ACTUACIONES

Actuación 2

Martínez-Peral, F. J., Ferez-Rubio, J. A., Mronga, D., de Gea Fernández, J., Segura-Heras, J. V., & Perez-Vidal, C. (2025). Collision-free robotic manipulation: a review and bibliometric analysis. International Journal of Systems Science, 1–24. https://doi.org/10.1080/00207721.2025.2547392

Resumen:

Este estudio presenta una revisión exhaustiva y un análisis bibliométrico de la manipulación robótica sin colisiones, un área clave para garantizar la seguridad y optimizar la eficiencia en la robótica avanzada. Se recopiló un conjunto de datos de la Web of Science Core Collection (2014-2024) y se sometió a análisis, con 169 artículos, con el objetivo de identificar las tendencias emergentes, las contribuciones clave y los patrones de colaboración global. Los resultados muestran un aumento constante de la producción científica e identifican cuatro grupos de investigación: prevención de colisiones en sistemas robóticos, planificación y optimización de trayectorias, aprendizaje por refuerzo y planificación autónoma, robótica colaborativa y seguridad. Estos grupos ilustran la convergencia de técnicas avanzadas como la planificación de trayectorias, los algoritmos de optimización y el aprendizaje autónomo. Esto pone de relieve su influencia tanto en las aplicaciones industriales como en los entornos colaborativos. Este estudio ofrece una visión general exhaustiva del panorama de la investigación, lo que facilita una comprensión más profunda del campo y fomenta la colaboración interdisciplinaria.

Se ha elaborado también un pequeño resumen divulgativo al que se puede acceder a través de este Podcast. Este artículo forma parte de la tesis doctoral de Francisco José Martínez-Peral, dirigida por Carlos Pérez y José Vicente Segura.

Este trabajo se alinea con dos de los objetivos de la Cátedra:

1. 1. Objetivo 2: Mejora de procesos industriales de producción utilizando técnicas avanzadas de robótica y optimización.
   2. Objetivo 4: Promover la difusión de los trabajos y resultados obtenidos por la Cátedra. La publicación de estos resultados en una revista de impacto y en la web de la Cátedra permite la difusión de estos resultados a Empresas, investigadores y estudiantes de doctorado.

Podcast

Robótica colaborativa.m4a

Actuación 3

Carlos García-Aroca, Mª Asunción Martínez Mayoral, Javier Morales Socuéllamos, José Vicente Segura Heras. (2025). Unsupervised Automated Configuration Selection for Ensemble Prediction. En proceso de revisión por pares, 1–24.

Resumen:

Presentamos un algoritmo diseñado como un modelo no supervisado, desarrollado en R y capaz de combinar automáticamente las previsiones proporcionadas por 12 métodos de previsión individuales, de los cuales se selecciona automáticamente un subconjunto para trabajar con cada tipo de estacionalidad. El algoritmo emplea tres categorías de pesos derivados de funciones de pérdida, un análisis de componentes principales para clasificar los métodos, junto con una serie de reglas de decisión, para determinar la combinación óptima de estos métodos. El algoritmo está diseñado para proporcionar una solución automatizada para cada serie temporal, en función de sus características, y haciendo uso de una combinación optimizada de procedimientos. Con el fin de cuantificar el rendimiento, se aplica a series temporales obtenidas aleatoriamente de la competición M3 y M4 y proporciona 36 soluciones posibles, de las cuales se ofrece al usuario la mediana como solución única, que presenta un error ex post menor que las soluciones proporcionadas por otros 3 métodos combinados referenciados en la literatura y disponibles en R.

Se ha elaborado también un pequeño resumen divulgativo al que se puede acceder a través de este Podcast. Este artículo forma parte de la tesis doctoral de Carlos Garcia Aroca dirigida por Mª Asunción Martínez y Javier Morales.

Este trabajo se alinea con dos de los objetivos de la Cátedra:

1. 1. Objetivo 1: Diseñar sistemas de apoyo a la toma de decisiones basados en datos.
   2. Objetivo 4: Promover la difusión de los trabajos y resultados obtenidos por la Cátedra. La publicación de estos resultados en una revista de impacto y en la web de la Cátedra permite la difusión de estos resultados a Empresas, investigadores y estudiantes de doctorado.

Podcast

UASEP El Algoritmo de la UMH que Democratiza la Predicción.m4a

Actuación 4

Asunción Martínez-Mayoral, Javier Morales-Socuellamos, José V. Segura-Heras, Alberto Cordero, Vicente Bertomeu-Gonzalez, Moisés Rodríguez-Mañero, Sergio Cinza-Sanjurjo, and José R. González-Juanatey. (2025). Application of a Machine Learning Algorithm for Mortality Risk Stratification in Patients Referred for Cardiology E-Consultation. En proceso de revisión por pares, 1–9.

Resumen:

Antecedentes: Se necesitan estrategias eficaces para priorizar a los pacientes derivados a consultas cardiológicas electrónicas. Este estudio evaluó la capacidad de un modelo de bosque aleatorio para estratificar el riesgo de mortalidad y hospitalización cardiovascular. Métodos: Utilizamos datos de 68 478 pacientes de Galicia, España. Los criterios de valoración principales fueron la mortalidad por todas las causas y los ingresos hospitalarios relacionados con enfermedades cardiovasculares en el plazo de un año desde la consulta. Resultados: El estudio incluyó a 68 478 pacientes con una edad media de 64,2 años (DE 18,4), de los cuales el 49,3 % eran mujeres. La mediana del tiempo de respuesta a la consulta electrónica fue de 5 días (IQR 2-14). La tasa de mortalidad al año fue del 3,2 % y la tasa de ingresos cardiovasculares del 7,5 %. La configuración óptima del modelo alcanzó un índice de concordancia (índice C) de 0,853 para la predicción de la mortalidad en el conjunto de entrenamiento y de 0,819 en el conjunto de prueba, lo que demuestra una sólida capacidad predictiva. Entre los predictores significativos se encontraban la edad, la insuficiencia cardíaca previa, el cáncer, el sexo y la respuesta tardía a la consulta electrónica. En el caso de las hospitalizaciones cardiovasculares, los predictores influyentes incluyeron la edad, las enfermedades cardíacas previas, las enfermedades cerebrovasculares, las enfermedades arteriales periféricas y la respuesta tardía, con un índice C de 0,745 y 0,719 en las muestras de entrenamiento y prueba, respectivamente. El área dependiente del tiempo del modelo bajo la curva característica operativa del receptor (AUC) demostró un rendimiento estable durante todo el período de seguimiento, lo que indica su consistencia en la evaluación del riesgo a largo plazo. Conclusiones: Un modelo de aprendizaje automático de bosque aleatorio estratificó eficazmente la mortalidad y el riesgo de hospitalización cardiovascular en pacientes derivados para una evaluación cardiológica a través de una consulta electrónica.

Se ha elaborado también un pequeño resumen divulgativo al que se puede acceder a través de este Podcast.

Este trabajo se alinea con dos de los objetivos de la Cátedra:

1. 1. Objetivo 1: Diseñar sistemas de apoyo a la toma de decisiones basados en datos.
   2. Objetivo 3: Desarrollar modelos predictivos basados en aprendizaje automático para la estratificación de riesgos en el ámbito de la gestión de listas de espera.
   3. Objetivo 4: Promover la difusión de los trabajos y resultados obtenidos por la Cátedra. La publicación de estos resultados en una revista de impacto y en la web de la Cátedra permite la difusión de estos resultados a Empresas, investigadores y estudiantes de doctorado.

Podcast

UASEP El Algoritmo de la UMH que Democratiza la Predicción.m4a

Actuación 5

Hernández-Sánchez S, Segura-Heras JV, Andreu-Conde P, Albornoz-Cabello M, Espejo-Antúnez L, Toledo-Marhuenda JV. (2025) Effect of home exercise programs in patients with non-tears rotator cuff-related shoulder pain: a systematic review and meta-analysis. European Journal of Physical and Rehabilitation Medicine. 61:655-68. DOI: 10.23736/S1973-9087.25.08607-1.

Resumen:

INTRODUCCIÓN: El tratamiento conservador basado en fisioterapia es la primera opción para el dolor de hombro relacionado con el manguito rotador (RCSP) sin rotura. Aunque varios estudios demuestran el efecto positivo del ejercicio terapéutico, aún no están claros aspectos como la influencia de los ejercicios supervisados frente al entrenamiento autónomo en casa o el nivel de adherencia. El objetivo es estudiar el efecto de los programas de ejercicios en casa en comparación con el ejercicio supervisado, ya sea solo o combinado con el tratamiento fisioterapéutico estándar.

OBTENCIÓN DE EVIDENCIA: Se utilizaron la escala PEDro y la herramienta de la Colaboración Cochrane para evaluar la calidad de los estudios y el riesgo de sesgo, respectivamente. La evaluación del contenido de las intervenciones de ejercicio, utilizando el formulario proporcionado en el CERT, y la adherencia se extrajeron de los manuscritos incluidos. Los datos fueron extraídos por dos evaluadores independientes utilizando un formulario estandarizado. Los metaanálisis se realizaron con R utilizando modelos de efectos fijos o aleatorios según la heterogeneidad evaluada con el coeficiente I2.

SÍNTESIS DE LA EVIDENCIA: Se incluyeron doce ECA (N = 475). El autoentrenamiento en casa fue similar y no se encontraron diferencias a las 12 semanas con respecto al programa de ejercicios supervisado, ya fuera solo o combinado con el tratamiento de fisioterapia estándar, en la Escala Analógica Visual (EAV) (DME, 0,92; IC del 95 %, 0,58 a 1,26, p = 0,66); la puntuación de Constant-Murley (PCM) (DME, -0,82; IC del 95 %, -1,05 a -0,60, p = 0,64); y el índice de dolor y discapacidad del hombro (SPADI) (DME, 1; IC del 95 %, 0,74 a 1,26, p = 0,93).

CONCLUSIONES: El autoentrenamiento en el hogar podría ser tan eficaz como el ejercicio ambulatorio y supervisado, aislado o combinado con la fisioterapia habitual, en términos de resultados primarios. Sin embargo, la falta de información sobre las tasas de adherencia, el contenido del ejercicio o cómo se realiza es preocupante. Además, la heterogeneidad de los criterios relacionados con la adherencia al tratamiento y el cumplimiento indica que se necesita más bibliografía para relacionar el efecto producido con el tipo de ejercicio y la adherencia terapéutica.

Se ha elaborado también un pequeño resumen divulgativo al que se puede acceder a través de este Podcast.

Este trabajo se alinea con dos de los objetivos de la Cátedra:

1. 1. Objetivo 1: Diseñar sistemas de apoyo a la toma de decisiones basados en datos.
   2. Objetivo 4: Promover la difusión de los trabajos y resultados obtenidos por la Cátedra. La publicación de estos resultados en una revista de impacto y en la web de la Cátedra permite la difusión de estos resultados a Empresas, investigadores y estudiantes de doctorado.

Podcast

Hombro Crónico Sin Rotura ¿Ejercicios en Casa iguales que en C.m4a