andr€

[andr€ @Andreesitt0]

@RegalosDigitals IA inglés

[CardiovascularCorner @TrackYourHeart]

Fascicular Blocks: Small Conduction Delays, Big ECG Clues

The left bundle branch divides into fascicles, and even modest conduction delay in one fascicle can significantly alter the sequence of LV activation, producing characteristic ECG patterns without substantially prolonging QRS duration.

Left Anterior Fascicular Block (LAFB):
Delay in the left anterior fascicle causes early activation of the inferoposterior LV, followed by late activation of the anterosuperior LV.

ECG findings:
🟢Marked left axis deviation (typically −45° to −90°)
🟢qR pattern in aVL
🟢rS pattern in leads II, III, and aVF
🟢QRS <120 ms
🟢R-wave peak time in aVL ≥45 ms
🟢Precordial leads may show delayed transition and deeper S waves in V4–V6.
🟢Often benign in otherwise healthy individuals, but in patients with coronary or structural heart disease, LAFB has been associated with increased mortality risk.

Left Posterior Fascicular Block (LPFB): Delay in the left posterior fascicle causes early activation of the anterosuperior LV and late activation of the inferoposterior LV.

ECG findings:
🔵Right axis deviation (often >+90°, with >+110° improving specificity)
🔵rS pattern in leads I and aVL
🔵qR pattern in leads III and aVF
🔵QRS <120 ms
🔵Before diagnosing LPFB, exclude more common causes of right axis deviation such as RV overload, normal variants, and extensive infarction.

LPFB is uncommon because the posterior fascicle is thicker and better protected; when present, it often reflects significant underlying cardiac disease and may coexist with RBBB.

Key Concept Fascicular blocks change the sequence of ventricular activation rather than the total duration of activation. As a result, the QRS axis shifts dramatically while QRS duration usually remains normal.

Follow @TrackYourHeart for daily cardiovascular insights.

Reference: Braunwald's Heart Disease: A Textbook of Cardiovascular Medicine. Chapter

[AbdAllah Othman @CardioBeat_]

https://t.co/l3StOxnfC0
Functional Anatomy and Dynamics of the Cardiac Valves: 🫀
#Cardiology #HeartValves #CardiacAnatomy #MedicalEducation #CardioTwitter

[Tendencias y Tuits Borrados @tendenciaytuits]

Una de las versiones más bonitas y emotivas de Hotel California que he escuchado jamás. Es pura magia. 😱

[CardiovascularCorner @TrackYourHeart]

Which cranial nerves (CN) innervate the tongue?
A) CN 5 and 12
B) CN 5, 7 and 12
C) CN 5, 7, 9 and 12
D) CN 5, 7, 9, 10 and 12

[CardiovascularCorner @TrackYourHeart]

What is your interpretation of this echo clip?

[Tendencias y Tuits Borrados @tendenciaytuits]

“Jeff Bezos”

Jeff Bezos pidió a una sala llena de gente que imaginara retroceder cien años en el tiempo.
La mayoría eran agricultores.
Imaginemos que les decimos a esos campesinos que en 2018 existiría un empleo llamado “masajista”.
Bezos: “No te habrían creído”.
Luego un amigo fue más lejos: “Olvídate del masajista… hay psiquiatras para perros”.
Bezos lo verificó y confirmó: “Es verdad, puedes contratar fácilmente a un psiquiatra para tu perro”.
La sala estalló en risas.
Pero el verdadero mensaje detrás de esa risa no tenía nada de gracioso.
Cada vez que irrumpe un gran cambio tecnológico, repetimos el mismo error: nos enfocamos obsesivamente en los empleos que se van a perder y casi nunca hablamos de los que se van a crear.
No los contamos porque todavía no tienen nombre.
El miedo siempre es concreto, tiene cara y apellido: “La IA va a reemplazar a los contadores. A los radiólogos. A los camioneros”.
Tiene fechas, gráficos y proyecciones.
La oportunidad, en cambio, no tiene nada de eso. No puedes nombrar lo que todavía no existe.
Un agricultor de 1920 podía entender perfectamente que una tractora le quitaría el trabajo.
Lo que jamás habría podido imaginar es que un día su bisnieto ganaría la vida como “estratega de redes sociales”.
No por falta de inteligencia, sino porque entre su mundo y ese nuevo empleo todavía faltaba toda una cadena de inventos: la radio, la televisión, internet, los smartphones, las plataformas digitales, las economías de creadores.
Cada eslabón tenía que aparecer antes de que “estratega de redes sociales” pudiera siquiera sonar como un trabajo real.
Eso es exactamente donde estamos hoy con la inteligencia artificial.
Todos miramos la tractora.
Nadie logra ver la cosa que está siete inventos m��s adelante y que todavía no tiene nombre.
El miedo es ruidoso porque cabe en el lenguaje que ya conocemos.
La oportunidad es silenciosa porque no cabe.
Cada revolución tecnológica de la historia terminó creando más empleos de los que destruyó.
Todas, sin excepción.
No porque alguien lo hubiera planeado, sino porque las necesidades humanas se expanden mucho más rápido de lo que las máquinas pueden satisfacerlas.
No necesitábamos masajistas cuando nos partíamos la espalda en el campo.
Los necesitábamos después, cuando las máquinas nos liberaron del esfuerzo físico y el estrés ocupó el lugar del trabajo manual.
La demanda no desapareció. Solo migró hacia un lugar donde nadie estaba mirando.
Eso es lo que está ocurriendo ahora mismo.
Los trabajos que creará la IA nos van a sonar tan absurdos como “psiquiatra para perros” le habría sonado a un granjero de 1920…
hasta que alguien cobre 200 dólares la hora con seis meses de lista de espera.
Hoy toda la conversación gira en torno a lo que estamos a punto de perder.
Casi nadie habla de lo que estamos a punto de ganar.
Porque las ganancias todavía no tienen vocabulario.
Dentro de cien años, alguien se parará en un escenario y describirá los trabajos que hoy no podemos ni imaginar.
Y la audiencia se reirá.
Exactamente igual que nosotros acabamos de reírnos.

[CardiovascularCorner @TrackYourHeart]

WPW Pattern vs. WPW Syndrome

🔲 WPW Pattern: Identified by classic ECG findings:
- Short PR interval, delta wave, and wide QRS but the patient remains asymptomatic with no documented arrhythmias.

🔲 WPW Syndrome: Not just the ECG pattern, but symptomatic tachyarrhythmias (e.g., AVRT, AFib with rapid conduction) due to an accessory pathway. This increases the risk of sudden cardiac events, especially if AFib degenerates into VFib.

[Es tendencia en 𝕏 @EsTendenciaEnX]

"Roma":
Porque su ingeniería duró 2.000 años y persiste, eran unos verdaderos ingenieros

[Código Magnético @XiomaraSH1]

Japón tenía un problema imposible... hasta que un pequeño pájaro lo resolvió.

El famoso tren bala de Japón una vez tuvo un gran problema. Cada vez que salía de un túnel, creaba un fuerte estruendo sónico que molestaba a las personas que vivían cerca. Los ingenieros lucharon durante años para solucionarlo. Entonces, un ingeniero que amaba observar aves notó algo increíble.

El pájaro martín pescador se sumerge del aire al agua a gran velocidad sin hacer salpicaduras. Así que los ingenieros rediseñaron la nariz del tren Shinkansen para que se pareciera al pico del pájaro.

A veces la solución no está en pensar más fuerte, sino en mirar mejor. La naturaleza lleva millones de años resolviendo problemas que nosotros apenas empezamos a entender, y cuando alguien tiene la sensibilidad de observarla sin prisa, aparecen respuestas que la lógica sola no encontraba.

Ese ingeniero no solo arregló un tren, nos recordó que la innovación real nace cuando dejamos el ego de “inventar” y aprendemos a escuchar lo que ya funciona en silencio.

[Enséñame de Ciencia @EnsedeCiencia]

¡Un quetzal en pleno vuelo parece sacado de un cuento! 🖤

[Vive con Propósito. @PropositoyVida]

"Todo sucede en el momento adecuado, tal como debe ser".

- Lao Tzu

[𝐏𝐚𝐛𝐥𝐨🇦🇷💛✠ @DruidBloggerOK]

Un muchacho fue a ver un Chevrolet Corsa publicado en redes con una promesa tentadora: “no hay otro igual”
Pero a medida que avanzaba la revisión iban apareciendo detalles cada vez más insólitos.
Nunca me reí tanto, ¡qué hijo de puta!🤣🤣

[Tendencias en X @SoyTendencias]

"Tanzania"

Por esta impresionante montaña llamada Kilimanjaro que se encuentra en Tanzania y que es la más alta de África con 5895 metros en su pico Uhuru. Qué pedazo de lugar.

[Tendencias en Argentina @porqueTTarg]

"Chau licencia"

Porque dos pilotos intentaron cambiar de avión en el aire con el patrocinio de Red Bull: aunque perdieron sus licencias a cambio de esta prueba, surgieron imágenes impresionantes que marcaron la historia.

[Miguel Ángel | GptZone @MiguelMaestroIA]

¡DEJA DE GASTAR TOKENS DE CLAUDE!

Cada vez que pegas un PDF entero en Claude estás tirando dinero.

NotebookLM + Claude Code + MCP = cero tokens desperdiciados

La mayoría usa Claude de la forma más cara.

Pegan PDFs enteros, documentaciones largas, notas desordenadas. Claude tiene que cargar todo eso en el contexto aunque solo necesite tres párrafos.

Es como contratar a un investigador y obligarle a leer la biblioteca entera antes de responder una pregunta.

Este setup hace lo contrario: Claude busca primero, lee solo lo que necesita.

Cómo funciona el sistema de tres partes:

- NotebookLM almacena toda tu documentación. PDFs, notas, fuentes, bases de conocimiento. Organizada y consultable.

- Claude Code es el agente que ejecuta tareas y hace preguntas.

- MCP (Model Context Protocol) es el puente que conecta ambos. Le permite a Claude Code consultar NotebookLM sin que tengas que pegar nada manualmente en el chat.

En lugar de llenar el contexto, Claude extrae solo las secciones relevantes para cada pregunta. El resto no ocupa ni un token.

Configuración en 3 pasos:

1. Prepara tu NotebookLM → Crea un cuaderno nuevo → Sube tu documentación: PDFs, notas, archivos fuente, docs de API → Organízalo en secciones claras — cuanto mejor organizado, más preciso el retrieval

2. Conecta con Claude Code vía MCP → Abre la configuración de MCP en Claude Code → Añade NotebookLM como fuente conectada siguiendo el tutorial de configuración → Verifica que Claude Code puede consultar el cuaderno correctamente

3. Cambia cómo haces las preguntas En lugar de pegar contenido, instruye a Claude para que lo busque:

"Antes de responder, consulta la documentación conectada en NotebookLM. No adivines. Extrae solo las secciones relevantes para mi pregunta. Dame la respuesta e indica qué documento o sección utilizaste."

El prompt que deberías guardar:

"Consulta primero la documentación adjunta en NotebookLM. Encuentra la sección exacta relacionada con este problema: [PROBLEMA]. Usa solo las partes relevantes nada más. Dame la respuesta con la fuente exacta de donde la obtuviste."

Claude deja de adivinar. Empieza a citar.

Este setup brilla especialmente con:

Documentación de APIs largas donde solo necesitas un endpoint específico. Apuntes de cursos donde buscas un concepto concreto. Documentación de producto para responder dudas de clientes. Bases de código con README extensos. PDFs de investigación con cientos de páginas. Bases de conocimiento internas de equipos o empresas.

En todos estos casos el patrón es el mismo: mucha información disponible, pero solo una fracción relevante para cada pregunta.

Sin este setup: pegas 50 páginas → Claude las carga todas → consumes contexto → respuesta genérica.

Con este setup: haces una pregunta → Claude consulta NotebookLM → extrae 3 párrafos relevantes → respuesta precisa con fuente.

Claude deja de ser una herramienta de copiar y pegar. Se convierte en un agente que busca en tu conocimiento antes de hablar.

[AbdAllah Othman @CardioBeat_]

https://t.co/miTKnkpAVQ
ECG Lead Correlations infographic. ✨
Precise lead-to-wall-to-artery mapping, clear coronary dominance insights, and clinical correlations — all in one stunning visual. 📊❤️
#ECG #Cardiology #STEMI #MedicalEducation #CardioTwitter

[AbdAllah Othman @CardioBeat_]

https://t.co/sw2X8k6Lk4
Mastering coronary anatomy requires a precise understanding of 2D projections. This comprehensive guide illustrates the essential radiographic views of the Left Coronary Artery. #InterventionalCardiology #Angiography #MedEd #FOAMed

[Es tendencia en 𝕏 @EsTendenciaEnX]

''Shangai'':
Por esta postal del distrito de Lujiazui, en Pudong, Shanghái, de noche

[Tendencias y Tuits Borrados @tendenciaytuits]

El MIT ha hecho lo impensable. Han construido una IA que no necesita RAG, y tiene una memoria perfecta de todo lo que ha leído alguna vez. Se llama Modelos de Lenguaje Recursivos (RLM). En este momento, si quieres que una IA analice un conjunto de datos masivo o un documento, tienes dos malas opciones. O bien lo metes todo en una ventana de contexto gigante, donde la IA se confunde y sufre de "podredumbre de contexto". O usas RAG para picarlo en resúmenes, eliminando permanentemente el matiz. Este artículo reemplaza ambos. En lugar de obligar a la IA a leer un prompt gigante en una sola pasada, los RLM tratan los documentos largos como un entorno externo. La IA se coloca en una caja de arena. Los datos se almacenan como una variable de Python. Cuando le haces una pregunta, la IA no solo intenta recordar la respuesta a ciegas. Escribe código para buscar activamente, cortar y filtrar el documento mismo. Luego, genera recursivamente "sub-IA" más pequeñas para leer fragmentos específicos en paralelo. Nunca resume. Nunca elimina datos. Preserva cada pedazo de contexto original. Los resultados reescriben los límites de la memoria de la IA. Maneja con éxito entradas de hasta dos órdenes de magnitud más allá de las ventanas de contexto normales, escalando fácilmente a más de 10 millones de tokens. En los benchmarks de razonamiento de contexto largo más difíciles, un modelo estándar obtuvo un desastroso 0.04. La arquitectura RLM alcanzó 58.00. Todo mientras cuesta menos que ejecutar un prompt masivo estándar. Hemos pasado los últimos dos años quemando millones en cómputo tratando de construir ventanas de contexto cada vez más grandes. Pero el futuro de la IA no se trata de obligar a un modelo a tragar una pared gigante de texto. Se trata de enseñarle cómo leer.