Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 3
Encontrada(s) 1 página(s)

Repisalud
Publicación Tesis doctoral (DoctoralThesis)

Exposición ambiental y laboral a sustancias contaminantes y densidad mamográfica en mujeres premenopáusicas.

  • Jiménez Castellanos, Tamara
[ES] El cáncer de mama es el tipo de tumor más frecuente en las mujeres españolas. Su incidencia sigue en aumento y, además, representa la mayor causa de muerte por cáncer en mujeres. El principal fenotipo marcador de riesgo de cáncer de mama es la densidad mamográfica (DM), definida como la cantidad de tejido fibroglandular radiológicamente denso en comparación con el tejido graso. Aunque la DM se ha asociado con diversos factores de riesgo, aún se desconoce si las exposiciones ambientales a las que nos encontramos expuestos a diario podrían influir en una mayor o menor DM. La Agencia Internacional para la Investigación sobre el Cáncer (International Agency for Research on Cancer – IARC) reconoció 47 agentes o mezclas y 12 ocupaciones, industrias o procesos con evidencia suficiente de carcinogenicidad en humanos. Asimismo, la IARC ha clasificado la contaminación del aire exterior como carcinógeno reconocido en humanos. Sin embargo, apenas disponemos de estudios que hayan centrado su investigación en la influencia que pueden ejercer las exposiciones ambientales sobre la DM. Una característica clave de la DM, que la diferencia de otros factores de riesgo de cáncer de mama, es su naturaleza dinámica y modificable. La identificación de exposiciones ambientales que aumenten o disminuyan dicha DM podría ser el camino para desarrollar estrategias de prevención primaria. Además, la DM se ha incorporado a los modelos de predicción individual de riesgo de cáncer de mama, lo cual permite considerar intervenciones en una población específica. Por todo ello, esta investigación pretende evaluar la influencia de las siguientes exposiciones sobre la DM: a) exposición a ocupaciones y agentes ocupacionales; b) exposición (proximidad) a focos contaminantes industriales; y c) exposición al tráfico vehicular y contaminantes atmosféricos. Para dar respuesta a los objetivos planteados se utilizó la información recogida en el proyecto DDM-Madrid (EC11-2273), estudio epidemiológico transversal que reclutó a 1466 trabajadoras premenopáusicas, de entre 39 y 50 años, que se realizaron su examen ginecológico laboral en el Centro de Diagnóstico Médico del Ayuntamiento de Madrid entre 2013 y 2015. La DM fue medida a través de una herramienta digital previamente validada (DM-Scan). Las exposiciones laborales se identificaron gracias a la Matriz Empleo-Exposición Española (MatEmEsp). La exposición (proximidad) a focos contaminantes industriales se obtuvo del Registro Estatal de Emisiones y Fuentes Contaminantes (PRTR-España). La exposición a la contaminación por tráfico se estimó mediante un Índice Ponderado de Exposición al Tráfico, y los datos de tráfico se obtuvieron de mediciones del número medio de vehículos/día proporcionadas por el Ayuntamiento de Madrid. Por último, la exposición, a largo plazo, a contaminantes atmosféricos específicos (dióxido de azufre, monóxido de carbono, óxidos de nitrógeno, material particulado y ozono) se estimó con datos horarios sobre los contaminantes obtenidos de las estaciones de control del Sistema Integral de Calidad del Aire del Ayuntamiento de Madrid, geocodificando las direcciones residenciales y aplicando métodos de kriging (interpolación) para estimar la media anual de 3 años de exposición de cada mujer. Para analizar la asociación entre la DM (variable respuesta) y los potenciales factores de riesgo (variables explicativas) se utilizaron modelos de regresión lineal múltiple. Estos modelos fueron ajustados por potenciales confusores: edad, índice masa corporal, paridad, existencia de biopsias mamarias previas, antecedentes familiares de cáncer de mama, uso de anticonceptivos orales, consumo de alcohol y tabaco, nivel educativo y número de calorías diarias ingeridas. Los hallazgos de este trabajo muestran que, aunque ninguna ocupación se asoció de manera estadísticamente significativa con la DM, se observó una relación inversa, casi significativa, en las trabajadoras de huertos, invernaderos, viveros y jardines y en las técnicas de las tecnologías de la información y las comunicaciones, así como una asociación positiva en las técnicas de galerías de arte y trabajadoras de museos y bibliotecas. También se observó una menor DM en mujeres expuestas laboralmente a fungicidas, herbicidas e insecticidas. Por otro lado, los resultados del estudio sobre focos industriales revelaron asociaciones significativas entre una mayor DM y vivir cerca de ciertos sectores industriales (tratamiento de superficies metálicas y plásticas, química orgánica, farmacéuticas y depuradoras) y contaminantes industriales específicos (amoníaco, diclorometano, etilbenceno y fenoles). Además, los hallazgos mostraron que vivir cerca de ciertos clusters o agrupaciones industriales podría asociarse con una mayor DM. Finalmente, ni la presencia de mayor cantidad de tráfico en el entorno domiciliario de las mujeres, ni la exposición a contaminantes atmosféricos específicos se asoció de manera significativa con la DM. Dada la relevancia de la DM como importante biomarcador del riesgo de cáncer de mama, identificar exposiciones que pueden modular la DM es fundamental para prevenir el cáncer de mama, mejorar su detección temprana, comprender los mecanismos subyacentes y diseñar políticas de salud pública más efectivas. [EN] Breast cancer is the most common type of tumor in Spanish women. Its incidence continues to increase and, moreover, it represents the leading cause of cancer-related death in women. The main phenotype marker of breast cancer risk is mammographic density (MD), defined as the amount of radiologically dense fibroglandular tissue compared to fatty tissue. Although MD has been associated with several risk factors, it is not yet known whether the environmental exposures to which we are exposed on a daily basis could influence more or less on MD. The International Agency for Research on Cancer (IARC) recognized 47 agents or mixtures and 12 occupations, industries or processes with sufficient evidence of carcinogenicity in humans. IARC has also classified outdoor air pollution as a recognized carcinogen to humans. However, there are few studies that have focused their research on the influence of environmental exposures on MD. A key feature of MD, which differentiates it from other breast cancer risk factors, is its dynamic and modifiable nature. Identifying environmental exposures that increase or decrease MD could be the pathway to developing primary prevention strategies. In addition, MD has been incorporated into individual breast cancer risk prediction models, allowing for population-specific interventions to be considered. Therefore, this research aims to assess the influence of the following exposures on MD: a) exposure to occupations and occupational agents; b) exposure (proximity) to industrial pollutants; and c) exposure to vehicular traffic and air pollutants. In order to respond to the stated objectives, the information collected in the DDM-Madrid project (EC11-2273) was used, a cross-sectional epidemiological study that recruited 1466 premenopausal female workers, aged 39-50 years, who underwent their gynecological examination at the Medical Diagnostic Centre of the Madrid City Council between 2013 and 2015. MD was measured using a previously validated digital tool (DM-Scan). Occupational exposures were identified thanks to the Spanish Employment-Exposure Matrix (MatEmEsp). Exposure (proximity) to industrial pollutants was obtained from the Spanish Pollutant Release and Transfer Register (PRTR-España). Exposure to traffic pollution was estimated using a Weighted Traffic Exposure Index, and traffic data were obtained from measurements of the average number of vehicles/day provided by the Madrid City Council. Finally, long-term exposure to specific air pollutants (sulfur dioxide, carbon monoxide, nitrogen oxides, particulate matter and ozone) was estimated with hourly data on pollutants obtained from the monitoring stations of the Integrated Air Quality System of the Madrid City Council, geocoding residential addresses and applying kriging (interpolation) methods to estimate the 3-year annual average exposure for each woman. Multiple linear regression models were used to analyze the association between MD (response variable) and potential risk factors (explanatory variables). These models were adjusted for potential confounders: age, body mass index, parity, existence of previous breast biopsies, family history of breast cancer, use of oral contraceptives, alcohol and tobacco consumption, educational level and number of daily calories ingested. The findings of this work show that, although no occupation was statistically significantly associated with MD, an inverse, almost significant, relationship was observed for women working in orchards, greenhouses, nurseries and gardens, as well as for information and communication technology technicians. In contrast, a positive association was found for women technicians in art galleries, museums, and libraries. Lower MD was also observed in women occupationally exposed to fungicides, herbicides, and insecticides. On the other hand, the results of the study about industrial foci revealed significant associations between higher MD and living near certain industrial sectors (surface treatment of metals and plastic, organic chemical industry, pharmaceutical industry, and urban waste-water treatment plants) and specific industrial pollutants (ammonia, dichloromethane, ethylbenzene, and phenols). In addition, the findings showed that living close to certain industrial clusters could be associated with higher MD. Finally, neither the presence of more traffic in the women's home environment nor exposure to specific air pollutants was significantly associated with MD. Given the relevance of MD as an important biomarker of breast cancer risk, identifying exposures that may modulate MD is essential to prevent breast cancer, improve early detection, understand the underlying mechanisms, and design more effective public health policies.
RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publicación Tesis doctoral (DoctoralThesis)

The Evaluation of Artificial Intelligence as a Prediction Problem

  • Schellaert, Wout Willy M.
[ES] La inteligencia artificial (IA) es cada vez más importante en nuestra vida cotidiana. Innumerables productos y servicios dependen de algún tipo de cognición artificial para funcionar. Dada su creciente relevancia, la evaluación de los sistemas de IA, es decir, medir lo bien que funcionan o lo inteligentes que son, no se encuentra, sin embargo, en el estado que nos gustaría. La precisión de las estimaciones de rendimiento se ve afectada por cambios en la distribución y la contaminación del conjunto de pruebas. Dada una nueva instancia de una tarea, la mayoría de los procedimientos de evaluación no proporcionan una estimación granular del rendimiento adaptada a esa instancia. Además, con la llegada de la IA de propósito general (GPAI), el alcance de la evaluación ha aumentado significativamente, lo que conlleva una pesada carga logística y de datos para las metodologías de evaluación comúnmente aplicadas así como una distribución desconocida de tareas sobre las que medir el rendimiento. Motivados por la importancia de la predicción en la filosofía de la ciencia, por la relevancia de la predicción para las prácticas de evaluación en otros campos, como la cognición animal y la psicometría, y por el papel de la predicción como lenguaje central en el propio campo del aprendizaje automático, enmarcamos la evaluación de la inteligencia artificial como un problema de predicción. Desarrollamos un marco formal que conceptualiza los procedimientos de evaluación como algoritmos de aprendizaje que producen modelos de predicción del rendimiento a partir de datos empíricos. Este marco nos ha ayudado a replantearnos la disciplina de la evaluación en el lenguaje de la estadística y el aprendizaje automático, aportando una solución al problema del refinamiento al condicionar los resultados de la evaluación a la variable de entrada, lo que también aborda parcialmente los problemas de cambio de distribución. Para los retos que siguen sin resolverse, analogías con la literatura AI proporciona un camino a seguir mediante el escalado de los datos, centrándose en la generalización, o introduciendo el meta-aprendizaje para la evaluación. Además, se presentan dos estudios empíricos. El primero es una investigación de los «assessor models», una técnica de aprendizaje automático desarrollada recientemente para predecir de forma granular el rendimiento de los sistemas de IA, en la que el escenario experimental se centra en los grandes modelos de lenguaje (LLM, por sus siglas en ingés) y en los factores que influyen en la predictibilidad de su rendimiento. Se constata que es posible realizar una estimación refinada de la evaluación a nivel de instancia, que la estimación de la evaluación fuera de la distribución es sistemáticamente difícil y que el uso de datos multitarea y multisistema puede mejorar la precisión de la evaluación. El segundo estudio investiga de nuevo el rendimiento de los modelos de lenguaje, pero en esta ocasión desde la perspectiva de los usuarios humanos que realizan predicciones de evaluación en su interacción directa con los sistemas de IA. En más de treinta modelos de tres familias diferentes de modelos de lenguaje, observamos que, si bien la dificultad humana se correlaciona bien con el rendimiento de los LLM, la forma escalonada del gráfico dificultad-rendimiento es demasiado pequeña para facilitar una predicción fiable. No existe una región --ni siquiera reduciendo la dificultad-- en la que el rendimiento sea perfecto, y los modelos más nuevos mejoran ganando terreno en las instancias medias y difíciles, más que en las fáciles. Llegamos a la conclusión de que una interpretación predictiva de la evaluación permitiendo que la ciencia y la práctica de la evaluación coevolucionen de forma más natural con los avances de la inteligencia artificial., [CA] La intel.ligència artificial (IA) és cada vegada més important en la nostra vida quotidiana. Innombrables productes i serveis depenen d'alguna mena de cognició artificial per a funcionar. Donada aquesta creixent rellevància, l'avaluació dels sistemes d'IA, és a dir, mesurar com de bé funcionen o com d'intel.ligents són, no es troba, però, en l'estat que ens agradaria. Tant en la pràctica com en la teoria, l'avaluació pateix de diverses mancances. La precisió de les estimacions de rendiment es veu afectada per canvis en la distribució i la contaminació del conjunt de proves. Donada una nova instància d'una tasca, la majoria dels procediments d'avaluació no proporcionen una estimació granular del rendiment adaptada a eixa instància. A més, amb l'arribada de la IA de propòsit general (GPAI), l'abast de l'avaluació ha augmentat significativament, la qual cosa comporta una pesada càrrega logística i de dades per a les metodologies d'avaluació comunament aplicades així com una distribució desconeguda de tasques sobre les quals mesurar el rendiment. Motivats per la importància de la predicció en la filosofia de la ciència, per la rellevància de la predicció per a les pràctiques d'avaluació en altres camps, com la cognició animal i la psicometria, i pel paper de la predicció com a llenguatge central en el propi camp de l'aprenentatge automàtic, emmarquem l'avaluació de la intel.ligència artificial com un problema de predicció. Desenvolupem un marc formal que conceptualitza els procediments d'avaluació com a algorismes d'aprenentatge que produeixen models de predicció del rendiment a partir de dades empíriques. Aquest marc ens ha ajudat a replantejar-nos la disciplina de l'avaluació en el llenguatge de l'estadística i l'aprenentatge automàtic, aportant una solució al problema del refinament en condicionar els resultats de l'avaluació a la variable d'entrada, la qual cosa també aborda parcialment els problemes de canvi de distribució. Per als reptes que segueixen sense resoldre's, com la predicció fora de distribució i l'ampli abast de l'avaluació dels sistemes GPAI, poden traçar-se clares analogies amb la literatura sobre aprenentatge automàtic. Això proporciona un camí a seguir mitjançant l'escalat de les dades, centrant-se en la generalització, o introduint el meta-aprenentatge per a l'avaluació. A més, es presenten dos estudis empírics. El primer és una investigació dels «assessors models», una tècnica d'aprenentatge automàtic desenvolupada recentment per a predir de manera granular el rendiment dels sistemes d'IA, en la qual l'escenari experimental se centra en els grans models de llenguatge (LLM, per les seues sigles en anglés) i en els factors que influeixen en la predictibilitat del seu rendiment. Es constata que és possible realitzar una estimació refinada de l'avaluació a nivell d'instància, que l'estimació de l'avaluació fora de la distribució és sistemàticament difícil i que l'ús de dades multitasca i multisistema pot millorar la precisió de l'avaluació. El segon estudi investiga de nou el rendiment dels models de llenguatge, però en aquesta ocasió des de la perspectiva dels usuaris humans que realitzen prediccions d'avaluació en la seua interacció directa amb els sistemes de IA. En més de trenta models de tres famílies diferents, observem que, si bé la dificultat humana es correlaciona bé amb el rendiment dels LLM, la forma escalonada del gràfic dificultat-rendiment és massa suau per a facilitar una predicció fiable. No existeix una regió --ni tan sols reduïnt la dificultat-- en la qual el rendiment siga perfecte, i els models més nous milloren guanyant terreny en les instàncies mitjanes i difícils, més que en les fàcils. Arribem a la conclusió que una interpretació predictiva de l'avaluació permetent que la ciència i la pràctica de l'avaluació coevolucionen de forma més natural amb els avanços de la intel.ligència artificial., [EN] Artificial intelligence (AI) is becoming more and more relevant to our daily lives. Countless products and services rely on some sort of machine cognition to function. Given this increased relevance, the evaluation of AI systems, i.e. measuring how well they perform or how intelligent they are, is however not in the state we would like it to be. Both in practice and in theory, evaluation is lacking in various ways. Performance estimations suffer in accuracy under distribution shift and test set contamination. Given a new instance of a task, most evaluation procedures do not provide a granular performance estimate tailored to that instance. And with the advent of general-purpose AI (GPAI), the scope of evaluation has increased significantly, associating a heavy data and logistical burden with common evaluation methodology, and entailing an unknown distribution of tasks to measure performance for. Motivated by the importance of prediction in the philosophy of science, the relevance of prediction to the practices of evaluation in other fields such as animal cognition and psychometrics, and the role of prediction as a central language in the field of machine learning itself, we frame the evaluation of artificial intelligence as a prediction problem. We develop a formal framework conceptualising evaluation procedures as learning algorithms that produce performance-predicting models from empirical data. This framework then helped us reframe the notion evaluation in the language of machine learning, providing a solution to the refinement problem by conditioning evaluation results on the input variable, which also partially addresses the distribution shift problem. For challenges that remain unsolved. e.g. out-of-distribution prediction and the large scope of evaluating GPAI systems, clear analogies to machine learning literature can be drawn, providing a way forward through scaling up data, focusing on generalisation, or introducing meta-learning for evaluation. Additionally, two empirical studies are presented. The first is an investigation of "assessor models", a newly developed machine learning technique for granularly predicting AI system performance, where the experimental setting is focused on large language models (LLMs) and the factors influencing the predictability of their performance. We find that refined instance-level score estimation is possible, out-of-distribution score estimation is consistently hard, and that the use of multi-task and multi-system data can improve evaluation accuracy. The second study again investigates language model performance, but now from the perspective of human users doing score prediction in their direct interaction with AI systems. Starting from human-derived notions of difficulty, we analyse performance, question avoidance, prompt sensitivity, and human supervision across five different tasks over varying difficulty levels. We also add two other dimensions: that of scaling language models, i.e. making them bigger in terms of parameters and ingested data, and that of shaping them, making them more instructable and easier to use. Over more than thirty models from three different language model families, we find that while human difficulty correlates well with LLM performance, there is too little of a step shape in the difficulty-performance plot to facilitate confident prediction. There is no region --regardless how low the difficulty-- where performance is perfect, as newer models improve by gaining ground on the medium and hard instances, rather than the easy ones. We conclude that a predictive interpretation of evaluation brings together different techniques and applications of evaluation. By drawing from the rich literature of machine learning and statistics, we can solve several fundamental issues in evaluation theory, while making progress in several others, allowing the science and practice of evaluation to more naturally co-evolve with the advances of artificial intelligence., I want to thank the UPV, the Doctoral School, the Vicerectorate of Investigation, the European Social Fund, and the Spanish Ministry of Education, Culture, Universities and Employment for funding my doctoral research through grant agreements DOCEMPR21, DOCEMPR22 and DOCEMPR23, as well as SOCERFAB SALUD S.R.L. for being an industrial partner. I also acknowledge support from EU’s Horizon 2020 Research and Innovation Programme, which made a long and wonderful research stay possible under grant agreement No. 952215 (TAILOR).
RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publicación Tesis doctoral (DoctoralThesis)

La escultura arquitectónica en terracruda: análisis tecnológico basado en la evidencia histórico-arqueológica y el estudio del conocimiento tradicional

  • López Prat, Mònica
[ES] La presente tesis profundiza en el saber metodológico, material y simbólico del tipo de bien cultural categorizado como "escultura arquitectónica en terracruda", dirigiéndolo a dilucidar los problemas conservativos que le son característicos. Para ello parte de la hipótesis según la cual el empleo simbólico de la tierra con fines espirituales es el que habría conducido al desarrollo de un método o conjunto de técnicas encaminadas a la representación de la divinidad mediante este material, las cuales podrían mostrar un patrón de elaboración común repetido a lo largo del tiempo y preservado hasta nuestros días. En la verificación de dicha hipótesis se emplea un enfoque multimodal, comparando: los datos obtenidos del estudio de la bibliografía histórico-arqueológica, la documentación del conocimiento tradicional conservado en el noroeste de la India y algunas áreas del Himalaya y los análisis de muestras de ejemplos de esculturas arqueológicas de entre los siglos V y X d.C., procedentes en los yacimientos budistas de Tepe Narenj y Qol-e-tut (Kabul, Afganistán). Los resultados demuestran la existencia de un patrón de elaboración común y por lo tanto la conexión de este tipo de obras con un saber milenario preservado durante más de 2.000 años en algunas regiones de Asia. Con ello, no sólo se amplía el conocimiento científico que hasta hoy se tenía de esta clase de obras y se sientan las bases para un protocolo de actuación dirigido a mejorar su conservación en caso de ser halladas en contexto arqueológico, si no que los resultados ofrecen una nueva perspectiva de estudio, a la vez que sirven para inspirar futuras líneas de intervención más acordes con su naturaleza y significado., [CA] La present tesi aprofundeix en el saber metodològic, material i simbòlic del tipus de bé cultural categoritzat com "escultura arquitectònica en terracrua", dirigint-lo a dilucidar els problemes conservatius que li són característics. Per fer-ho parteix de la hipòtesi segons la qual l'ús simbòlic de la terra amb finalitats espirituals és el que hauria conduït a el desenvolupament d'un mètode o conjunt de tècniques encaminades a la representació de la divinitat mitjançant aquest material, les quals podrien mostrar un patró d'elaboració comú repetit al llarg de el temps i preservat fins als nostres dies. En la verificació d'aquesta hipòtesi s'ha emprat un enfoc multimodal, comparant: les dades obtingudes mitjançant l'estudi de la bibliografia històrico-arqueològica, la documentació del coneixement tradicional conservat al nord-oest de l'Índia i algunes àrees de l'Himàlaia i les anàlisis de mostres d'exemples d'escultures arqueològiques d'entre els segles V i X dC, procedents en els jaciments budistes de Tepe Narenj i Qol-e-tut (Kabul, Afganistan). Els resultats demostren l'existència d'un patró d'elaboració comú i per tant la connexió d'aquest tipus d'obres amb un saber mil·lenari preservat durant més de 2.000 anys en algunes regions d'Àsia. Les dades obtingudes no tan sols amplien el coneixement científic que fins avui es tenia d'aquesta classe d'obres, posant les bases per a un protocol d'actuació dirigit a millorar la seva conservació en cas de ser trobades en context arqueològic, sinó que també ofereixen una nova perspectiva d'estudi, alhora que serveixen per inspirar futures línies d'intervenció més d'acord amb la seva naturalesa i significat., [EN] The present thesis delves into the methodological, material, and symbolic knowledge of a type of cultural heritage categorized as "architectural sculpture in terracruda" to elucidate the conservation problems that are characteristic of it. To this end, it is based on the hypothesis that the symbolic use of "earth" for spiritual purposes is what would have led to the development of a method or set of techniques aimed at the representation of the divinity through this material, which could show a common pattern of elaboration repeated over time and preserved to the present day. A multimodal approach is used to verify this hypothesis, comparing the data obtained through the study of the historical-archaeological literature, the documentation of traditional knowledge preserved in north-western India and some areas of the Himalayas and the analysis of archaeological samples of sculptures from the 5th to 10th centuries A.D., from the Buddhist sites of Tepe Narenj and Qol-e-tut (Kabul, Afghanistan). The results demonstrate the existence of a common pattern of elaboration and therefore the connection of this type of works with a millenary knowledge preserved for more than 2,000 years in some regions of Asia. This not only broadens the scientific knowledge of this type of work and lays the foundations for an action protocol aimed at improving their conservation in case they are found in an archaeological context, but the results also offer a new perspective of study, while serving to inspire future lines of intervention more in line with their nature and significance., Gracias a la valiosa ayuda de la National Geographic Society (EC-59568C-19)