REVISTA ESPAÑOLA DE
CARDIOLOGÍA
ISSN: 0300-8932 Factor de impacto 2023 7,2

SEC 2023 - El Congreso de la Salud Cardiovascular

Málaga, 26 - 29 de Octubre de 2023


Introducción
Dr. Juan José Gómez Doblas
 Presidente del Comité Científico del Congreso
 Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de evaluadores
Listado de sesiones
Índice de autores

77. Inteligencia artificial e historia electrónica ya son presente en cardiología

Fecha : 28-10-2023 09:00:00
Tipo : Comunicaciones mini orales
Sala : Sala M5

2. MODELOS PREDICTIVOS BASADOS EN INTELIGENCIA ARTIFICIAL (IA) EN LA ESTIMACIÓN DEL RIESGO DE EVENTOS CARDIOVASCULARES TRAS SÍNDROME CORONARIO AGUDO CON ELEVACIÓN DEL SEGMENTO ST

Carlos Peña Gil1, Dimitris Gatsios2, Nikos Pappas2, Manuela Sestayo Fernández3, Marta Alonso Vázquez4, Violeta González Salvado5, Estíbaliz Díaz Balboa4, Carmen Neiro Rey6 y José Ramón González Juanatey6

1Rehabilitación Cardiaca. Complejo Hospitalario Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España, 2Capemed, Ioannina, Grecia, 3Rehabilitación Cardiaca. Instituto de Investigación Sanitaria Santiago de Compostela IDIS, Santiago de Compostela (A Coruña), España, 4Instituto de Investigación Sanitaria Santiago de Compostela IDIS, Santiago de Compostela (A Coruña), España, 5Cardiología. Hospital Clínico Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España y 6Cardiología. Complejo Hospitalario Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España.

Introducción y objetivos: La predicción temprana de eventos adversos en pacientes que han sufrido un SCACEST es esencial para mejorar los resultados clínicos y optimizar la atención médica. Las herramientas predictivas basadas en inteligencia artificial (IA) están emergiendo como una solución prometedora. Estos modelos de IA pueden analizar grandes conjuntos de datos clínicos y extraer patrones relevantes para predecir eventos adversos con mayor precisión que los métodos tradicionales.

Métodos: El objetivo del estudio fue predecir el riesgo de un nuevo evento adverso cardiovascular (MACCE) dentro de los 30 días posteriores a un infarto agudo de miocardio con elevación del segmento ST (STEMI MI). Para ello se analizaron los datos prospectivos de la cohorte de 1.383 pacientes con enfermedad coronaria que participaron en el programa de rehabilitación cardiaca entre enero de 2015 y diciembre de 2020 en el Hospital Clínico Universitario de Santiago de Compostela. Utilizando este conjunto de datos, se desarrollaron diferentes modelos de predicción de riesgos basados en IA. Se evaluó el rendimiento del modelo analizando sensibilidad, especificidad y área bajo la curva ROC (AUC-ROC).

Resultados: En la tabla y la figura se muestran todos los modelos utilizados. LightGBM: obtuvo un AUC promedio de 0,871968 con una desviación estándar de 0,061372. La especificidad fue de 0,690217 y la sensibilidad de 1. La exactitud equilibrada alcanzada fue de 0,845109, mientras que la precisión general fue de 0,7. El modelo Random Forest tuvo un AUC promedio de 0,82 y una desviación estándar de 0,08. La especificidad de 0,74 y la sensibilidad 0,83. La exactitud equilibrada fue de 0,78 y la precisión general de 0,74. Los resultados mostraron que los modelos de IA lograron un alto grado de precisión en la predicción del riesgo de un nuevo MACCE dentro de los 30 días posteriores a un STEMI MI previo.

Nuevo MACCE a los 30 días del IAMCEST: resultados de la evaluación de clasificadores.

 

Mean AUC

std AUC

Specificity

Sensitivity

Balanced Accuracy

Accuracy

LightGBM

0.871968

0.061372

0.690217

1

0.845109

0.7

Random Forest

0.826896

0.080772

0.744565

0.833333

0.788949

0.747368

Logistic Regression

0.741378

0.11337

0.902174

0.666667

0.78442

0.894737

SVM

0.814495

0.09606

0.603261

1

0.80163

0.615789

Decision Tree

0.690381

0.105107

0.929348

0.5

0.714674

0.915789

Fuzzy Decision Tree

0.771055

0.100201

0.766304

0.833333

0.799819

0.768421

Neural Network

0.813173

0.107621

0.706522

0.833333

0.769928

0.710526

Nuevo MACCE a los 30 días del IAMCEST: valores de Shap para las 10 características más importantes.

Conclusiones: En general, nuestro estudio demuestra el potencial del IA para predecir el riesgo de resultados adversos en pacientes con CI sometidos a PCR. Los resultados podrían utilizarse para fundamentar la toma de decisiones clínicas y ayudar a los profesionales sanitarios a identificar a los pacientes con mayor riesgo de resultados adversos. Las investigaciones futuras deberán centrarse en validar estos resultados en poblaciones de pacientes más amplias y diversas.

Comunicaciones disponibles de "Inteligencia artificial e historia electrónica ya son presente en cardiología"

1. MODERA
Jordi Bañeras Rius, Hospital Universitari Vall d'Hebron, Barcelona
 
2. MODELOS PREDICTIVOS BASADOS EN INTELIGENCIA ARTIFICIAL (IA) EN LA ESTIMACIÓN DEL RIESGO DE EVENTOS CARDIOVASCULARES TRAS SÍNDROME CORONARIO AGUDO CON ELEVACIÓN DEL SEGMENTO ST
Carlos Peña Gil1, Dimitris Gatsios2, Nikos Pappas2, Manuela Sestayo Fernández3, Marta Alonso Vázquez4, Violeta González Salvado5, Estíbaliz Díaz Balboa4, Carmen Neiro Rey6 y José Ramón González Juanatey6

1Rehabilitación Cardiaca. Complejo Hospitalario Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España, 2Capemed, Ioannina, Grecia, 3Rehabilitación Cardiaca. Instituto de Investigación Sanitaria Santiago de Compostela IDIS, Santiago de Compostela (A Coruña), España, 4Instituto de Investigación Sanitaria Santiago de Compostela IDIS, Santiago de Compostela (A Coruña), España, 5Cardiología. Hospital Clínico Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España y 6Cardiología. Complejo Hospitalario Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España.
3. PLATAFORMA CLARIFY: UNA HERRAMIENTA BASADA EN INTELIGENCIA ARTIFICIAL PARA LA EVALUACIÓN DEL RIESGO DE DISFUNCIÓN CARDIACA SECUNDARIA AL TRATAMIENTO EN EL PACIENTE ONCOLÓGICO
María Torrente Regidor1, Pedro da Costa Sousa2, Óscar Salvador Montañés3, Mariola Blanco Clemente1, Beatriz Núñez García4, Gracinda Guerreiro2, Joao Pimentao2, Blanca Cantos Sánchez4 y Mariano Provencio Pulla4

1Hospital Universitario Puerta de Hierro, Majadahonda (Madrid), España, 2NOVA School of Science and Technology. Universidade Nova de Lisboa, Caparica Lisboa, Portugal, 3Cardiología. Hospital Universitario de Torrejón, Torrejón de Ardoz Madrid, España y 4Oncología Médica. Hospital Universitario Puerta de Hierro, Majadahonda (Madrid), España.
4. EVALUACIÓN DEL POTENCIAL DE CHATGPT PARA EL DIAGNÓSTICO Y TRATAMIENTO DE ENFERMEDADES CARDIOVASCULARES
Cristina Villabona Rivas, Maite Odriozola Garmendia, Julene Ugarriza Ortueta, Jara Amaiur Garcia Ugaldebere, Arturo Lanaspa Gallego, Betel Olaizola Balboa, Pablo Raposo Salas, Leire Goñi Blanco, Virginia Álvarez Asiain, Mayte Basurte Elorz, Marina Virosta Gil, Amaia Loyola Arrieta, Andoni Fernández González, Teresa Borderías Villarroel y Gonzalo Luis Alonso Salinas

Cardiología. Hospital Universitario Navarra, Pamplona/Iruña (Navarra), España.
5. UTILIDAD DEL ANÁLISIS COMPUTARIZADO DEL ELECTROCARDIOGRAMA PARA PREDECIR LA PRESENCIA DE FIBRILACIÓN ATRIAL PAROXÍSTICA EN LOS PACIENTES CON ICTUS CRIPTOGÉNICOS
Dafne Viliani1, Alberto Cecconi2, Miguel Spínola Tena3, Alba Osorio Míguez4, Beatriz López Melgar5, Álvaro Montes2, Álvaro Ximénez Carrillo6, Carmen Ramos6, Clara Aguirre6, José Vivancos6, Agustín Ramos2, Alberto Vera2, Fernando Alfonso Manterola2, Guillermo José Ortega3 y Luis Jesús Jiménez Borreguero2

1Servicio de Cardiología. Ospedale Santa Chiara, Trento, Italia, 2Servicio de Cardiología. Hospital Universitario de La Princesa, Madrid, España, 3Unidad Análisis Datos. Hospital Universitario de La Princesa, Madrid, España, 4Universidad Rey Juan Carlos, Madrid, España, 5Servicio de Cardiología. Hospital Universitario de La Princesa, Madrid, España y 6Servicio de Neurología. Hospital Universitario de La Princesa, Madrid, España.
6. IMPLICACIONES PRONÓSTICAS DE LA IMPLEMENTACIÓN DE CONSULTA ELECTRÓNICA EN PACIENTES CON INSUFICIENCIA CARDIACA: DIFERENCIAS DEL IMPACTO ENTRE PACIENTES CON Y SIN HOSPITALIZACIONES PREVIAS
David García-Vega1, Pilar Mazón-Ramos2, Manuel Portela-Romero3, Moisés Rodríguez-Mañero2, Daniel Rey-Aldana4, Manuela Sestayo-Fernández2, Inés Gómez-Otero2, Sergio Cinza-Sanjurjo4 y José Ramón González-Juanatey2

1Complexo Hospitalario Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España, 2Cardiología. Complexo Hospitalario Universitario de Santiago de Compostela, Santiago de Compostela (A Coruña), España, 3Hospital Clínico Universitario de Santiago de Compostela, Investigación Sanitaria de Santiago de Compostela IDIS y CIBERCV, Santiago de Compostela (A Coruña), España y 4Instituto de Investigación Sanitaria de Santiago de Compostela IDIS y Xerencia de Xestión Integrada de Santiago XXIS/SERGAS y CIBERCV, Santiago de Compostela (A Coruña), España.
7. HERRAMIENTA COMPUTACIONAL DE TELEMEDICINA ÚTIL PARA CLASIFICAR ALERTAS DE INSUFICIENCIA CARDIACA EN PACIENTES CON DISPOSITIVOS CARDIACOS IMPLANTABLES
Jesús Flores Soler1, Carmen Sánchez Vallejo1, María Jesús García Torrent1, Francisco José García González2, Victoria Cañadas Godoy1, Ricardo Salgado Aranda1, Juan José González Ferrer1, Carmen Martínez Rincón2, María Herreros Gil1, María Sánchez Sánchez1, Beatriz Cerrón Rodríguez1, Aránzazu de Miguel López1, Mónica Lamuedra del Olmo1, Julián Pérez-Villacastín Domínguez1 y Nicasio Pérez Castellano1

1Hospital Clínico San Carlos, Madrid, España y 2Facultad de Enfermería, Fisioterapia y Podología. Universidad Complutense, Madrid, España.
8. PODER PREDICTIVO DE LOS GRUPOS DE MORTALIDAD AJUSTADOS EN INSUFICIENCIA CARDIACA: ANÁLISIS POBLACIONAL DE 77.554 PACIENTES HOSPITALIZADOS
María del Carmen Basalo Carbajales1, Lidia Alcoberro 1, Santiago Jiménez Marrero1, Emili Vela2, Montse Clèries2, David Monterde2, Raúl Ramos Polo1, Alexandra Pons Riverola1, Alberto Garay1, Núria José Bazan1, Pedro Moliner Borja1, Miriam Corbella1, Cristina Enjuanes Grau1, Cristina Capdevila1 y Josep Comín Colet1

1Hospital Universitari Bellvitge, L´Hospitalet de Llobregat Barcelona, España y 2Servei Català de la Salut CatSalut, Barcelona, España.

Más comunicaciones de los autores

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?