MIMiguel Ibáñez-Reluz

Miguel Ibáñez-Reluz

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Miguel Ibáñez-Reluz has a total of 7 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Enfermedad de Pott, reto diagnóstico y terapéutico: reporte de caso

    by Violeta Celis, Miguel Ibañez-Reluz

    Tuberculosis (TB) still is a significant public health problem, with high morbidity and mortality. When it affects the spine, it is called Pott's disease or spinal tuberculosis (STB). Early diagnosis and treatment are essential for preventing serious complications and improving both prognosis and quality of life. In this report, we present two cases of STB in which there were confounding factors in the initial diagnostic approach. In the first case, the unusual presentation led to a delay in diagnosis. In the second case, an intercurrent condition complicated reaching a timely diagnosis. This led to profound consequences in the first case. Local difficulties for achieving timely diagnosis and treatment are also discussed. STB should be suspected in all cases of chronic axial pain, especially when there is a history of contact with infected people in the household. Public and private health facilities in Peru should develop and implement diagnostic protocols adapted to available human and technical resources and ensure effective and timely administration of anti-tuberculosis chemotherapy.


  • Open Access

    Factores pronósticos que producen retardo de cicatrización en úlceras de pie en diabéticos : Un modelo de regresión de Cox

    by Dante Rodriguez-Alonso, Miguel Ibañez Reluz, Ana Chian Garcia

    Identificar los factores pronósticos del retardo de cicatrización(RC) de úlceras de pie(UP) en pacientes diabéticos seguidos con un mínimo de 12 meses en una unidad de pie diabético.(2)Métodos:113 UP fueron evaluadas para identificar los factores pronósticos epidemiológicos y clínicos respecto al RC usando un diseño de cohortes retrospectiva usando un modelo de regresión de Cox.(3)Resultados: edad en 61.73±11.78 años,el género masculino en 64.6%,el tiempo de enfermedad de 10 a más en 91.7% ,la ausencia de comorbilidad en 56.3%,la presencia de antecedente de úlcera previa en 52.1% ,la presencia de neuropatía periférica en 87.5% y la ausencia enfermedad arterial periférica en 56.2%. Noventa seis UP fueron seguidas por un año,los restantes 17 UP fueron excluidos por falta de seguimiento,la frecuencia de retardo de cicatrización fue de 47.9%,el tiempo promedio de cicatrización de las úlceras diabéticas fueron 5.02±2.32 meses y las factores pronósticos predictivos significativos fueron el antecedente de UP previa(p=0.03),presencia de comorbilidad(p=0.001) y área ulcerosa de más 3 cm2(p=0.001 ).(4)Conclusión: Este estudio encontró que los tres factores mencionados fueron pronósticos de RC en las UP de pacientes diabéticos seguidas durante un año siendo la última de mayor magnitud. Keywords: retardo,cicatrización,pronóstico, úlcera de pie diabético.

  • A Deep Learning Approach to Forecast SARS-CoV-2 on the Peruvian Coast

    by I. Luis Aguilar, Miguel Ibáñez-Reluz, Juan C. Z. Aguilar, Elí W. Zavaleta-Aguilar, L. Antonio Aguilar

  • Open Access

    Forecasting SARS-CoV-2 in the peruvian regions: a deep learning approach using temporal convolutional neural networks

    by Luis Aguilar I., Miguel Ibáñez-Reluz, Juan C. Z. Aguilar, Elí W. Zavaleta-Aguilar, L. Antonio Aguilar

    La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.