Síntomas depresivos en estudiantes universitarios de la Carrera de Medicina en la Universidad Técnica de Manabí, Ecuador
Tesis
Materias > Psicología
Universidad Europea del Atlántico > Docencia > Trabajos finales de Máster
Universidad Internacional Iberoamericana México > Docencia > Trabajos finales de Máster
Cerrado
Español
Introducción: La depresión es una enfermedad disruptiva del estado de ánimo con morbilidad asociada donde se experimenta tristeza recurrente y persistente que suele cronificarse con el tiempo, pérdida del interés por las cosas que antes le resultaban placenteras; afectando las áreas vitales. La presente investigación surge de la necesidad de indagar la manifestación clínica de síntomas depresivos en los estudiantes en formación profesional en medicina, con el fin de corroborar la problemática biopsicosocial que viven los estudiantes por los altos niveles de estrés que se encuentran enfrentando diariamente. Objetivo: El objetivo de la investigación es evaluar los síntomas depresivos en los estudiantes de sexto, séptimo y octavo semestre de la carrera de Medicina de la Universidad Técnica de Manabí, Ecuador. Metodología: Para ello se realizó un estudio con diseño observacional, exploratorio y descriptivo, de corte transversal; obteniendo así representaciones importantes de las distintas categorías presentes en el Inventario de Depresión de Beck BDI-II. Resultados: En los resultaron se evidenciaron el predominio del sexo femenino con un 57% y el estado civil de soltero es la mayoría de los estudiantes encuestados con un 96%, la edad predominante es entre los 22 y 24 años con un 61%. Los ítems de Tristeza, Sentimientos de culpa, Pérdida de interés, Pérdida de energía, Autocrítica, Cambios en los hábitos de sueño, Cansancio o fatiga; fueron los que presentaron respuestas más críticas; con porcentajes entre 32% y 50%. La prueba de homogeneidad de varianza mediante el estadístico de Levene, se cumple, a excepción de los ítems 05 (sentimientos de culpa) y 15 (pérdida de energía), por tanto, para los ítems 05 y 15 se lleva a cabo la prueba no paramétrica de Kruskall Wallis. Para comprobación de la normalidad está la prueba de Kolmogorov-Smirnov, en el cual todos los p-valores fueron muy cercanos a cero lo que indican el no cumplimiento de la normalidad, sin embargo, no es un requisito fundamental para los ANOVAS. En lo Anovas se probó la siguiente hipótesis, que el puntaje promedio de los estudiantes del sexto, séptimo y octavo curso no tiene diferencias significativas en cuanto a cada ítem. Conclusión: Atendiendo al diseño de investigación, se pudo observar que la mitad de los estudiantes no revelan sintomatología depresiva; sin embargo, la otra mitad si arroja un nivel de depresión con riesgo moderado de 22%, depresión leve 15% y depresión severa con el 13%; encontrándose que la mitad de la población estudiada si se adolece con la expresión de los síntomas que señala el inventario BDI-II.
metadata
Avellan Cedeño, Maria Lisbeth
mail
marialis_avell91@hotmail.com
(2023)
Síntomas depresivos en estudiantes universitarios de la Carrera de Medicina en la Universidad Técnica de Manabí, Ecuador.
Masters thesis, SIN ESPECIFICAR.
Resumen
Introducción: La depresión es una enfermedad disruptiva del estado de ánimo con morbilidad asociada donde se experimenta tristeza recurrente y persistente que suele cronificarse con el tiempo, pérdida del interés por las cosas que antes le resultaban placenteras; afectando las áreas vitales. La presente investigación surge de la necesidad de indagar la manifestación clínica de síntomas depresivos en los estudiantes en formación profesional en medicina, con el fin de corroborar la problemática biopsicosocial que viven los estudiantes por los altos niveles de estrés que se encuentran enfrentando diariamente. Objetivo: El objetivo de la investigación es evaluar los síntomas depresivos en los estudiantes de sexto, séptimo y octavo semestre de la carrera de Medicina de la Universidad Técnica de Manabí, Ecuador. Metodología: Para ello se realizó un estudio con diseño observacional, exploratorio y descriptivo, de corte transversal; obteniendo así representaciones importantes de las distintas categorías presentes en el Inventario de Depresión de Beck BDI-II. Resultados: En los resultaron se evidenciaron el predominio del sexo femenino con un 57% y el estado civil de soltero es la mayoría de los estudiantes encuestados con un 96%, la edad predominante es entre los 22 y 24 años con un 61%. Los ítems de Tristeza, Sentimientos de culpa, Pérdida de interés, Pérdida de energía, Autocrítica, Cambios en los hábitos de sueño, Cansancio o fatiga; fueron los que presentaron respuestas más críticas; con porcentajes entre 32% y 50%. La prueba de homogeneidad de varianza mediante el estadístico de Levene, se cumple, a excepción de los ítems 05 (sentimientos de culpa) y 15 (pérdida de energía), por tanto, para los ítems 05 y 15 se lleva a cabo la prueba no paramétrica de Kruskall Wallis. Para comprobación de la normalidad está la prueba de Kolmogorov-Smirnov, en el cual todos los p-valores fueron muy cercanos a cero lo que indican el no cumplimiento de la normalidad, sin embargo, no es un requisito fundamental para los ANOVAS. En lo Anovas se probó la siguiente hipótesis, que el puntaje promedio de los estudiantes del sexto, séptimo y octavo curso no tiene diferencias significativas en cuanto a cada ítem. Conclusión: Atendiendo al diseño de investigación, se pudo observar que la mitad de los estudiantes no revelan sintomatología depresiva; sin embargo, la otra mitad si arroja un nivel de depresión con riesgo moderado de 22%, depresión leve 15% y depresión severa con el 13%; encontrándose que la mitad de la población estudiada si se adolece con la expresión de los síntomas que señala el inventario BDI-II.
| Tipo de Documento: | Tesis (Masters) |
|---|---|
| Palabras Clave: | Depresión, Sintomatología, Salud mental, Estrés, Estudiante de medicina |
| Clasificación temática: | Materias > Psicología |
| Divisiones: | Universidad Europea del Atlántico > Docencia > Trabajos finales de Máster Universidad Internacional Iberoamericana México > Docencia > Trabajos finales de Máster |
| Depositado: | 02 Dic 2024 23:30 |
| Ultima Modificación: | 03 Dic 2024 23:30 |
| URI: | https://repositorio.unini.edu.mx/id/eprint/8317 |
Acciones (logins necesarios)
 |
Ver Objeto |
<a class="ep_document_link" href="/27825/1/s41598-026-39196-x_reference.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Histopathological evaluation is necessary for the diagnosis and grading of prostate cancer, which is still one of the most common cancers in men globally. Traditional evaluation is time-consuming, prone to inter-observer variability, and challenging to scale. The clinical usefulness of current AI systems is limited by the need for comprehensive pixel-level annotations. The objective of this research is to develop and evaluate a large-scale benchmarking study on a weakly supervised deep learning framework that minimizes the need for annotation and ensures interpretability for automated prostate cancer diagnosis and International Society of Urological Pathology (ISUP) grading using whole slide images (WSIs). This study rigorously tested six cutting-edge multiple instance learning (MIL) architectures (CLAM-MB, CLAM-SB, ILRA-MIL, AC-MIL, AMD-MIL, WiKG-MIL), three feature encoders (ResNet50, CTransPath, UNI2), and four patch extraction techniques (varying sizes and overlap) using the PANDA dataset (10,616 WSIs), yielding 72 experimental configurations. The methodology used distributed cloud computing to process over 31 million tissue patches, implementing advanced attention mechanisms to ensure clinical interpretability through Grad-CAM visualizations. The optimum configuration (UNI2 encoder with ILRA-MIL, 256 256 patches, 50% overlap) achieved 78.75% accuracy and 90.12% quadratic weighted kappa (QWK), outperforming traditional methods and approaching expert pathologist-level diagnostic capability. Overlapping smaller patches offered the best balance of spatial resolution and contextual information, while domain-specific foundation models performed noticeably better than generic encoders. This work is the first large-scale, comprehensive comparison of weekly supervised MIL methods for prostate cancer diagnosis and grading. The proposed approach has excellent clinical diagnostic performance, scalability, practical feasibility through cloud computing, and interpretability using visualization tools.
Naveed Anwer Butt mail , Dilawaiz Sarwat mail , Irene Delgado Noya mail irene.delgado@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Nagwan Abdel Samee mail , Imran Ashraf mail ,
Butt
<a href="/27915/1/csbj.0023.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
This systematic literature review (SLR) investigates the integration of deep learning (DL), vision-language models(VLMs), and multi-agent systems in the analysis of pathology images and automated report generation. The rapidadvancement of whole-slide imaging (WSI) technologies has posed new challenges in pathology, especially due to thescale and complexity of the data. DL techniques in general and convolutional neural networks (CNNs) and transform-ers in particular have significantly enhanced image analysis tasks including segmentation, classification, and detection.However, these models often lack generalizability to generate coherent, clinically relevant text, thus necessitating theintegration of VLMs and large language models (LLMs). This review examines the effectiveness of VLMs and LLMsin bridging the gap between visual data and clinical text, focusing on their potential for automating the generationof pathology reports. Additionally, multi-agent systems, which leverage specialized artificial intelligence (AI) agentsto collaboratively perform diagnostic tasks, are explored for their contributions to improving diagnostic accuracy andscalability. Through a synthesis of recent studies, this review highlights the successes, challenges, and future direc-tions of these AI technologies in pathology diagnostics, offering a comprehensive foundation for the development ofintegrated, AI-driven diagnostic workflows.
Usama Ali mail , Imran Shafi mail , Jamil Ahmad mail , Arlette Zárate Cáceres mail , Thania Chio Montero mail , Hafiz Muhammad Raza ur Rehman mail , Imran Ashraf mail ,
Ali
<a href="/27554/1/s41598-026-37541-8_reference.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
A scalable and secure federated learning authentication scheme for IoT
Secure and scalable authentication remains a fundamental challenge in Internet of Things (IoT) networks due to constrained device resources, dynamic topology, and the absence of centralized trust infrastructures. Conventional password-based and certificate-driven authentication schemes incur high computation, storage, and communication overhead, limiting their suitability for large-scale deployments. To address these limitations, this paper proposes ScLBS, a federated learning (FL)–based self-certified authentication scheme for distributed and sustainable IoT environments. ScLBS integrates self-certified public key cryptography with FL-driven trust adaptation, enabling decentralized public key derivation without reliance on third-party certificate authorities or exposure of private credentials. A zero-knowledge mechanism combined with location-aware authentication strengthens resistance to impersonation, Sybil, and replay attacks. Hierarchical key management supported by a -tree enables efficient group rekeying and preserves forward and backward secrecy under dynamic membership. Formal security verification is conducted under the Dolev–Yao adversary model using ProVerif, confirming secrecy of private and session keys (SKs) and correctness of authentication. Extensive NS-3 simulations and ablation analysis demonstrate that ScLBS achieves lower authentication delay, reduced message overhead, improved network utilization, and decreased energy consumption compared to representative IoT authentication schemes, while maintaining bounded FL overhead. These results indicate that ScLBS provides a balanced trade-off between security strength, scalability, and resource efficiency for constrained IoT networks.
Premkumar Chithaluru mail , B. Veera Jyothi mail , Fahd S. Alharithi mail , Wojciech Ksiazek mail , M. Ramchander mail , Aman Singh mail aman.singh@uneatlantico.es, Ravi Kumar Rachavaram mail ,
Chithaluru
<a href="/27968/1/sensors-26-01516-v2.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Human Activity Recognition in Domestic Settings Based on Optical Techniques and Ensemble Models
Human activity recognition (HAR) is essential in many applications, such as smart homes, assisted living, healthcare monitoring, rehabilitation, physiotherapy, and geriatric care. Conventional methods of HAR use wearable sensors, e.g., acceleration sensors and gyroscopes. However, they are limited by issues such as sensitivity to position, user inconvenience, and potential health risks with long-term use. Optical camera systems that are vision-based provide an alternative that is not intrusive; however, they are susceptible to variations in lighting, intrusions, and privacy issues. The paper uses an optical method of recognizing human domestic activities based on pose estimation and deep learning ensemble models. The skeletal keypoint features proposed in the current methodology are extracted from video data using PoseNet to generate a privacy-preserving representation that captures key motion dynamics without being sensitive to changes in appearance. A total of 30 subjects (15 male and 15 female) were sampled across 2734 activity samples, including nine daily domestic activities. There were six deep learning architectures, namely, the Transformer (Transformer), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Multilayer Perceptron (MLP), One-Dimensional Convolutional Neural Network (1D CNN), and a hybrid Convolutional Neural Network–Long Short-Term Memory (CNN–LSTM) architecture. The results on the hold-out test set show that the CNN–LSTM architecture achieves an accuracy of 98.78% within our experimental setting. Leave-One-Subject-Out cross-validation further confirms robust generalization across unseen individuals, with CNN–LSTM achieving a mean accuracy of 97.21% ± 1.84% across 30 subjects. The results demonstrate that vision-based pose estimation with deep learning is a useful, precise, and non-intrusive approach to HAR in smart healthcare and home automation systems.
Muhammad Amjad Raza mail , Nasir Mehmood mail , Hafeez Ur Rehman Siddiqui mail , Adil Ali Saleem mail , Roberto Marcelo Álvarez mail roberto.alvarez@uneatlantico.es, Yini Airet Miró Vera mail yini.miro@uneatlantico.es, Isabel de la Torre Díez mail ,
Raza
<a class="ep_document_link" href="/26722/1/nutrients-18-00257.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Background/Objectives: The growing integration of Artificial Intelligence (AI) and chatbots in health professional education offers innovative methods to enhance learning and clinical preparedness. This study aimed to evaluate the educational impact and perceptions in university students of Human Nutrition and Dietetics, regarding the utility, usability, and design of the E+DIEting_Lab chatbot platform when implemented in clinical nutrition training. Methods: The platform was piloted from December 2023 to April 2025 involving 475 students from multiple European universities. While all 475 students completed the initial survey, 305 finished the follow-up evaluation, representing a 36% attrition rate. Participants completed surveys before and after interacting with the chatbots, assessing prior experience, knowledge, skills, and attitudes. Data were analyzed using descriptive statistics and independent samples t-tests to compare pre- and post-intervention perceptions. Results: A total of 475 university students completed the initial survey and 305 the final evaluation. Most university students were females (75.4%), with representation from six languages and diverse institutions. Students reported clear perceived learning gains: 79.7% reported updated practical skills in clinical dietetics and communication were updated, 90% felt that new digital tools improved classroom practice, and 73.9% reported enhanced interpersonal skills. Self-rated competence in using chatbots as learning tools increased significantly, with mean knowledge scores rising from 2.32 to 2.66 and skills from 2.39 to 2.79 on a 0–5 Likert scale (p < 0.001 for both). Perceived effectiveness and usefulness of chatbots as self-learning tools remained positive but showed a small decline after use (effectiveness from 3.63 to 3.42; usefulness from 3.63 to 3.45), suggesting that hands-on experience refined, but did not diminish, students’ overall favorable views of the platform. Conclusions: The implementation and pilot evaluation of the E+DIEting_Lab self-learning virtual patient chatbot platform demonstrate that structured digital simulation tools can significantly improve perceived clinical nutrition competences. These findings support chatbot adoption in dietetics curricula and inform future digital education innovations.
Iñaki Elío Pascual mail inaki.elio@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Imanol Eguren García mail imanol.eguren@uneatlantico.es, Álvaro Lasarte García mail , Arturo Ortega-Mansilla mail arturo.ortega@uneatlantico.es, Thomas Prola mail thomas.prola@uneatlantico.es, Sandra Sumalla Cano mail sandra.sumalla@uneatlantico.es,
Elío Pascual