SEC 2018 - El Congreso de las Enfermedades Cardiovasculares

Sevilla, 25 - 27 de Octubre de 2018

Introducción
Dr. Arturo Evangelista Masip
Presidente del Comité Científico del Congreso

Comité ejecutivo
Comité de evaluadores
Índice de autores

5009. Mejorando la calidad: estrategias y TICS

Fecha : 25-10-2018 15:15:00

Tipo : Comunicaciones mini orales

Sala : Sala Prensa (Nivel 3)

5009-3. Machine learning en la predicción de éxito de la cardioversión eléctrica programada en la fibrilación auricular

Jean Carlos Núñez García, Víctor Vicente Palacios, P. Ignacio Dorado Díaz y Pedro Luis Sánchez Fernández, del Servicio de Cardiología, Complejo Universitario de Salamanca, IBSAL, CIBER-CV, Salamanca.

Introducción y objetivos: A pesar de no brindar ventajas pronósticas, el control de ritmo en fibrilación auricular (FA) presenta ventajas en casos seleccionados, siendo la cardioversión eléctrica (CVE) una de las técnicas utilizadas con este fin pero con tasas de fallo o recurrencia precoz que supera el 30%. Por este motivo identificar que pacientes podrían beneficiarse de la CVE es un reto clínico. El Machine Learning (ML), inteligencia artificial, es un método innovador que comienza a introducirse en medicina al crear sistemas que aprenden automáticamente, identificando patrones complejos en bases de datos y estableciendo algoritmos capaces de predecir comportamientos futuros. Con estos modelos podríamos crear aplicaciones capaces de predecir el riesgo individual del paciente y mejorar el modelo de forma automática.

Métodos: Hemos realizado 2 modelos de ML en la predicción de éxito de la CVE. Un primer modelo intentará predecir si la CVE será inicialmente efectiva durante la descarga eléctrica. Un segundo modelo predecirá la recaída a 6 meses en FA tras un CVE inicialmente exitosa. Mediante técnicas de minería de datos se escogieron las variables más discriminantes de las distintas categorías a predecir en ambos modelos. Posteriormente se realizaron los modelos ML con técnicas de Random Forest y máquinas de vector de soporte lineal. El resultado de estos modelos ML fue comparado con el obtenido de 2 modelos clásicos estadísticos (regresión logística y análisis discriminante lineal). Para validar los ajustes se empleó una validación cruzada de 3 subconjuntos repetida 35 veces.

Resultados: A partir de los datos estructurados obtenidos de 320 CVEs, se identificaron las variables discriminantes para los modelos ML. Las más significativas fueron: el volumen auricular, el tipo y tiempo de diagnóstico de la FA, FEVI, masa del VI, insuficiencia mitral, ICC, CF NYHA, neumopatías, función renal, cantidad de choques necesarios para la CVE, y CV espontánea. Los resultados (área bajo la curva) de los modelos ML fueron similares a los resultados obtenidos con estadística clásica (tabla).

Áreas bajo la curva de los distintos modelos
Modelo		CV efectiva	Recaída
Estadística clásica	Regresión logística	0,6655	0,6622
Estadística clásica	Análisis discriminante lineal	0,6637	0,6515
Machine Learning	Random Forest	0,6207	0,672
Machine Learning	Máquinas de vector de soporte	0,6592	0,6497
Métrica: ROC AUC.

Conclusiones: Es necesario continuar explorando sistemas de ML en otros contextos clínicos de la cardiología, pero su aplicación no siempre mejorará los modelos predictivos habituales; especialmente cuando los tamaños muestrales no sean muy grandes.

Comunicaciones disponibles de "Mejorando la calidad: estrategias y TICS"

5009-1. Moderadores: Roberto Martín Asenjo, Madrid, y Rafael Carlos Vidal Pérez, Lugo.

5009-2. Procedimientos médicos seguros minimizando los riesgos en cardiología: Enrique García Campo, Pilar Cabanas Grandío, Elvis Teijeira Fernández, Alejandro Silveira Correa, Mónica Pardo Fresno, Ailema Alemán y Andrés Íñiguez Romo, del Hospital Universitario Álvaro Cunqueiro, Vigo (Pontevedra).

5009-3. Machine learning en la predicción de éxito de la cardioversión eléctrica programada en la fibrilación auricular: Jean Carlos Núñez García, Víctor Vicente Palacios, P. Ignacio Dorado Díaz y Pedro Luis Sánchez Fernández, del Servicio de Cardiología, Complejo Universitario de Salamanca, IBSAL, CIBER-CV, Salamanca.

5009-4. Nuevas estrategias para el seguimiento de pacientes trasplantados cardiacos: proyecto mHeart: Mar Gomis-Pastor, Sonia Mirabet, M. Antonia Mangues, Anna Feliu, Andreu Ferrero-Gregori, Elisabeth Gálvez, Sandra Ros, Laura López, Vicens Brossa y Eulalia Roig, del Hospital de la Santa Creu i Sant Pau, Barcelona.

5009-5. DECARDIO. La app para el tratamiento del paciente cardiológico: Emiliano Fernández-Obanza Windscheid¹, Pilar Mazón Ramos², Óscar Díaz Castro³, Enrique García Campo⁴, Elvis Teijeira Fernández⁴, Mónica Pardo Fresno⁴ y Ángela Córtes Vidal², del ¹Hospital Arquitecto Marcide, Ferrol (A Coruña), ²Complexo Hospitalario Universitario de Santiago, Santiago de Compostela (A Coruña), ³Complejo Hospitalario de Pontevedra y ⁴Hospital Universitario Álvaro Cunqueiro, Vigo (Pontevedra).

5009-6. Impacto de la puesta en marcha de un proyecto de continuidad asistencial entre cardiología y atención primaria sobre el número de derivaciones y el tiempo de espera en las consultas de cardiología: Sergio Manzano Fernández¹, Pedro José Flores Blanco¹, María Isabel Sánchez López², Luis Puebla Manzano³, Josefa Inmaculada Egea Martínez⁴, Francisco Martín Ruiz Lavela², Francisco Pastor Pérez¹, Francisco García Gambín¹, Juan Ramón Gimeno Blanes¹ y Domingo Pascual-Figal¹, del ¹Hospital Clínico Universitario Virgen de la Arrixaca, El Palmar (Murcia), ²Centro de Salud de San Andrés, Murcia, ³CS de Alcantarilla Sangonera, Murcia y ⁴Centro de Salud de Mula, Murcia.

5009-7. El uso de fármacos en prevención secundaria de la enfermedad cardiovascular. Un estudio poblacional: Jorge Navarro Pérez¹, José Luis Trillo Mata¹, Rut Uso Talamantes¹, Domingo Orozco Beltrán², Vicente Gil Guillén², Francisco Morales Olivas³ y Josep Redon Mas¹, del ¹Hospital Clínico Universitario, Valencia, ²Universidad Miguel Hernández, Alicante y ³Universidad de Valencia, Valencia.

5009-8. Consideraciones generales y conocimientos del médico no cardiólogo sobre el sacubitrilo/valsartán: Carlos Nicolás Pérez García, Daniel Enríquez-Vázquez, Marcos Ferrández Escarabajal, Carolina Espejo Paeres, Mónica Pérez Serrano, Alberto Esteban-Fernández, Ramón Bover-Freire y Carlos Macaya-Miguel, del Hospital Clínico San Carlos, Madrid.

REVISTA ESPAÑOLA DE

CARDIOLOGÍA

SEC 2018 - El Congreso de las Enfermedades Cardiovasculares

5009. Mejorando la calidad: estrategias y TICS

5009-3. Machine learning en la predicción de éxito de la cardioversión eléctrica programada en la fibrilación auricular

Comunicaciones disponibles de "Mejorando la calidad: estrategias y TICS"

Más comunicaciones de los autores