ISSN: 0300-8932 Factor de impacto 2023 7,2

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

Análisis discriminante lineal

0,6637

0,6515

Machine Learning

Random Forest

0,6207

0,672

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.


Más comunicaciones de los autores

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