REVISTA ESPAÑOLA DE
CARDIOLOGÍA
ISSN: 0300-8932 Factor de impacto 2024 4,9

SEC 2025 - El Congreso de la Salud Cardiovascular

SEC 2025 - El Congreso de la Salud Cardiovascular
Granada, 23 - 25 de Octubre de 2025


Introducción
José M. de la Torre Hernández
Presidente del Comité Científico del Congreso. Vicepresidente de la SEC

Comités ejecutivo, organizador y científico
Comité de selección de comunicaciones
Listado completo de comunicaciones
Índice de autores

6078. Innovación tecnológica

Fecha : 23-10-2025 00:00:00
Tipo : Póster

6078-566. Modelos tabulares para la predicción de recurrencia de fibrilación auricular: integración de registros electrónicos estructurados y narrativos

Alain García Olea1, Ane García Domingo-Aldama2, Aitziber Atutxa Salazar2, Koldo Gojenola Galletebeitia2, Larraitz Gaztañaga Arantzamendi3, Estíbaliz Zamarreño Golvano3, Haritz Arrizabalaga Aróstegi3, Marcos Merino Prado4, M. Fe Arcocha Torres3, Ignacio Díez González1, Juan José Pascual Serrano3, Susana Diéguez Herrezuelo3, Jesús Daniel Martínez Alday3, Josu Goikoetxea2 y José Miguel Ormaetxe Merodio3

1Instituto de Investigación Biobizkaia-Hospital Universitario Basurto, Bilbao (Bizkaia), España, 2Departamento de Lenguajes y Sistemas Informáticos de la Escuela de Ingeniería de Bilbao, Universidad del País Vasco, Bilbao (Bizkaia), España, 3Hospital Universitario de Basurto, Bilbao (Bizkaia), España y 4Universidad del País Vasco, Bilbao (Bizkaia), España.

Introducción y objetivos: La fibrilación auricular (FA) es la arritmia cardiaca más frecuente y su recurrencia tras un primer episodio es común, lo que puede determinar la actitud terapéutica. Las guías clínicas emplean puntuaciones de riesgo (CHADS2-VASc, HATCH, APPLE) para estimar la recurrencia, pero su precisión es limitada. Este estudio tiene como objetivo desarrollar un modelo predictivo de aprendizaje automático (AA) que identifique de forma precoz la recurrencia de FA entre 1 mes y 2 años tras el debut, a partir de datos clínicos estructurados y no estructurados.

Métodos: Se generó un conjunto de datos tabular integrando datos clínicos estructurados (registros codificados) con texto libre de informes de alta, procesados mediante técnicas de procesamiento de lenguaje natural (NLP). Se incluyeron 1.508 pacientes con debut de FA (Tabla); una cohorte con anotación manual de recurrencia (278) se destinó a prueba y el resto a entrenamiento del modelo. Se comparó el modelo tabular de gran escala (LTM) con los scores tradicionales y con otros algoritmos de AA (máquina de vectores de soporte, entre otros), evaluando el desempeño con precisión, recall, F1, especificidad, coeficiente de correlación de Matthews y AUC. Se analizaron los resultados por género y edad para valorar el comportamiento.

Resultados: El modelo LTM obtuvo el mejor rendimiento predictivo (Figura) en la práctica totalidad de los parámetros medidos, superando tanto a los scores clínicos tradicionales como a otros modelos de AA como la máquina de vectores de soporte. Las puntuaciones clínicas mostraron una capacidad predictiva limitada, especialmente en pacientes menores de 75 años. En el análisis estratificado se revelaron diferencias en el rendimiento según el sexo (ligeramente mejor en mujeres) y variaciones por edad.

Principales características clínicas de los pacientes

Característica

Valor

Pacientes, n

1.508

Edad media, (DE) (años)

76,3 (12,3)

Mujeres, %

51%

Hipertensión arterial, %

78%

Insuficiencia cardiaca, %

52%

Diabetes mellitus tipo 2, %

24%

Hipercolesterolemia, %

37%

Cardiopatía isquémica, %

19%

Ictus/AIT previo, %

13%

Flutter auricular, %

20%

Creatinina (mg/dl)

1,15 (0,8)

LDLc (mg/dl)

117,92 (40,63)

NT-proBNP (pg/ml)

3.489,18 (4.869,44)

TSH (mU/L)

2,13 (1,63)

FEVI (%)

54,89 (12,27)

AOS, %

7,13%

Aurícula izquierda (cm2)

29,02 (5,37)

IMC

29,26 (5,26)

AIT: accidente isquémico transitorio; AOS apnea obstructiva del sueño; DE: desviación estándar; FEVI: fracción de eyección del ventrículo izquierdo.

Comparativa entre algoritmos de AA, LTM y escalas clínicas.

Conclusiones: La integración de datos estructurados y texto libre permitió obtener un conjunto de datos de alta calidad para predecir la recurrencia de FA, mitigando errores de codificación. Los hallazgos resaltan las limitaciones de las escalas tradicionales en anticipar la recurrencia y destacan el potencial de los modelos de AA, en particular LTM, en la predicción de ésta. El mejor comportamiento en la población femenina puso de manifiesto una distribución etaria no equitativa en el debut de FA entre ambos géneros. El modelo tabular se mostró menos influenciado por esta variable, orientando a una posible mayor generabilidad.

Comunicaciones disponibles de "6078. Innovación tecnológica"

6078-566. Modelos tabulares para la predicción de recurrencia de fibrilación auricular: integración de registros electrónicos estructurados y narrativos
Alain García Olea1, Ane García Domingo-Aldama2, Aitziber Atutxa Salazar2, Koldo Gojenola Galletebeitia2, Larraitz Gaztañaga Arantzamendi3, Estíbaliz Zamarreño Golvano3, Haritz Arrizabalaga Aróstegi3, Marcos Merino Prado4, M. Fe Arcocha Torres3, Ignacio Díez González1, Juan José Pascual Serrano3, Susana Diéguez Herrezuelo3, Jesús Daniel Martínez Alday3, Josu Goikoetxea2 y José Miguel Ormaetxe Merodio3

1Instituto de Investigación Biobizkaia-Hospital Universitario Basurto, Bilbao (Bizkaia), España, 2Departamento de Lenguajes y Sistemas Informáticos de la Escuela de Ingeniería de Bilbao, Universidad del País Vasco, Bilbao (Bizkaia), España, 3Hospital Universitario de Basurto, Bilbao (Bizkaia), España y 4Universidad del País Vasco, Bilbao (Bizkaia), España.
6078-567. Cambios epidemiológicos, microbiológicos y de pronóstico de la endocarditis infecciosa en nuestro medio mediante herramienta de big data
Cristina de Cortina Camarero1, Laura Mora Yagüe1, Mohamed-Said El Flihi Belhaja2, María del Mar Sarrión Catalá1, Verónica Suberviola Sánchez-Caballero1, Silvia Jiménez Loeches1, Cristina Beltrán Herrera1, Ana M. Sánchez Hernández1, Pedro Martínez Losas1, María Teresa Nogales Romo1, Alejandro Cortés Beringola1 y Roberto Muñoz Aguilera1

1Hospital Universitario Infanta Leonor, Madrid, España y 2Universidad Complutense Madrid, Madrid, España.
6078-568. Automatización en ecocardiografía: ¿puede la inteligencia artificial revolucionar la extracción de datos?
Jaime Fernández Rebollo, Juan José Serrano Silva, Cristina Aguilar Ferrer, Sergio Gamaza Chulián y Emanuele Coppo

Servicio de Cardiología, Hospital Universitario de Jerez de la Frontera, Jerez de la Frontera (Cádiz), España.
6078-569. Identificación de perfiles de comorbilidad en enfermedades cardiovasculares mediante minería de reglas de asociación
Jorge Vélez García1, Nicolás Rosillo Ramírez1, Miguel Hernández Gómez1, Germán Seara Aguilar1, Sandra Fernández Fernández2, Guillermo Moreno Muñoz3, Paula Maillo Pérez1, Sheila Sánchez Romero1, Sandra Redondo Cueto1, Irene Noblejas Alberca1, José Luis Bernal Sobrino4 y Héctor Bueno4

1Grupo de Investigación Cardiovascular Multidisciplinar Traslacional (GICMT), Instituto de Investigación Sanitaria Hospital 12 de Octubre (imas12), Madrid, España, 2Grupo de Investigación Cardiovascular Multidisciplinar Traslacional (GICMT), Centro Nacional de Investigaciones Cardiovasculares (CNIC), Madrid, España, 3Facultad de Enfermería, Fisioterapia y Podología, Universidad Complutense, Madrid, España y 4Grupo de Investigación Cardiovascular Multidisciplinar Traslacional (GICMT), Instituto de Investigación Sanitaria Hospital 12 de Octubre (imas12), Servicio de Cardiología, Hospital Universitario 12 de Octubre, Madrid, España.

Más comunicaciones de los autores

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