Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/11237
Title: SISTEMA PARA LA PREDICCION DE CONCENTRACION DE COLESTEROL EN LA SANGRE UTILIZANDO BIG DATA Y TECNICAS DE SIMULACION MESOSCOPICA CON DINAMICA DE PARTICULAS DISIPATIVAS (DPD)
Authors: SORIANO MACHORRO, REYNA N.
Issue Date: 2022-11-01
Publisher: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Instituto Tecnológico de Orizaba
Description: Cuatro de cada diez adultos mexicanos tienen colesterol alto, según el Instituto Nacional de Cardiología. El colesterol es esencial para la producción de sustancias en el organismo por ejemplo hormonas, metabolismo de la vitamina D, es imprescindible para la absorción de calcio y ácidos biliares, el exceso de colesterol genera su endurecimiento y estrechamiento en las paredes de las arterias y forman un coágulo que causa un ataque cardíaco o un accidente cerebrovascular. Teniendo en cuenta esta problemática, en este proyecto de tesis se desarrolló la aplicación “PREDIROL” (Programa para la predicción de niveles de saturación de colesterol) en la cual se presenta un enfoque con Big Data y técnicas de simulación mesoscópica con un método de Dinámica de Partículas DPD (Dinámica de partículas disipativas). Para la construcción del modelo se utilizó cómputo en paralelo empleando CUDA. Este proyecto busca la concientización sobre el cuidado de los niveles de concentración del colesterol, ya que el tener los niveles altos es perjudicial para la salud, pero al tener los niveles de concentración bajos, el organismo no produce células en el organismo. Esta es una herramienta para la medicina preventiva y mejorar el estilo de vida de los usuarios antes de desarrollen padecimientos más graves e incluso infartos o accidentes cerebrovasculares.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Appears in Collections:Maestría en Sistemas Computacionales



This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons