|
Tabla 2: Modelos de estudio basados en Deep Learning. |
||
|
Autor (referencia) |
Año |
Algoritmos de predicción |
|
Semwal A(19) |
2018 |
Detección automática de la intensidad del dolor mediante redes neuronales convolucionales |
|
Lee H-C(20) |
2018 |
Predicción del índice biespectral durante la infusión controlada de propofol y remifentanilo |
|
Salekin MS(21) |
2020 |
Enfoque espaciotemporal multimodal de Deep Learning para la evaluación del dolor postoperatorio neonatal |
|
Wang R(22) |
2020 |
Red fisiológica profunda basada en RNN-ANN (red neuronal recurrente-red neuronal artificial) híbrida para el reconocimiento del dolor |
|
Zhi R(23) |
2021 |
Redes neuronales integradas en flujos multimodales para la evaluación del dolor |
|
Guan B(24) |
2022 |
Enfoque por medio de Deep Learning para predecir la progresión del dolor en la osteoartritis de rodilla |
|
Liu Y-L(25) |
2022 |
Algoritmo de aprendizaje profundo para detectar pericarditis aguda por electrocardiograma |
|
Yoon H(26) |
2022 |
Desarrollo de un indicador de dolor espontáneo basado en el calcio celular cerebral mediante Deep Learning |
|
Fang J(27) |
2023 |
Evaluación guiada por Deep Learning del dolor postoperatorio en niños |
|
Fontaine D(28) |
2023 |
Inteligencia artificial para evaluar el dolor postoperatorio a partir del reconocimiento de expresiones faciales |
|
Pinzon-Arenas JO(29) |
2023 |
Diseño y evaluación de modelos de Deep Learning para la detección continua del dolor agudo basado en la actividad electrodérmica |