Search

Objetivo: Evaluar el grado de satisfacción de las mujeres tratadas con dermopigmentación y reconstrucción del complejo aréola-pezón (CAP) tras una reconstrucción mamaria, así como su perfil demográfico y sus características clínico-evolutivas. Método: Estudio observacional descriptivo donde se incluyeron 128 mujeres tratadas con dermopigmentación tras una reconstrucción mamaria oncológica durante el año 2018. En 2021 se les administró un cuestionario de satisfacción adaptado, que contiene 27 ítems y categoriza la satisfacción del 1-5, además se recogieron otras variables clínico-evolutivas y demográficas. Resultados: La media de edad fue de 51 (± 9) años, a un 89,1% se les realizó la reconstrucción del CAP previamente. La satisfacción media de la dermopigmentación fue de 4,4 (± 0,88) y de 3,79 (± 1,06) para la reconstrucción del CAP. Las complicaciones fueron escasas, pero el 54,5% (n = 54) de las pacientes refieren que la reconstrucción del CAP no ofrece la proyección esperada, el 91,6% (n = 98) que el color se ha desvanecido y el 51,4% (n = 55) elegirían el tatuaje permanente. Se percibió que, a mayor satisfacción del CAP, mayor satisfacción de la dermopigmentación, mientras que a mayor edad y tratamiento con quimioterapia previa menor durabilidad del color (pValor = 0,05). Conclusiones: Las pacientes intervenidas por cirugía reconstructiva de mama muestran un alto grado de satisfacción de la dermopigmentación y de la reconstrucción quirúrgica del CAP, pero reiteran la escasa proyección del CAP, la falta de permanencia de color y la voluntad de obtener resultados más duraderos. Los resultados preliminares invitan a seguir investigando en la posible relación causal entre variables., El presente proyecto ha obtenido ayuda parcial del Comité de Investigación en la convocatoria de Premios a proyectos de investigación en cuidados del HUB del año 2022 y de la Agencia de Gestión y Ayudas Universitarias e Investigación y el Grupo de Investigación Enfermera GRIN-IDIBELL (2021SGR00929). La presente investigación no ha recibido otras ayudas específicas provenientes de agencias del sector público, sector comercial o entidades sin ánimo de lucro., Peer Reviewed, Postprint (author's final draft)

Coffee production in Cuba had its highest value in 1961, and since then it has steadily decreased. We evaluate Cuban coffee production from 1950 to 2017 through a chronological series of data production (production, yield) and cultivation areas, and determine the influence of the loss of productive areas on the productive values. In this period the evaluated variables decreased significantly. The maximum production reached 60,326 tonnes in 1961, and the minimum 4,973 tonnes in 2012. The maximum yield was 0.36 tonnes ha−1 in 1961 and the minimum was 0.08 tonnes ha−1 in 2005. The hectares of coffee plantations decreased from 185,947.52 in 1969 to 42,296 in 2017. This decrease explains 36.8% of the decline in production. We argue that this decline is mainly due to internal factors (armed conflicts, migration, inadequate management, and economic crisis). This multifactorial process and complex situation should be considered in future studies., La producción de café cubana tuvo su mayor récord en 1961, luego disminuyó constantemente. Nosotros la evaluamos desde 1950 hasta 2017 a través de una serie cronológica de datos de producción (producción, rendimiento) y las áreas de cultivo. Determinamos la influencia de la pérdida de áreas productivas en los valores productivos. En este período las variables evaluadas disminuyeron significativamente. La producción máxima fue de 60,326 t en 1961 y la mínima de 4,973 t en 2012. El rendimiento máximo fue de 0.36 t ha−1 en 1961 y el mínimo de 0.08 t ha−1 en 2005. Las hectáreas disminuyeron de 185,947 en 1969 a 42,296 en 2017. Esta disminución explica el 36.8% de la caída de la producción Este declive se debe principalmente a factores internos (conflictos armados, migraciones, gestión inadecuada, crisis económica). Este es un proceso complejo y multifactorial, lo que debe ser considerado en futuros estudios.

The use of Automated Fiber Placement is being widespread in the aerospace industry. The need of manufacturing large and complex structural composite components, it makes the use of this technology much more efficient than the conventional hand lay-up manufacturing. However, these components are still being manually inspected and the effect of the defects found is calculated with a simulation software. The scope of this thesis is to create a Machine Learning model that is able to calculate the effect on the effective stiffness for different defect configuration. This Machine Learning model should be provided with the geometrical defect characteristics in the laminate and it has to be able to predict, with a high level of accuracy, the effective stiffness of the laminate. Training this model with a big amount of different configuration defects generates the need to create a parametrized FE model of a composite laminate on the coupon level. The results show that a Multi Layer Perceptron architecture with two hidden layers. The first one with 281 nodes and the second one with 76 nodes which is able to predict the effective stiffness of a defective laminate coupon with an accuracy of 0,1 GPa, L'ús del Automated Fiber Placement està estenent-se en la indústria aeroespacial. La necessitat de fabricar components estructurals compostos grans i complexes, fa que l'ús d'aquesta tecnologia sigui molt més eficient que la fabricació convencional amb col·locació manual. No obstant això, aquests components encara s'estan inspeccionant manualment i es calcula l'efecte dels defectes trobats amb software de simulació. L'abast d'aquesta tesi és crear un model de Machine Lerning que sigui capaç de calcular l'efecte en la rigidesa efectiva per diferents configuracions de defectes. Aquest model d'aprenentatge automàtic hauria de rebre les característiques geomètriques dels defectes en el laminat i de ser capaç de predir, amb un alt nivell de precisió, la rigidesa efectiva del laminat. Entrenar aquest model amb una gran quantitat de configuracions de defectes diferents genera la necessitat de crear un model FE parametritzat d'una laminació composta en el nivell de cupó. Els resultats mostren que una arquitectura de Multilayer Perceptron amb dues hidden layers. La primera amb 281 nodes i la segona amb 76 nodes, és capaç de predir la rigidesa efectiva d'un laminat defectuós amb una precisió de 0,1 GPa, El uso del Automated Fiber Placement se está expandiendo en la industria aeroespacial. La necesidad de fabricar grandes y complejos componentes estructurales de materiales compuestos, hace que el uso de esta tecnología sea mucho más eficiente que la fabricación manual convencional. Sin embargo, estos componentes siguen siendo inspeccionados manualmente y se calcula el efecto de los defectos encontrados con un software de simulación. El objetivo de esta tesis es crear un modelo de Machine Learning que sea capaz de calcular el efecto sobre la rigidez efectiva para diferentes configuraciones de defectos. A este modelo de aprendizaje automático se le deben proporcionar las características geométricas del defecto en el laminado y tiene que ser capaz de predecir, con un alto nivel de precisión, la rigidez efectiva del laminado. El entrenamiento de este modelo se debe de realizar con una gran cantidad de configuraciones de defectos diferentes. Este hecho genera la necesidad de crear un modelo de elementos finitos parametrizado de un laminado a nivel de cupón. Los resultados muestran que una arquitectura Multilayer Perceptron con dos hidden layers. La primera con 281 nodos y la segunda con 76 nodos que es capaz de predecir la rigidez efectiva de un coupon laminado defectuoso con una precisión de 0,1 GPa