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

SEC 2020 - El e-Congreso de la Salud Cardiovascular

28 - 31 de Octubre de 2020


Introducción
Dr. Héctor Bueno
 Presidente del Comité Científico del Congreso
Comité ejecutivo
Comité de evaluadores
Listado de sesiones
Índice de autores

4013. Las mejores comunicaciones en innovación tecnológica y científica

Fecha : 29-10-2020 10:30:00
Tipo : Comunicaciones orales
Sala : Sala 7

4013-2. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) EN EL DIAGNÓSTICO DEL INFARTO DE MIOCARDIO CON ARTERIAS CORONARIAS SIN ESTENOSIS SIGNIFICATIVAS. (MINOCA)

María Jesús Espinosa Pascual1, Pablo Vaquero Martínez1, Víctor Vaquero Martínez2, Javier López Pais3, Barbara Izquierdo Coronel1, David Galán Gil1, Renée Olsen Rodríguez1, Rocío Abad Romero1 y Joaquín Jesús Alonso Martín1

1Hospital Universitario de Getafe (Madrid). 2Universidad de Valladolid. 3Centro Hospitalario Universitario de Santiago de Compostela (A Coruña).

Introducción y objetivos: El MINOCA representa en torno al 10-15% de todos los IAM. Los algoritmos de clasificación basados en aprendizaje profundo pudieran ser una alternativa a los algoritmos tradicionales. Se han publicado numerosos modelos de aprendizaje automático en diversas patologías, pero hasta la fecha ningún estudio ha propuesto un algoritmo para el diagnóstico del MINOCA. El objetivo de nuestro estudio es estimar la precisión diagnóstica de varios algoritmos de aprendizaje automatizado (Support-Vector Machine [SVM], Random Forest [RF] y Logistic Regression [LR]) para discriminar al ingreso y antes de realizar una coronariografía, las personas que sufren un MINOCA de aquellas con IAM con lesiones significativas (MICAD).

Métodos: Se realizó una evaluación de pruebas diagnósticas aplicando los algoritmos propuestos a una base de datos constituida por 553 pacientes (pts) consecutivos ingresados por IAM en nuestro hospital. Según las definiciones del documento de consenso sobre el MINOCA publicado por la ESC en 2016, los pts se clasificaron en dos grupos: MICAD y MINOCA. Del total de pts, 214 fueron descartados debido a la falta de un mínimo del 90% de los datos completos. El conjunto de algoritmos se entrenó en 244 pts y se probó en 80 pts. Un total de 64 variables (características demográficas, clínicas y de laboratorio) fueron analizadas para cada pt antes de la coronariografía. Finalmente se tomó la precisión diagnóstica de cada algoritmo de aprendizaje automatizado.

Resultados: El modelo de clasificación más preciso fue el Random Forest (E 0,88, S 0,57, VPN 0,93, AUC 0,85 [IC 0,83-0,88]) seguido de la LR estándar (E 0,76, S 0,57, VPN 0,92, AUC 0,74) y SVM (E 0,84,S 0,38, VPN 0,90, AUC 0,78).Las variables que más contribuyeron para discriminar MINOCA de MICAD fueron los FRCV, los biomarcadores de lesión miocárdica, los niveles de hemoglobina y el sexo. Los resultados fueron similares cuando se excluyeron del análisis a los 19 pacientescon síndrome de Takotsubo.

Curvas ROC de los diferentes algoritmos para el diagnóstico de MINOCA.

Conclusiones: Se desarrolló un modelo de predicción para el diagnóstico de MINOCA antes de realizar una coronariografía utilizando algoritmos de aprendizaje automático. Los resultados muestran una mayor precisión del algoritmo RF en el diagnóstico de MINOCA que los métodos estadísticos convencionales. Este estudio respalda la potencial aplicación de los algoritmos de aprendizaje automático en la cardiología clínica. Sin embargo, se requieren mayores estudios para validar estos resultados.

Comunicaciones disponibles de "Las mejores comunicaciones en innovación tecnológica y científica"

4013-2. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) EN EL DIAGNÓSTICO DEL INFARTO DE MIOCARDIO CON ARTERIAS CORONARIAS SIN ESTENOSIS SIGNIFICATIVAS. (MINOCA)
María Jesús Espinosa Pascual1, Pablo Vaquero Martínez1, Víctor Vaquero Martínez2, Javier López Pais3, Barbara Izquierdo Coronel1, David Galán Gil1, Renée Olsen Rodríguez1, Rocío Abad Romero1 y Joaquín Jesús Alonso Martín1

1Hospital Universitario de Getafe (Madrid). 2Universidad de Valladolid. 3Centro Hospitalario Universitario de Santiago de Compostela (A Coruña).
4013-3. IMPLICACIÓN DEL EJE DE SEÑALIZACIÓN MIRNA199A/SIRT1/P300/YY1/SST2 EN LA REGULACIÓN DEL REMODELADO ADVERSO TRAS EL INFARTO DE MIOCARDIO
Antonio Manuel Lax Pérez1, Yassine Sassi2, Fernando Soler Pardo1, María Josefa Fernández del Palacio1, Álvaro Hernández Vicente1, David José Vázquez Andrés3, Eva Cabrera Romero3, David Fernández Vázquez3, Noelia Fernández Villa3, Manuel Veas Porlan3, Miguel Martínez Herrera3, Azucena Sáez Martín3, Antonio Escolar Conesa3, Domingo Andrés Pascual Figal3 y María del Carmen Asensio López4

1Universidad de Murcia. 2Mount Sinai Medical Center, Nueva York. 3Hospital Clínico Universitario Virgen de la Arrixaca, Murcia. 4Instituto Murciano de Investigación Biosanitaria Virgen de la Arrixaca, Murcia.
4013-4. MONITORIZACIÓN NO INVASIVA Y NO IONIZANTE DE STENTS CORONARIOS MEDIANTE ESPECTROMETRÍA DE MICROONDAS
Oriol Rodríguez-Leor1, Susana Amorós García de Valdecasas2, Giselle González-López2, Irene Jiménez2, Lluís Jofre2, Claudia Pérez-Martínez3, Antoni Bayes-Genis1, Javier Tejada Palacios4, Juan Manuel O'Callaghan Castellà2 y Carolina Gálvez Montón5

1Hospital Universitari Germans Trias i Pujol, Badalona (Barcelona). 2Universidad Politécnica de Cataluña, Barcelona. 3Universidad de León. 4Universitat de Barcelona, Barcelona. 5Fundació Institut en Ciències de la Salut Germans Trias i Pujol, Badalona (Barcelona).
4013-5. EPIDEMIOLOGÍA DE LA ESTENOSIS AÓRTICA EN ESPAÑA. EVOLUCIÓN DE INGRESOS, CARACTERÍSTICAS DE LOS PACIENTES Y LETALIDAD HOSPITALARIA 2003-2015
Nicolás Rosillo Ramírez1, Lourdes Vicent Alaminos2, David Martín de la Mota Sanz3, Francisco Javier Elola Somoza4 y Héctor Bueno5

1Servicio de Medicina Preventiva, Hospital Universitario 12 de Octubre, Madrid. 2Servicio de Cardiología, Hospital Universitario 12 de Octubre, Madrid. 3Servicio de Medicina Preventiva y Gestión de Calidad, Hospital General Universitario Gregorio Marañon, Madrid. 4Fundación IMAS, Madrid. 5Servicio de Cardiología, Hospital Universitario 12 de Octubre, Madrid.
4013-6. NUCLEOPORINA 153, RAN GTP-ASA AP1, IMPORTINA 5 Y SERCA2A COMO POTENCIALES BIOMARCADORES DE RECHAZO CARDIACO DURANTE EL PRIMER AÑO TRAS EL TRASPLANTE CARDIACO
Silvia Lozano Edo1, Ignacio Sánchez Lázaro1, Manolo Portolés2, Estefanía Tarazón3, Esther Roselló3, Meryem Ezzitouny1, Luis Almenar Bonet1, Raquel López Vilella1, Pablo Jover Pastor1 y Luis Martínez Dolz1

1Servicio de Cardiología del Hospital Universitario y Politécnico La Fe, Valencia. 2Instituto de Investigación Sanitaria del Hospital Universitario La Fe (IISLAFE), Valencia. 3Instituto de investigación Sanitaria del Hospital Universitario La Fe (IISLAFE), Valencia.
4013-7. CREACIÓN DE MODELOS PREDICTIVOS PARA LA PREDICCIÓN DE DESCOMPENSACIONES DE INSUFICIENCIA CARDIACA UTILIZANDO TÉCNICAS DE INTELIGENCIA ARTIFICIAL
Vanessa Escolar Pérez1, Ainara Lozano Bahamonde1, Nekane Larburu Rubio2, Jon Kerexeta Sarriegi2, Arkaitz Artetxe2, Garazi Artola Balda2, Amaia Echebarria Chousa1 y Alberto Azkona Lucio1

1Hospital Universitario de Basurto, Bilbao (Vizcaya). 2Vicomtech, Donostia-San Sebastián (Guipúzcoa).

Más comunicaciones de los autores

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