Control glucémico a través del ejercicio físico en pacientes con diabetes mellitus tipo 2; revisión sistemática

Introducción: En España, cerca del 14% de la población es diabética y el 95% corresponde a DM2. Un pobre control glucémico provoca un aumento de la morbilidad y mortalidad. Tres son los pilares en el tratamiento de la DM2: la dieta, la medicación y el ejercicio físico, sin embargo, el potencial de la prescripción de entrenamiento físico no ha sido totalmente explotado. Objetivo: Analizar el efecto de las distintas modalidades de ejercicio físico (AE, RT, Combo, INT) en el control glucémico en pacientes con diabetes mellitus tipo 2. Métodos: La búsqueda bibliográfica se realizó en 3 bases de datos electrónicas (Pubmed, Scopus y Proquest), incluyendo publicaciones desde enero de 2011 hasta mayo de 2014, que realizaran la intervención con AE, RT, Combo o INT, y que midieran la glucemia a través de la glucosa capilar, CGMS o HbA1c. Resultados: Del total de 386 artículos encontrados, 14 cumplieron los criterios de inclusión. Estos artículos fueron clasificados atendiendo a la modalidad de ejercicio físico de la intervención (AE, RT, Combo, INT), y en función de si analizaban el control glucémico como consecuencia del entrenamiento a largo plazo o tras una sesión de entrenamiento. Conclusiones: El AE, RT, Combo e INT muestran eficacia en el control glucémico tanto en el entrenamiento prolongado como en las 24-48h post-entrenamiento. Es necesaria la prescripción de un entrenamiento estructurado con una frecuencia, volumen e intensidad determinados para lograr beneficios en el control glucémico. El combo es la modalidad que obtiene mejores resultados a través del entrenamiento a largo plazo.

An Electronic Reconfigurable Neural Architecture for Intrusion Detection

The explosive growth of the traffic in computer systems has made it clear that traditional control techniques are not adequate to provide the system users fast access to network resources and prevent unfair uses. In this paper, we present a reconfigurable digital hardware implementation of a specific neural model for intrusion detection. It uses a specific vector of characterization of the network packages (intrusion vector) which is starting from information obtained during the access intent. This vector will be treated by the system. Our approach is adaptative and to detecting these intrusions by using a complex artificial intelligence method known as multilayer perceptron. The implementation have been developed and tested into a reconfigurable hardware (FPGA) for embedded systems. Finally, the Intrusion detection system was tested in a real-world simulation to gauge its effectiveness and real-time response.