Validity Index presented a general index of 0.91 (above 0.9 considered validated). Conclusion: the website for adolescents living with Diabetes Mellitus was validated in terms of content and appearance, creating an educational technology with safe, necessary and pertinent information to help adolescents living with Diabetes Mellitus understand this chronic condition and support them in self-care safely and effectively. Objective Method Definition, Definition (Definition Architecture Design Implementation framework 1 Forms objectives structurepresentation structure presentation structure/presentation relevance design. design . design) Results 098 0 98 0.98 080 80 0.80 06374 6374 0.6374 pvalue p value <0.0001. 00001 <0.0001 0001 <0.0001) 091 91 above 09 9 0. validated. validated) Conclusion safe selfcare self care effectively 08 8 0.8 0637 637 0.637 0000 <0.000 000 063 63 0.63 <0.00 00 06 6 0.6 <0.0 <0. <0 <

RESUMO Objetivo: validar o conteúdo e a aparência de um website para adolescentes que convivem com Diabetes Mellitus. Método: pesquisa metodológica embasada no referencial teórico DADI (definição, arquitetura, design, implementação, avaliação). Participaram da validação de conteúdo 16 profissionais da área da saúde, os quais responderam a um questionário elaborado no Google Forms® com 19 itens, relacionados aos objetivos, estrutura/apresentação, relevância. A validação da aparência do website foi realizada por 12 profissionais da Tecnologia da Informação, por meio de um questionário com 15 itens divididos em dois domínios (aparência e designer). Resultados: o Índice de Validade de Conteúdo geral foi de 0,98, todos os itens avaliados obtiveram valores de concordância >0,80. O coeficiente de Kappa geral foi 0,6374, considerado estatisticamente significativo (p-value<0,0001). O Índice de Validade de Aparência apresentou Índice geral de 0,91 (acima de 0,9 considerado validado). Conclusão: o website para adolescentes que convivem com Diabetes Mellitus foi validado, quanto ao conteúdo e à aparência, configurando-se como uma tecnologia educacional com informações seguras, necessárias e pertinentes para auxiliar os adolescentes que convivem com Diabetes Mellitus na compreensão dessa condição crônica e subsidiá-los para o autocuidado com segurança e eficácia. Objetivo Método definição, definição (definição arquitetura design implementação avaliação. avaliação . avaliação) 1 saúde Forms objetivos estruturaapresentação estrutura apresentação estrutura/apresentação relevância Informação designer. designer designer) Resultados 098 0 98 0,98 080 80 >0,80 06374 6374 0,6374 pvalue<0,0001. pvalue00001 pvalue p value<0,0001 value 0001 (p-value<0,0001) 091 91 acima 09 9 0, validado. validado validado) Conclusão configurandose configurando se seguras subsidiálos subsidiá los eficácia 08 8 >0,8 0637 637 0,637 pvalue<0,0001 pvalue0000 value00001 value<0,000 000 (p-value<0,0001 >0, 063 63 0,63 pvalue<0,000 pvalue000 value0000 value<0,00 00 (p-value<0,000 >0 06 6 0,6 pvalue<0,00 pvalue00 value000 value<0,0 (p-value<0,00 > pvalue<0,0 pvalue0 value00 value<0, (p-value<0,0 pvalue<0, value0 value<0 (p-value<0, pvalue<0 value< (p-value<0 pvalue< (p-value< (p-value

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales. Resumen (SRAG geográficas pacientes tanto 201 2020 COVID19. COVID19 COVID 19. 19 COVID-19 temporales canalización preepidémico, preepidémico pre epidémico, epidémico pre-epidémico R2 R (R 0,97 097 0 97 IC95% IC95 IC 0,950,98, 095098 0,95 0,98, 95 98 0,95-0,98 Sudeste. Sudeste . Sudeste) así 9936 9 936 9.93 Sur 9405 405 9.40 (IC95% 9.1059.738. 91059738 9.105 9.738 105 738 9.105-9.738) 20 202 COVID1 1 COVID-1 0,9 09 IC9 950 0,950,98 09509 095 098 0,98 0,95-0,9 993 93 9.9 940 40 9.4 (IC95 1059 9.1059.738 9105973 9105 9.10 9738 9.73 10 73 9.105-9.738 2 COVID- 0, 0,950,9 0950 0,95-0, 99 9. 94 4 (IC9 9.1059.73 910597 910 9.1 973 9.7 7 9.105-9.73 0,950, 0,95-0 (IC 9.1059.7 91059 91 9.105-9.7 0,950 0,95- 9.1059. 9.105-9. 9.1059 9.105-9 9.105-

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series. Abstract (SARI annually Thus seasons 201 202 used COVID19. COVID19 COVID 19. 19 COVID-19 series tool preepidemic pre epidemic R2 R (R 0.97 097 0 97 95%CI 95CI CI 95 0.950.98, 095098 0.95 0.98, 98 0.95-0.98 Brazil. . Brazil) accordingly 9936 9 936 9,93 9405 405 9,40 (95%CI 9,1059,738. 91059738 9,105 9,738 105 738 9,105-9,738) 20 COVID1 1 COVID-1 0.9 09 950 0.950.98 09509 095 098 0.98 0.95-0.9 993 93 9,9 940 40 9,4 1059 9,1059,738 9105973 9105 9,10 9738 9,73 10 73 9,105-9,738 2 COVID- 0. 0.950.9 0950 0.95-0. 99 9, 94 4 9,1059,73 910597 910 9,1 973 9,7 7 9,105-9,73 0.950. 0.95-0 9,1059,7 91059 91 9,105-9,7 0.950 0.95- 9,1059, 9,105-9, 9,1059 9,105-9 9,105-

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais. Resumo (SRAG anualmente geográficas pacientes Portanto 201 2020 COVID19. COVID19 COVID 19. 19 COVID-19 temporais pipeline préepidêmico, préepidêmico pré epidêmico, epidêmico pré-epidêmico R2 R (R 0,97 097 0 97 IC95% IC95 IC 0,950,98, 095098 0,95 0,98, 95 98 0,95-0,98 Sudeste. Sudeste . Sudeste) forma 9936 9 936 9.93 Sul 9405 405 9.40 (IC95% 9.1059.738. 91059738 9.105 9.738 105 738 9.105-9.738) 20 202 COVID1 1 COVID-1 0,9 09 IC9 950 0,950,98 09509 095 098 0,98 0,95-0,9 993 93 9.9 940 40 9.4 (IC95 1059 9.1059.738 9105973 9105 9.10 9738 9.73 10 73 9.105-9.738 2 COVID- 0, 0,950,9 0950 0,95-0, 99 9. 94 4 (IC9 9.1059.73 910597 910 9.1 973 9.7 7 9.105-9.73 0,950, 0,95-0 (IC 9.1059.7 91059 91 9.105-9.7 0,950 0,95- 9.1059. 9.105-9. 9.1059 9.105-9 9.105-

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

ABSTRACT Purpose: This study aimed to evaluate the classification performance of pretrained convolutional neural network models or architectures using fundus image dataset containing eight disease labels. Methods: A publicly available ocular disease intelligent recognition database has been used for the diagnosis of eight diseases. This ocular disease intelligent recognition database has a total of 10,000 fundus images from both eyes of 5,000 patients for the following eight diseases: healthy, diabetic retinopathy, glaucoma, cataract, age-related macular degeneration, hypertension, myopia, and others. Ocular disease classification performances were investigated by constructing three pretrained convolutional neural network architectures including VGG16, Inceptionv3, and ResNet50 models with adaptive moment optimizer. These models were implemented in Google Colab, which made the task straight-forward without spending hours installing the environment and supporting libraries. To evaluate the effectiveness of the models, the dataset was divided into 70%, 10%, and 20% for training, validation, and testing, respectively. For each classification, the training images were augmented to 10,000 fundus images. Results: ResNet50 achieved an accuracy of 97.1%; sensitivity, 78.5%; specificity, 98.5%; and precision, 79.7%, and had the best area under the curve and final score to classify cataract (area under the curve = 0.964, final score = 0.903). By contrast, VGG16 achieved an accuracy of 96.2%; sensitivity, 56.9%; specificity, 99.2%; precision, 84.1%; area under the curve, 0.949; and final score, 0.857. Conclusions: These results demonstrate the ability of the pretrained convolutional neural network architectures to identify ophthalmological diseases from fundus images. ResNet50 can be a good architecture to solve problems in disease detection and classification of glaucoma, cataract, hypertension, and myopia; Inceptionv3 for age-related macular degeneration, and other disease; and VGG16 for normal and diabetic retinopathy. Purpose labels Methods 10000 10 000 10,00 5000 5 5,00 healthy retinopathy glaucoma agerelated age related degeneration hypertension myopia others VGG Inceptionv ResNet ResNet5 optimizer Colab straightforward straight forward libraries 70 70% 10% 20 validation testing respectively Results 97.1% 971 97 1 sensitivity 78.5% 785 78 specificity 98.5% 985 98 precision 797 79 7 79.7% 0964 0 964 0.964 0.903. 0903 0.903 . 903 0.903) contrast VGG1 96.2% 962 96 2 56.9% 569 56 9 99.2% 992 99 84.1% 841 84 0.949 0949 949 0857 857 0.857 Conclusions 1000 00 10,0 500 5,0 97.1 78.5 98.5 79.7 096 0.96 090 0.90 90 96.2 56.9 99.2 84.1 8 0.94 094 94 085 85 0.85 100 10, 50 5, 97. 78. 98. 79. 09 0.9 96. 56. 99. 84. 08 0.8 0.

RESUMO Objetivo: Avaliar o desempenho de classificação de modelos ou arquiteturas de rede neural convolucional pré--treinadas usando um conjunto de dados de imagem de fundo de olho contendo oito rótulos de doenças diferentes. Métodos: Neste artigo, o conjunto de dados de reconhecimento inteligente de doenças oculares publicamente disponível foi usado para o diagnóstico de oito rótulos de doenças diferentes. O banco de dados de reconhecimento inteligente de doenças oculares tem um total de 10.000 imagens de fundo de olho de ambos os olhos de 5.000 pacientes para oito categorias que contêm rótulos saudáveis, retinopatia diabética, glaucoma, catarata, degeneração macular relacionada à idade, hipertensão, miopia, outros. Investigamos o desempenho da classificação de doenças oculares construindo três arquiteturas de rede neural convolucional pré-treinadas diferentes, incluindo os modelos VGG16, Inceptionv3 e ResNet50 com otimizador de Momento Adaptativo. Esses modelos foram implementados no Google Colab o que facilitou a tarefa sem gastar horas instalando o ambiente e suportando bibliotecas. Para avaliar a eficácia dos modelos, o conjunto de dados é dividido em 70% para treinamento, 10% para validação e os 20% restantes utilizados para teste. As imagens de treinamento foram expandidas para 10.000 imagens de fundo de olho para cada tal. Resultados: Observou-se que o modelo ResNet50 alcançou acurácia de 97,1%, sensibilidade de 78,5%, especificidade de 98,5% e precisão de 79,7% e teve a melhor área sob a curva e pontuação final para classificar a categoria da catarata (área sob a curva=0,964, final=0,903). Em contraste, o modelo VGG16 alcançou uma precisão de 96,2%, sensibilidade de 56,9%, especificidade de 99,2% e precisão de 84,1%, área sob a curva 0,949 e pontuação final de 0,857. Conclusão: Esses resultados demonstram a capacidade das arquiteturas de rede neural convolucional pré-treinadas em identificar doenças oftalmológicas a partir de imagens de fundo de olho. ResNet50 pode ser uma boa solução para resolver problemas na detecção e classificação de doenças como glaucoma, catarata, hipertensão e miopia; Inceptionv3 para degeneração macular relacionada à idade e outras doenças; e VGG16 para retinopatia normal e diabética. Objetivo prétreinadas pré treinadas diferentes Métodos artigo 10000 10 000 10.00 5000 5 5.00 saudáveis diabética glaucoma miopia outros VGG Inceptionv ResNet ResNet5 Adaptativo bibliotecas 70 20 teste tal Resultados Observouse Observou se 971 97 1 97,1% 785 78 78,5% 985 98 98,5 797 79 7 79,7 curva0964 0 964 curva=0,964 final=0,903. final0903 final=0,903 . 903 final=0,903) contraste VGG1 962 96 2 96,2% 569 56 9 56,9% 992 99 99,2 841 84 84,1% 0949 949 0,94 0857 857 0,857 Conclusão 1000 00 10.0 500 5.0 97,1 78,5 98, 79, curva096 curva=0,96 final090 final=0,90 90 96,2 56,9 99, 8 84,1 094 94 0,9 085 85 0,85 100 10. 50 5. 97, 78, curva09 curva=0,9 final09 final=0,9 96, 56, 84, 09 0, 08 0,8 curva0 curva=0, final0 final=0, curva=0 final=0 curva= final=

RESUMEN Objetivos: evaluar el rendimiento predictivo de diferentes algoritmos de inteligencia artificial para estimar el tiempo de ejecución del baño en cama en pacientes críticos. Métodos: estudio metodológico, que utilizó algoritmos de inteligencia artificial para predecir el tiempo de baño en cama en pacientes críticos. Se analizaron los resultados de modelos de regresión múltiple, redes neuronales perceptrón multicapa y función de base radial, árbol de decisión y random forest. Resultados: entre los modelos evaluados, el modelo de red neuronal con función de base radial, que contiene 13 neuronas en la capa oculta, presentó el mejor desempeño predictivo para estimar el tiempo de ejecución del baño en cama. En la validación de datos, la correlación al cuadrado entre los valores predichos y los valores originales fue del 62,3%. Conclusiones: el modelo de red neuronal con función de base radial mostró mejor rendimiento predictivo para estimar el tiempo de ejecución del baño en cama en pacientes críticos. Objetivos críticos Métodos metodológico múltiple forest Resultados evaluados 1 oculta datos 623 62 3 62,3% Conclusiones 6 62,3 62,

ABSTRACT Objectives: to assess the predictive performance of different artificial intelligence algorithms to estimate bed bath execution time in critically ill patients. Methods: a methodological study, which used artificial intelligence algorithms to predict bed bath time in critically ill patients. The results of multiple regression models, multilayer perceptron neural networks and radial basis function, decision tree and random forest were analyzed. Results: among the models assessed, the neural network model with a radial basis function, containing 13 neurons in the hidden layer, presented the best predictive performance to estimate the bed bath execution time. In data validation, the squared correlation between the predicted values and the original values was 62.3%. Conclusions: the neural network model with radial basis function showed better predictive performance to estimate bed bath execution time in critically ill patients. Objectives patients Methods study analyzed Results assessed 1 layer validation 623 62 3 62.3% Conclusions 6 62.3 62.

RESUMO Objetivos: avaliar a performance preditiva de diferentes algoritmos de inteligência artificial para estimar o tempo de execução do banho no leito em pacientes críticos. Métodos: estudo metodológico, que utilizou algoritmos de inteligência artificial para predizer o tempo de banho no leito em pacientes críticos. Foram analisados os resultados dos modelos de regressão múltipla, redes neurais perceptron multicamadas e função de base radial, árvore de decisão e random forest. Resultados: entre os modelos avaliados, o modelo de rede neural com função de base radial, contendo 13 neurônios na camada oculta, apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito. Na validação dos dados, o quadrado da correlação entre os valores preditos e os valores originais foi de 62,3%. Conclusões: o modelo de rede neural com função de base radial apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito em pacientes críticos. Objetivos críticos Métodos metodológico múltipla forest Resultados avaliados 1 oculta dados 623 62 3 62,3% Conclusões 6 62,3 62,

Objetivo: construir, validar e avaliar um website educacional em saúde sobre os cuidados domiciliares com os recém-nascidos para uso de gestantes, puérperas e familiares. Método: estudo metodológico desenvolvido conforme o modelo Analyze, Design, Develop, Implement and Evaluate . Após a construção, o website foi validado por 20 experts e avaliado por 20 indivíduos do público-alvo e os dados analisados conforme Índice de Concordância com ponto de corte igual ou maior a 0,7 (70%). Resultados: na validação, o Índice de Concordância de todos os quesitos foi maior do que 0,7 (70%), com variação entre 0,75 (75%) e 1 (100%), alcançando valor médio global de 0,91 (91%). Na avaliação, todos os itens obtiveram nota máxima, com valor médio global de 1 (100%). Conclusão: o website educacional foi construído, validado e avaliado de maneira satisfatória, pode ser considerado uma ferramenta adequada ao seu objetivo, com benefícios no processo de ensino-aprendizagem das famílias, quanto ao cuidado pós-natal domiciliar com os recém-nascidos mediante sua utilização. Além disso, também pode ser aplicada na educação de estudantes e profissionais de saúde. O website encontra-se disponível para o acesso livre e gratuito por meio de notebooks , computadores, smartphones ou tablets . Objetivo construir recémnascidos recém nascidos gestantes familiares Método Analyze Design Develop construção 2 públicoalvo público alvo 07 0 7 0, 70%. 70 70% (70%) Resultados validação 70%, 075 75 75% (75% 100%, 100 100% (100%) 091 91 0,9 91%. 91% (91%) avaliação máxima 100%. Conclusão construído satisfatória objetivo ensinoaprendizagem ensino aprendizagem famílias pósnatal pós natal utilização disso encontrase encontra se computadores (70% (75 10 (100% 09 9 (91% (70 (7 (100 (91 ( (10 (9 (1

Objetivo: construir, validar y evaluar un sitio web educativo en salud sobre cuidados domiciliarios del recién nacido para uso de mujeres embarazadas, puérperas y sus familias. Método: estudio metodológico desarrollado según el modelo Analyze, Design, Develop, Implement and Evaluate . Luego de su construcción, el sitio web fue validado por 20 expertos y evaluado por 20 personas del público objetivo, y los datos analizados según el Índice de Concordancia con un punto de corte igual o superior a 0,7 (70%). Resultados: en la validación, el Índice de Concordancia para todas las cuestiones fue superior a 0,7 (70%), con una variación entre 0,75 (75%) y 1 (100%), alcanzando un valor promedio general de 0,91 (91%). En la evaluación, todos los ítems obtuvieron la máxima puntuación, con un valor medio global de 1 (100%). Conclusión: el sitio web educativo fue construido, validado y evaluado de manera satisfactoria y puede ser considerado una herramienta adecuada para su objetivo, aportando beneficios al proceso de enseñanza-aprendizaje de las familias sobre el cuidado domiciliario posparto del recién nacido por medio de su uso. Además, también se puede aplicar a la educación de estudiantes y profesionales de la salud. El sitio web está disponible para acceso libre y gratuito por medio de notebooks , computadoras, smartphones o tablets . Objetivo construir embarazadas Método Analyze Design Develop construcción 2 objetivo 07 0 7 0, 70%. 70 70% (70%) Resultados validación 70%, 075 75 75% (75% 100%, 100 100% (100%) 091 91 0,9 91%. 91% (91%) evaluación puntuación 100%. Conclusión construido enseñanzaaprendizaje enseñanza aprendizaje Además computadoras (70% (75 10 (100% 09 9 (91% (70 (7 (100 (91 ( (10 (9 (1

Objective: to build, validate, and evaluate an educational health website on home care for newborns for use by pregnant women, postpartum women, and family members. Method: methodological study developed according to the Analyze, Design, Develop, Implement, and Evaluate model. After construction, the website was validated by 20 experts and evaluated by 20 individuals from the target audience, and the data wasanalyzed according to the Concordance Index with a cut-off point equal to or greater than 0.7 (70%). Results: in the validation, the Concordance Index for all the items was higher than 0.7 (70%), with a variation between 0.75 (75%) and 1 (100%), reaching an overall average value of 0.91 (91%). In the evaluation, all the items got top marks, with anoverall average value of 1 (100%). Conclusion: the educational website was built, validated, and evaluated in a satisfactory manner. It can be considered an appropriate tool for its purpose, with benefits in the teaching-learning process for families regarding postnatal home care fornewborns through its use. It can also be used to educate students and health professionals. The website is available for free access via laptops, computers, smartphones, or tablets. Objective build validate women members Method Analyze Design Develop Implement model construction 2 audience cutoff cut off 07 0 7 0. 70%. 70 70% . (70%) Results validation 70%, , 075 75 75% (75% 100%, 100 100% (100%) 091 91 0.9 91%. 91% (91%) evaluation marks 100%. Conclusion built manner purpose teachinglearning teaching learning professionals laptops computers smartphones tablets (70% (75 10 (100% 09 9 (91% (70 (7 (100 (91 ( (10 (9 (1

Abstract Research around the world has focused on developing ways to predict hydraulic parameters in water distribution systems. The application of these forecasts can contribute to the decision-making of water distribution systems managers, aiming to ensure that the demand is met, and even to reduce water losses. The present work sought, among two data prediction models (ARIMA and Multi-Layer Perceptron Artificial Neural Networks), to assess which one can perform best predictions of pressure and discharge rate data. To reach the stipulated goal, real data were obtained from a water supply network provided by NUMMARH - Nucleus of Modeling and Simulation in Environment and Water Resources and Systems of the Federal University of Itajubá, Brazil. These data initially underwent an adjustment so that it was possible to develop a computer program. The results showed that the best prediction model for the data in question was ARIMA, presenting a mean absolute percentage error (MAPE) of 8.54%. Thus, it is concluded that ARIMA models are easy to build and apply, being an advantageous tool to predict such hydraulic parameters. decisionmaking decision making managers met losses sought MultiLayer Multi Layer Networks, Networks , Networks) goal Itajubá Brazil program MAPE (MAPE 854 8 54 8.54% Thus apply 85 5 8.54 8.5 8.

Resumo Pesquisas ao redor do mundo vem se concentrando em desenvolver maneiras de prever parâmetros hidráulicos em sistemas de distribuição de água. A aplicação destas previsões pode contribuir para a tomada de decisão dos gestores dos sistemas de distribuição de água, visando a garantia do atendimento da demanda, e até mesmo a redução de perdas de água. O presente trabalho buscou, dentre os modelos ARIMA e Redes Neurais Artificiais do tipo “Perceptron” de múltiplas camadas, identificar qual é capaz de realizar a melhor previsão de dados de pressão e vazão. Primeiro foram obtidos dados reais de uma rede de abastecimento de água em região de topografia irregular, que foram coletados pelo grupo de pesquisa NUMMARH - Núcleo de Modelagem e Simulação em Meio Ambiente e Recursos e Sistemas Hídricos, e fornecidos para execução deste trabalho. Os resultados mostraram que o melhor modelo de previsão para os dados em questão foi o ARIMA, apresentando erro médio percentual absoluto (MAPE) de 8,54%. Como conclusão identificou-se que os modelos ARIMA são de fácil construção e aplicação, sendo assim uma vantagem para se prever tais parâmetros hidráulicos. demanda buscou Perceptron “Perceptron camadas vazão irregular Hídricos MAPE (MAPE 854 8 54 8,54% identificouse identificou 85 5 8,54 8,5 8,

Abstract What are the determinations that can guide our research to analyze the advance of the extreme right in the world? To this end, the proposed question considers the relationship between technology and politics, and aims to analyze the Global Technopolitical Network of the Far Right. The proposed challenge is to unveil the different articulations that define the formation of the technopolitical network. Its objective is to identify its agents, examine the division of tasks, analyze its articulations and the narratives that circulate within it, to demonstrate that its communication vectors produce a collective subjectivity of the extreme right. We highlight the participation of the influence industry which, through its algorithms, produces data analysis capable of recognizing target social groups which identify themselves by their way of thinking, doing, and being shared to whom fake news is directed, thus producing a “parallel reality” and “cognitive dissonance”. It transforms power relations in the world to benefit authoritarian and conservative values. The methodology’s starting point is interdisciplinarity, which combines knowledge of political science, communication, computing and geography. The data collection focuses on the action structure of the global far-right network and its representation in Brazil. The procedures are supported by a database that documents the information and application of computer programs to represent the networks. The analytical results identify the actors and agents, examine the division of labor in the technopolitical network to analyze their narratives, the processes and strategies of right-wing power, and demonstrate the expansion of political participation beyond political parties. No less important is revealing the connections between the global extreme right and the extreme right in Brazil and their consequences for democracy in the world. end politics Right agents tasks it algorithms thinking doing directed parallel reality cognitive dissonance. dissonance . dissonance” values methodologys methodology s interdisciplinarity science geography farright far networks rightwing wing parties

Resumo Quais são as determinações que podem orientar a nossa investigação para analisar o avanço da extrema direita no mundo? Para tanto, a questão proposta considera as relações entre tecnologia e política e tem por objeto a análise da Rede Tecnopolítica Global de Extrema Direita. O desafio proposto é desvendar as diferentes articulações que definem a formação da rede tecnopolítica, sendo seu objetivo identificar seus agentes, examinar a divisão do trabalho, analisar suas articulações e as narrativas que nela circulam, para demonstrar que seus vetores de comunicação produzem uma subjetividade coletiva de extrema direita. Destacamos a participação da indústria da influência que, por meio de seus algoritmos, produz a análise de dados capaz de reconhecer os grupos sociais-alvo, que se identificam pelo modo de pensar, fazer e ser compartilhado, para os quais são direcionadas as fakes news, que produzem uma “realidade paralela” e “dissonância cognitiva”. Transforma as relações de poder no mundo em benefício de valores autoritários e conservadores. A metodologia tem por ponto de partida a interdisciplinaridade, que associa conhecimentos de ciência política, da comunicação, da computação e geografia. O levantamento de dados foca na estrutura de ação da rede de extrema direita global e sua representação no Brasil. Os procedimentos estão apoiados num banco de dados que documenta a informação e aplicação de programas de informática para representação das redes. Os resultados analíticos identificam os atores e agentes, examinam a divisão do trabalho na rede tecnopolítica para analisar suas narrativas, os processos e estratégias do poder de direita, e demonstrar a ampliação da participação política para além dos partidos políticos. Não menos importante é revelar as articulações entre a extrema direita global com a extrema direita do Brasil e seus desdobramentos sobre a democracia no mundo. tanto Direita agentes circulam algoritmos sociaisalvo, sociaisalvo sociais alvo, alvo sociais-alvo pensar compartilhado news realidade paralela dissonância cognitiva. cognitiva . cognitiva” conservadores interdisciplinaridade geografia redes políticos

Resumen ¿Cuáles son las determinaciones que pueden guiar nuestra investigación para analizar el avance de la extrema derecha en el mundo? Para ello, la pregunta propuesta considera la relación entre tecnología y política, y pretende analizar la Red Tecnopolítica Global de la Extrema Derecha. El desafío propuesto es develar las diferentes articulaciones que definen la formación de la red tecnopolítica. Su objetivo es identificar a sus agentes, examinar la división del trabajo, analizar sus articulaciones y las narrativas que circulan en ella, para demostrar que sus vectores de comunicación producen una subjetividad colectiva de la extrema derecha. Destacamos la participación de la industria de la influencia que, a través de sus algoritmos, produce análisis de datos capaces de reconocer grupos sociales objetivo, que se identifican por su forma de pensar, hacer y ser compartido. A quién se dirigen las fake news, que producen una “realidad paralela” y una “disonancia cognitiva”. Transforma las relaciones de poder en el mundo en beneficio de los valores autoritarios y conservadores. El punto de partida de la metodología es la interdisciplinariedad, que combina conocimientos de ciencias políticas, comunicación, informática y geografía. La recopilación de datos se centra en la estructura de acción de la red global de extrema derecha y su representación en Brasil. Los procedimientos están respaldados por una base de datos que documenta la información y aplicación de programas informáticos para representar las redes. Los resultados analíticos identifican a los actores y agentes, examinan la división del trabajo en la red tecnopolítica para analizar sus narrativas, los procesos y estrategias del poder de derecha, y demuestran la expansión de la participación política más allá de los partidos políticos. No menos importante es revelar las conexiones entre la extrema derecha global y la extrema derecha en Brasil y sus consecuencias para la democracia en el mundo. Cuáles ello Derecha agentes ella algoritmos pensar compartido news realidad paralela disonancia cognitiva. cognitiva . cognitiva” conservadores interdisciplinariedad políticas geografía redes políticos

Abstract Objective: To develop a natural language processing application capable of automatically identifying benign gallbladder diseases that require surgery, from radiology reports. Materials and Methods: We developed a text classifier to classify reports as describing benign diseases of the gallbladder that do or do not require surgery. We randomly selected 1,200 reports describing the gallbladder from our database, including different modalities. Four radiologists classified the reports as describing benign disease that should or should not be treated surgically. Two deep learning architectures were trained for classification: a convolutional neural network (CNN) and a bidirectional long short-term memory (BiLSTM) network. In order to represent words in vector form, the models included a Word2Vec representation, with dimensions of 300 or 1,000. The models were trained and evaluated by dividing the dataset into training, validation, and subsets (80/10/10). Results: The CNN and BiLSTM performed well in both dimensional spaces. For the 300- and 1,000-dimensional spaces, respectively, the F1-scores were 0.95945 and 0.95302 for the CNN model, compared with 0.96732 and 0.96732 for the BiLSTM model. Conclusion: Our models achieved high performance, regardless of the architecture and dimensional space employed. Objective surgery Methods 1200 1 200 1,20 database modalities surgically classification (CNN shortterm short term (BiLSTM form WordVec Word Vec representation 30 1000 000 1,000 training validation 80/10/10. 801010 80/10/10 . 80 10 (80/10/10) Results spaces 1,000dimensional 1000dimensional respectively F1scores Fscores F1 scores F 095945 0 95945 0.9594 095302 95302 0.9530 model 096732 96732 0.9673 Conclusion performance employed 120 20 1,2 3 100 00 1,00 80101 80/10/1 8 (80/10/10 000dimensional 09594 9594 0.959 09530 9530 0.953 09673 9673 0.967 12 2 1, 1,0 8010 80/10/ (80/10/1 0959 959 0.95 0953 953 0967 967 0.96 801 80/10 (80/10/ 095 95 0.9 096 96 80/1 (80/10 09 9 0. 80/ (80/1 (80/ (80 (8 (

Resumo Objetivo: Desenvolver uma aplicação de processamento de linguagem natural capaz de identificar automaticamente doenças cirúrgicas benignas da vesícula biliar a partir de laudos radiológicos. Materiais e Métodos: Desenvolvemos um classificador de texto para classificar laudos como contendo ou não doenças cirúrgicas benignas da vesícula biliar. Selecionamos aleatoriamente 1.200 laudos com descrição da vesícula biliar de nosso banco de dados, incluindo diferentes modalidades. Quatro radiologistas classificaram os laudos como doença benigna cirúrgica ou não. Duas arquiteturas de aprendizagem profunda foram treinadas para a classificação: a rede neural convolucional (convolutional neural network - CNN) e a memória longa de curto prazo bidirecional (bidirectional long short-term memory - BiLSTM). Para representar palavras de forma vetorial, os modelos incluíram uma representação Word2Vec, com dimensões variando de 300 a 1000. Os modelos foram treinados e avaliados por meio da divisão do conjunto de dados entre treinamento, validação e teste (80/10/10). Resultados: CNN e BiLSTM tiveram bom desempenho em ambos os espaços dimensionais. Relatamos para 300 e 1000 dimensões, respectivamente, as pontuações F1 de 0,95945 e 0,95302 para o modelo CNN e de 0,96732 e 0,96732 para a BiLSTM. Conclusão: Nossos modelos alcançaram alto desempenho, independentemente de diferentes arquiteturas e espaços dimensionais. Objetivo radiológicos Métodos 1200 1 200 1.20 modalidades classificação convolutional bidirectional shortterm short term . BiLSTM) vetorial Word2Vec WordVec Word Vec 30 treinamento 80/10/10. 801010 80/10/10 80 10 (80/10/10) Resultados dimensionais 100 respectivamente F 095945 0 95945 0,9594 095302 95302 0,9530 096732 96732 0,9673 Conclusão 120 20 1.2 3 80101 80/10/1 8 (80/10/10 09594 9594 0,959 09530 9530 0,953 09673 9673 0,967 12 2 1. 8010 80/10/ (80/10/1 0959 959 0,95 0953 953 0967 967 0,96 801 80/10 (80/10/ 095 95 0,9 096 96 80/1 (80/10 09 9 0, 80/ (80/1 (80/ (80 (8 (