#: locale=es
## Tour
### Descripción
tour.description = Contorna para disfrutar dun percorrido virtual polas instalacións científicas do CINBIO
### Título
tour.name = CINBIO > INFORMATICA DA SAUDE
## Skin
### Texto Multilínea
HTMLText_0460A236_B46B_11BF_41D5_5D3AA47678CA.html = Investigamos sobre métodos non paramétricos e semiparamétricos de estimación e inferencia, análise de sobrevivencia, modelos multi-estado para datos epidemiolóxicos e métodos analíticos de toma de decisións.
Investigamos sobre métodos non paramétricos e semiparamétricos de estimación e inferencia, análise de sobrevivencia, modelos multi-estado para datos epidemiolóxicos e métodos analíticos de toma de decisións.
A nosa misión é aplicar as técnicas de intelixencia artificial (AI) e das tecnoloxías da información (IT) para resolver problemas nos campos da biomedicina e a bioinformática. Especializámonos no desenvolvemento de modelos de clasificación e predición empregando técnicas de aprendizaxe automático e na creación de sistemas de apoio á toma de decisións no ámbito clínico.
A nosa misión é aplicar as técnicas de intelixencia artificial (AI) e das tecnoloxías da información (IT) para resolver problemas nos campos da biomedicina e a bioinformática. Especializámonos no desenvolvemento de modelos de clasificación e predición empregando técnicas de aprendizaxe automático e na creación de sistemas de apoio á toma de decisións no ámbito clínico.
O noso grupo está especializado no desenvolvemento de software especializado e a medida para distintas áreas como xenómica, proteómica, análise filoxenético, quimioinformática, e un largo etc. Algúns exemplos destacados destas ferramentas son ALTER, unha ferramenta moi versátil para a conversión de formatos de ficheiros entre distintos formatos moi utilizada no ámbito da xenómica e a filoxenética, Mass-Up, unha ferramenta para análise de datos de espectrometría de masas mediante técnicas de machine learning, AIBench (aibench.org/), un framework Java para o desenvolvemento de aplicacións, o MiRGate, unha base de datos de relacións miRNA-mRNA en humanos, ratos e ratas. Na nosa páxina web pódese consultar o listado completo de aplicacións.
O noso grupo está especializado no desenvolvemento de software especializado e a medida para distintas áreas como xenómica, proteómica, análise filoxenético, quimioinformática, e un largo etc. Algúns exemplos destacados destas ferramentas son ALTER, unha ferramenta moi versátil para a conversión de formatos de ficheiros entre distintos formatos moi utilizada no ámbito da xenómica e a filoxenética, Mass-Up, unha ferramenta para análise de datos de espectrometría de masas mediante técnicas de machine learning, AIBench (aibench.org/), un framework Java para o desenvolvemento de aplicacións, o MiRGate, unha base de datos de relacións miRNA-mRNA en humanos, ratos e ratas. Na nosa páxina web pódese consultar o listado completo de aplicacións.
POLYDEEP é un proxecto financiado polo Ministerio de Ciencia, Innovación e Universidades na convocatoria Retos de la Sociedade (DPI2017-87494-R) que trata de mellorar a detección e clasificación de pólipos colorrectais nas colonoscopias. Para poder conseguir isto, POLYDEEP propón o desenvolvemento dun sistema CAD (Computer-Aided Diagnosis) que asista aos endoscopistas durante a realización da colonoscopia. No núcleo de este sistema CAD atópanse dous modelos de Deep Learning: un modelo para a detección de pólipos e outro para a clasificación. Ambos modelos desenvólvense facendo uso dun conxunto de datos de vídeos e imaxes de pólipos creados en colaboración co grupo de investigación GIODO do Servizo de Dixestivo do CHUO (Complexo Hospitalario Universitario de Ourense).
O conxunto de datos desenvolto como parte de este proxecto estará dispoñible publicamente no Biobanco do Instituto de Investigacións Sanitarias Galicia Sur (IISGS).
POLYDEEP é un proxecto financiado polo Ministerio de Ciencia, Innovación e Universidades na convocatoria Retos de la Sociedade (DPI2017-87494-R) que trata de mellorar a detección e clasificación de pólipos colorrectais nas colonoscopias. Para poder conseguir isto, POLYDEEP propón o desenvolvemento dun sistema CAD (Computer-Aided Diagnosis) que asista aos endoscopistas durante a realización da colonoscopia. No núcleo de este sistema CAD atópanse dous modelos de Deep Learning: un modelo para a detección de pólipos e outro para a clasificación. Ambos modelos desenvólvense facendo uso dun conxunto de datos de vídeos e imaxes de pólipos creados en colaboración co grupo de investigación GIODO do Servizo de Dixestivo do CHUO (Complexo Hospitalario Universitario de Ourense).
O conxunto de datos desenvolto como parte de este proxecto estará dispoñible publicamente no Biobanco do Instituto de Investigacións Sanitarias Galicia Sur (IISGS).
TITULO
Cuerpo de texto [...]
TITULO
Cuerpo de texto [...]
A infección relacionada coa asistencia sanitaria (IRAS) é un problema sanitario de gran magnitude e importancia, tanto pola mortalidade que produce (estímase en España nunhas 3000 mortes anuais), como polo sufrimento do paciente (prolongación das estancias hospitalarias, reintervencións cirúrxicas, estancias en UCI, etc.).
O gasto sanitario tamén é cuantioso, polo que a súa prevención (un 30-50% son previsibles) é un obxectivo estratéxico dos sistemas sanitarios. O noso grupo desenvolveu, en colaboración col SERGAS, InNoCBR, un software que aplica técnicas e métodos procedentes da intelixencia artificial a este problema de medicina asistencial, concretamente á busca activa e periódica de sinais de casos de infección nosocomial. InNoCBR foi un proxecto pioneiro a nivel nacional e sen precedentes en Europa, permitindo a explotación diaria das bases de datos hospitalarias para facer diagnósticos automáticos de casos de infección nosocomial en tempo real.
A infección relacionada coa asistencia sanitaria (IRAS) é un problema sanitario de gran magnitude e importancia, tanto pola mortalidade que produce (estímase en España nunhas 3000 mortes anuais), como polo sufrimento do paciente (prolongación das estancias hospitalarias, reintervencións cirúrxicas, estancias en UCI, etc.).
O gasto sanitario tamén é cuantioso, polo que a súa prevención (un 30-50% son previsibles) é un obxectivo estratéxico dos sistemas sanitarios. O noso grupo desenvolveu, en colaboración col SERGAS, InNoCBR, un software que aplica técnicas e métodos procedentes da intelixencia artificial a este problema de medicina asistencial, concretamente á busca activa e periódica de sinais de casos de infección nosocomial. InNoCBR foi un proxecto pioneiro a nivel nacional e sen precedentes en Europa, permitindo a explotación diaria das bases de datos hospitalarias para facer diagnósticos automáticos de casos de infección nosocomial en tempo real.
1. Axustando curvas e visualizando erros.
2. Análise cluster.
3. Análise da varianza gráficas de medias.
4. Analizando e preparando os datos para as análises.
5. Boxplots identificando datos atípicos.
6. Dendograma.
7. Diagramas de sectores.
8. Diagrama de tallo e follas. Steam and leaf.
9. Establecendo relacións entre individuos
10. Estimando densidades
1. Axustando curvas e visualizando erros.
2. Análise cluster.
3. Análise da varianza gráficas de medias.
4. Analizando e preparando os datos para as análises.
5. Boxplots identificando datos atípicos.
6. Dendograma.
7. Diagramas de sectores.
8. Diagrama de tallo e follas. Steam and leaf.
9. Establecendo relacións entre individuos
10. Estimando densidades
No noso laboratorio situado no Edificio Politécnico da Escola Superior de Enxeñería Informática (Campus de Ourense) dispoñemos de tres equipos con tarxetas gráficas Geforce GTX 1080 Ti, empregadas especialmente para o adestramento de modelos de Deep Learning. No CPD do CITI (Centro de Investigación, Transferencia e Innovación) que a Universidade de Vigo ten no Parque Tecnolóxico de Galicia, o noso grupo dispón de varios servidores para computación de altas prestacións. Ademais, tamén dispoñemos de acceso ao centro de cálculo que o CITI ofrece a todos os grupos de investigación que forman parte del. Na sección ‘Infrastructures’ da nosa páxina web pódense consultar todos os nosos recursos dispoñibles.
No noso laboratorio situado no Edificio Politécnico da Escola Superior de Enxeñería Informática (Campus de Ourense) dispoñemos de tres equipos con tarxetas gráficas Geforce GTX 1080 Ti, empregadas especialmente para o adestramento de modelos de Deep Learning. No CPD do CITI (Centro de Investigación, Transferencia e Innovación) que a Universidade de Vigo ten no Parque Tecnolóxico de Galicia, o noso grupo dispón de varios servidores para computación de altas prestacións. Ademais, tamén dispoñemos de acceso ao centro de cálculo que o CITI ofrece a todos os grupos de investigación que forman parte del. Na sección ‘Infrastructures’ da nosa páxina web pódense consultar todos os nosos recursos dispoñibles.
Frecuentemente, a actividade do noso grupo obtén difusión a través dos medios de comunicación, tanto en prensa escrita como en radio ou televisión, o que nos permite chegar á sociedade e transmitir a importancia da nosa investigación. Na sección ‘Press’ da nosa páxina web pódese atopar o listado completo e actualizado a ditas aparicións, incluíndo enlaces de descarga para case todas elas.
Frecuentemente, a actividade do noso grupo obtén difusión a través dos medios de comunicación, tanto en prensa escrita como en radio ou televisión, o que nos permite chegar á sociedade e transmitir a importancia da nosa investigación. Na sección ‘Press’ da nosa páxina web pódese atopar o listado completo e actualizado a ditas aparicións, incluíndo enlaces de descarga para case todas elas.
O listado completo e actualizado de publicacións en revistas internacionais, conferencias e capítulos de libro feitos por parte dos membros do noso grupo pódense consultar na nosa páxina web.
Entre outras publicacións, destacan especialmente dous traballos de revisión publicados en 2017 nas revistas Molecular Nutrition and Food Research
(DOI: 10.1002/mnfr.201600240) e
Critical Reviews in Microbiology
(DOI: 10.1080/ 1040841X.2016.1208146) que acumulan unha grande cantidade de citas (máis de 230 en outubro de 2020) e son polo tanto un referente para a comunidade investigadora.
O listado completo e actualizado de publicacións en revistas internacionais, conferencias e capítulos de libro feitos por parte dos membros do noso grupo pódense consultar na nosa páxina web.
Entre outras publicacións, destacan especialmente dous traballos de revisión publicados en 2017 nas revistas Molecular Nutrition and Food Research
(DOI: 10.1002/mnfr.201600240) e
Critical Reviews in Microbiology
(DOI: 10.1080/ 1040841X.2016.1208146) que acumulan unha grande cantidade de citas (máis de 230 en outubro de 2020) e son polo tanto un referente para a comunidade investigadora.
O noso grupo de investigación está formado por cinco investigadoras sénior e catro investigadores sénior, pertencentes ao departamento de informática da Universidade de Vigo. Ademais, contamos con varios investigadores pre e posdoutorais así como con persoal técnico de apoio.
Na nosa páxina web está dispoñible a información actualizada da composición actual do grupo, incluíndo tamén ao alumnado de doutoramento baixo supervisión dos membros do noso grupo e as teses doutorais defendidas ata a data.
O noso grupo de investigación está formado por cinco investigadoras sénior e catro investigadores sénior, pertencentes ao departamento de informática da Universidade de Vigo. Ademais, contamos con varios investigadores pre e posdoutorais así como con persoal técnico de apoio.
Na nosa páxina web está dispoñible a información actualizada da composición actual do grupo, incluíndo tamén ao alumnado de doutoramento baixo supervisión dos membros do noso grupo e as teses doutorais defendidas ata a data.
PanDrugs é unha plataforma bioinformática de medicina personalizada para a priorización de tratamentos contra o cancro utilizando datos xenómicos dos pacientes. Pola súa parte, DREIMT é unha ferramenta para a xeración de hipóteses e a priorización de fármacos capaces de modular a actividade das células inmunes a partir de datos de transcriptómica.
PanDrugs é unha plataforma bioinformática de medicina personalizada para a priorización de tratamentos contra o cancro utilizando datos xenómicos dos pacientes. Pola súa parte, DREIMT é unha ferramenta para a xeración de hipóteses e a priorización de fármacos capaces de modular a actividade das células inmunes a partir de datos de transcriptómica.
1. Modelos de supervivencia.
2. Programando.
3. Star plots.
4. Visualizando datos multivariantes.
1. Modelos de supervivencia.
2. Programando.
3. Star plots.
4. Visualizando datos multivariantes.
1. Histogramas, identificando comportamento.
2. Estudando relacións entre variables gráficos de dispersión.
3. Estruturando os datos-casos e variables.
4. Matriz de datos
1. Histogramas, identificando comportamento.
2. Estudando relacións entre variables gráficos de dispersión.
3. Estruturando os datos-casos e variables.
4. Matriz de datos
Buscando estruturas estables en modelos de xogos cooperativos
Buscando estruturas estables en modelos de xogos cooperativos