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

6078-568. 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.

Introducción y objetivos: La creciente carga asistencial y el volumen de datos en ecocardiografía (ETT) demandan eficiencia en la extracción de variables. Este estudio evalúa, en la vida real, la eficacia de modelos de lenguaje extenso (LLM), específicamente los modelos GPT-4o y GPTo1, para automatizar la extracción de datos de informes ETT estandarizados y su potencial para optimizar la gestión de datos clínicos.

Métodos: Se realizó un estudio descriptivo transversal con 42 informes ETT. Se comparó la extracción manual por dos residentes con la automatizada mediante GPT-4o y GPTo1 para 61 variables clave. Se midieron el tiempo de extracción y la tasa de errores de sendos métodos. Los modelos generaron archivos.csv.

Resultados: En cuanto al tiempo de extracción de datos, el procedimiento manual precisó de 378,75 ± 70,30 segundos para cada informe, GPTo1 54,74 ± 5,72s y GPT4o 13,78 ± 2,52s (p < 0,001). GPT-4o fue el más rápido (p < 0,001). En términos absolutos, el uso de GPTo1 y GPTo4 supusieron un ahorro de tiempo de 3,80 y 4,33 horas, respectivamente. La tasa de error fue baja y similar en los 3 grupos, siendo 7/1559 (0,45%) en GPT4o frente a 5/1559 (0,32%) en GPTo1 y en el procedimiento manual (p = 0,79). Los errores incluyeron omisiones y valores incorrectos; GPT-4o presentó 2 (0,13%) instancias de datos «inventados» ante información ausente en el informe original.

Conclusiones: Los LLM demuestran que la automatización de la extracción de variables ecocardiográficas ya es factible y ventajosa. Frente al proceso manual, ofrecen una velocidad muy superior manteniendo una precisión equivalente, lo que libera al personal clínico de tareas repetitivas y permite concentrar la atención en la interpretación y toma de decisiones. Esta eficiencia impulsa la productividad, estandariza la calidad de los registros y agiliza la investigación cardiovascular, al tiempo que optimiza el uso de los recursos y puede mejorar el acceso de los pacientes. El desarrollo de agentes de IA entrenados específicamente en ecocardiografía refinará la fiabilidad y la clasificación de los datos.

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?