Español - English

Grupos de investigación - TECNOLOGÍA SANITARIA

Centro de Investigación sobre Sistemas Inteligentes de Ayuda a la Decisión (CISIAD)

Página/s web del grupo:

Investigadores responsables: Manuel Arias Calleja. marias@dia.uned.es. (UNED), Jorge Pérez Martín. jperezmartin@dia.uned.es. (UNED)

Entidad: Universidad Nacional de Educación a Distancia

Investigadores:

  • Manuel Arias Calleja. (UNED)
  • Manuel Castillo Cara. (UNED)
  • Francisco Javier Diez Vegas. (UNED)
  • Jorge Pérez Martín. (UNED)
  • Inteligencia artificial en medicina
  • Sistemas expertos en medicina
  • Análisis de decisiones en medicina (incluido análisis de coste-efectividad)
  • Evaluación de tecnologías sanitarias
  • Cribado coste-efectivo de cáncer de mama y de enfermedad cardíaca reumática con inteligencia artificial.  Financiador: AGENCIA ESTATAL DE INVESTIGACION. Convocatoria: Generación del Conocimiento 2023 (AGENCIA ESTATAL DE INVESTIGACION). Duración del 01 de septiembre de 2024 al 31 de agosto de 2027 (36 meses). Cuantía: 232.625,00 €
  • Análisis del coste-efectividad e impacto presupuestario de sistemas para la detección y antibiogramas de infecciones del tracto urinario no complicadas en atención primaria. Financiador: UNED. Convocatoria: IMIENS 2025. Duración del 11 de julio de 2025 al 10 de julio de 2027 (24 meses). Cuantía: 10.000,0€.
  1. Carrilero-Mardones, M., Pérez-Martín, J., Díez, F. J., & Bermejo Delgado, I. (2026). Extracting structured data from unstructured breast imaging reports with transformer-based models. Frontiers in Digital Health, 7. https://doi.org/10.3389/fdgth.2025.1718330
  2. Fernández-de-Toro, B., Cobarro, L., Pérez-Martín, J., & Díez, F. J. (2026). Comparison of different criteria for rheumatic heart disease screening: An empirical study in Sierra Leone. BMC Cardiovascular Disorders. https://doi.org/10.1186/s12872-026-05758-0
  3. Goñi-Arana, A., Pérez-Martín, J., & Díez, F. J. (2025). Why Do Radiologists Disown Breast Thermography? A Critical Review of Recent Studies and Recommendations. Cancers, 17(13). https://doi.org/10.3390/cancers17132195
  4. Carrilero-Mardones, M., Parras-Jurado, M., Nogales, A., Pérez-Martín, J., & Díez, F. J. (2024). Deep Learning for Describing Breast Ultrasound Images with BI-RADS Terms. Journal of Imaging Informatics in Medicine, 37(6), 2940-2954. https://doi.org/10.1007/s10278-024-01155-1
  5. Goñi-Arana, A., Pérez-Martín, J., & Díez, F. J. (2024). Breast thermography: A systematic review and meta-analysis. Systematic Reviews, 13(1), 295. https://doi.org/10.1186/s13643-024-02708-9
  6. Pérez-Martín, J., & Sánchez-Cauce, R. (2023). Quality analysis of a breast thermal images database. Health Informatics Journal, 29, 14604582231153779. https://doi.org/10.1177/14604582231153779
  7. Yago, C. M., & Díez, F. J. (2023). DESnets: A Graphical Representation for Discrete Event Simulation and Cost-Effectiveness Analysis. Mathematics, 11(7), Article 7. https://doi.org/10.3390/math11071602
  8. Díez, F.J., Arias, M., Pérez-Martín, J. & Luque, M. (2022). Teaching Probabilistic Graphical Models with OpenMarkov. Mathematics, 10(19), 2227--7390. https://doi.org/10.3390/math10193577
  9. Sánchez-Cauce, R., París, I. & Díez, F. J. (2022). Sum-Product Networks: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(7), 3821-3839. https://doi.org/10.1109/TPAMI.2021.3061898
  10. Sánchez-Cauce, R., Pérez-Martín, J., & Luque, M. (2021). Multi-input convolutional neural network for breast cancer detection using thermal images and clinical data. Computer Methods and Programs in Biomedicine, 204, 106045. https://doi.org/10.1016/j.cmpb.2021.106045
  • Modelos gráficos probabilistas
  • Redes bayesianas
  • Diagramas de influencia
  • Árboles de decisión
  • Modelos de Markov
  • Imagen médica
  • Redes neuronales profundas
  • OpenMarkov: Programa de ordenador de software libre para modelos gráficos probabilistas, OpenMarkov, orientado especialmente al análisis de decisiones en medicina, que ha sido utilizado en más de 30 países.
  • Servidores de aprendizaje profundo: Acceso a dos servidores de cómputo dedicados al entrenamiento de modelos basados en redes neuronales profundas.