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

4013-7. 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).

Introducción y objetivos: El desarrollo de técnicas de machine learning está permitiendo mejorar el conocimiento médico, favoreciendo el desarrollo de algoritmos con el objetivo de ayudar en la práctica clínica habitual.

Métodos: El objetivo es la creación de modelos predictivos que permitan detectar de manera precoz las descompensaciones de IC. Se han utilizado técnicas de machine learning para el análisis de los resultados y generación de los modelos predictivos: (i) entrenamiento y testeo de la base de datos creada, (ii) aplicación de las alertas implementadas actualmente en la práctica clínica de nuestro hospital (iii) selección de las alertas para el estudio, (iv) creación y selección del conjunto de datos que serán utilizados para la aplicación de los clasificadores de machine learning y (v) comparación de los diferentes clasificadores y aplicación de los mismos.

Resultados: 245 pacientes, 44 meses de reclutamiento, seguimiento de 13,5 ± 9,11 meses y 1.408.397 transmisiones (TAS, TAD, FC, SatO2, peso y un cuestionario de síntomas relacionados con IC). 146 hombres y 99 mujeres, edad 76,34 años (DE 11,35), cardiopatía isquémica (36%), FEVI 42,26 (DE 15,17), FA (62,8%), tiempo de evolución de IC 5,8 (DE 7,08). Hemos registrado 625 descompensaciones en 150 pacientes diferentes (347 tratadas en domicilio, 244 ingresos y 34 episodios tratados en urgencias). Se han testeado varias posibilidades a través de técnicas de machine learning, obteniendo el mejor modelo a través de Naïve Bayes y Bernoulli. Este incluye la combinación de “peso + edemas en EEII + sensación de empeoramiento clínico + alarmas amarillas de desaturación, TAS, TAD y FC”. El sistema reduce significativamente el número de falsas alertas, desde 28,64 FA/pt-y (falsas alertas por paciente y año) hasta 7,8 FA/pt-y. Pero la sensibilidad desciende desde 0,76 con las alarmas actuales hasta 0,47 con el modelo generado.

Comparación de los valores de sensibilidad y FA/pt-y de nuestro sistema con el modelo generado.

Conclusiones: Hemos creado un modelo predictivo con los parámetros de “peso + edemas en EEII + sensación de empeoramiento clínico + desaturación + TAS + TAD + FC” que mejora la exactitud de las alarmas actualmente implementadas en nuestro sistema de telemonitorización.


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?