[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122348-es":3,"doc-seo-122348-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122348,2336475104042,"Skyler","https://ap-avatar.wpscdn.com/avatar/22000c4c32af1715be0?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786537525561427321",41,"Investigación e Informes","Diagnóstico automatizado de glaucoma mediante herramientas de machine learning aplicadas a datos de pupilometría cromática","El glaucoma es una enfermedad ocular crónica que daña el nervio óptico y constituye una de las principales causas de ceguera irreversible. El diagnóstico tardío, por la progresión lenta y la ausencia de síntomas tempranos, exige métodos con mayor precisión para detectar disfunciones iniciales. La pupilometría cromática, al analizar la respuesta pupilar ante estímulos lumínicos, se utiliza para desarrollar una herramienta de diagnóstico automatizado basada en machine learning, implementada con datos medidos y procesados mediante preprocesamiento, extracción de características y modelamiento.","UNIVERSIDAD DE CHILE  \nFACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA  \nDIAGNÓSTICO AUTOMATIZADO DE GLAUCOMA MEDIANTE HERRAMIENTAS DE MACHINE LEARNING APLICADAS A DATOS DE  \nPUPILOMETRÍA CROMÁTICA  \nMEMORIA PARA OPTAR AL TÍTULO DE INGENIERO CIVIL ELÉCTRICO  \nMANUEL ANTONIO ZAMORANO CANALES  \nPROFESOR GUÍA:  \nCARLOS NAVARRO CLAVERIA  \nPROFESOR CO-GUÍA:  \nIVÁN PLAZA ROSALES  \nCOMISIÓN:  \nANDRÉS CABA RUTTE  \nSANTIAGO DE CHILE  \nRESUMEN DE LA MEMORIA PARA OPTAR  \nAL TÍTULO DE INGENIERO CIVIL ELÉCTRICO POR: MANUEL ANTONIO ZAMORANO CANALES  \nFECHA: 2024  \nPROF. GUÍA: Carlos Navarro Claveria  \nPROF. CO-GUÍA: Iván Plaza Rosales  \nDIAGNÓSTICO AUTOMATIZADO DE GLAUCOMA MEDIANTE HERRAMIENTAS DE MACHINE LEARNING APLICADAS A DATOS DE  \nPUPILOMETRÍA CROMÁTICA  \nEl glaucoma es una enfermedad ocular crónica que daña el nervio óptico y constituye la principal causa de ceguera irreversible a nivel mundial, afectando al 3.54 % de la población global entre 40 y 80 años y al 2 % de la población en Chile. Su diagnóstico tardío, debido a la progresión lenta y la ausencia de síntomas en etapas tempranas, resalta la necesidadde técnicas diagnósticas más precisas. La pupilometría cromática, que analiza la respuesta pupilar a estímulos lumínicos, surge como una herramienta prometedora para detectar disfunciones tempranas asociadas al glaucoma. Este trabajo tuvo como objetivo desarrollar una herramienta de diagnóstico automatizado basada en machine learning, utilizando datos de pupilometría cromática.  \nEl estudio se realizó con un sistema de pupilometría cromática diseñado con un registro comercial (PupilLab) y un sistema de estimulación lumínica propio, aplicando estímulosen formatos flash (1 segundo a 250 lux) y rampa (1 minuto, con aumento a 250 lux en 20 segundos) en colores rojo, verde, azul y blanco. Participaron 40 individuos, divididos en 20 pacientes con glaucoma y 20 controles sanos. Se preprocesaron los datos mediante segmentaciónde señales y filtros, y se extrajeron características estadísticas relevantes, complementadas con técnicas de aumento de datos.  \nSe probaron modelos de machine learning (XGBoost) y deep learning (FCN y GRU) . Para machine learning, se evaluaron distintos largos de ventanas de segmentación y tresenfoques experimentales: caso base, selección de ventanas y aislamiento de estímulos. Los mejores resultados se obtuvieron con estímulos tipo rampa, aplicando filtrado y ventanas de 150 muestras de largo, alcanzando un 79 . 17 % de accuracy. Sin embargo, en promedio, losestímulos tipo flash generaron resultados más consistentes. Por otro lado, los modelos de deep learning no alcanzaron un rendimiento óptimo debido a la limitada cantidad de datos, su alta variabilidad y la falta de generalización.  \nEste trabajo demuestra que es posible desarrollar herramientas diagnósticas efectivas basadas en pupilometría cromática, sentando las bases para su perfeccionamiento y eventual aplicación clínica.  \n“Aprender a volar no es fácil. Aprender a caer tampoco .  \nPero vivir en el suelo aburre”  \nLiniers  \nAgradecimientos  \nEste trabajo no hubiera sido posible sin las personas que más amo y admiro, que me hanotorgado a lo largo de mi vida las cualidades y herramientas que poseo, formándome como la persona que soy hoy. Gracias mamá, papá y tía Titi por toda la sabiduría, el apoyo y amor incondicional que me han dado toda la vida. Gracias hermano, Tuto, por estar siempre a milado, escucharme y defenderme. A Anita, por el cariño y el cuidado que me ha dado todosestos años, y a mi Weli, por el amor de abuela. Gracias Anto, por el apañe, la ayuda, el cariñoy la paciencia que has tenido conmigo. A todos mis cabros del colegio, mis grandes amigos, mis hermanos, por las risas, los momentos, el apoyo y la compañía en todo momento, ya sean buenos o malos. A mis amigos de la U, por adoptarme e incluirme en nuestros últimos años de estudio y hacerlos mil veces más llevaderos. A mi maestro, por enseñarme a confiar en mí","cbCailyWafQpAoCA","https://ap.wps.com/l/cbCailyWafQpAoCA","pdf",8920004,2,1,213,"Spanish","es",110,"# Introducción\n## Identificación y Formulación del Problema\n## Objetivos del Trabajo de Título\n# Marco Teórico y Estado del Arte\n## Marco Teórico\n### Pupilometría Cromática\n### Mirada general a los conceptos de Machine Learning\n### Aprendizaje supervisado\n### Vectores de características\n### Características estadísticas\n### Árboles de Decisión\n### Gradient Boosting Machines (GBM)\n### Redes neuronales\n### Deep Learning","[{\"question\":\"Cuál es el objetivo del trabajo sobre glaucoma?\",\"answer\":\"Desarrollar una herramienta de diagnóstico automatizado basada en machine learning utilizando datos de pupilometría cromática para detectar disfunciones tempranas asociadas al glaucoma.\"},{\"question\":\"Qué tipo de datos y estímulos se emplean en la pupilometría cromática?\",\"answer\":\"Se registran respuestas pupilares con estímulos flash de 1 segundo y rampa de 1 minuto, con incremento de intensidad, en colores rojo, verde, azul y blanco, usando un sistema que incluye PupilLab y estimulación propia.\"},{\"question\":\"Qué resultados obtienen los modelos y por qué los deep learning rinden peor?\",\"answer\":\"El mejor desempeño se logra con estímulos tipo rampa, filtrado y ventanas de 150 muestras, alcanzando 79.17% de accuracy con XGBoost. Los modelos de deep learning no llegan a rendimiento óptimo por la cantidad limitada de datos, alta variabilidad y menor generalización.\"}]","Diagnóstico automatizado de glaucoma mediante herramientas de machine learning aplicadas a datos de pupilometría cromática | PDF",1785810160,328,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"automated-glaucoma-diagnosis-using-machine-learning-tools-applied-to-chromatic-pupillometry-data","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/automated-glaucoma-diagnosis-using-machine-learning-tools-applied-to-chromatic-pupillometry-data/122348/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo del trabajo sobre glaucoma?","Question",{"text":76,"@type":77},"Desarrollar una herramienta de diagnóstico automatizado basada en machine learning utilizando datos de pupilometría cromática para detectar disfunciones tempranas asociadas al glaucoma.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué tipo de datos y estímulos se emplean en la pupilometría cromática?",{"text":81,"@type":77},"Se registran respuestas pupilares con estímulos flash de 1 segundo y rampa de 1 minuto, con incremento de intensidad, en colores rojo, verde, azul y blanco, usando un sistema que incluye PupilLab y estimulación propia.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué resultados obtienen los modelos y por qué los deep learning rinden peor?",{"text":85,"@type":77},"El mejor desempeño se logra con estímulos tipo rampa, filtrado y ventanas de 150 muestras, alcanzando 79.17% de accuracy con XGBoost. Los modelos de deep learning no llegan a rendimiento óptimo por la cantidad limitada de datos, alta variabilidad y menor generalización.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]