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

6078-569. 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.

Introducción y objetivos: La detección de patrones de comorbilidad es clave para entender la complejidad de los pacientes con enfermedades cardiovasculares. Los algoritmos de machine learning no supervisado permiten identificar asociaciones entre diagnósticos, lo que facilita conocer perfiles clínicos. El objetivo del estudio fue evaluar la existencia de perfiles específicos de comorbilidad y factores de riesgo en pacientes con enfermedades cardiovasculares mediante reglas de asociación sobre datos codificados en CIE-10.

Métodos: Estudio observacional retrospectivo basado en registros de hospitalización de un hospital terciario entre 2016 y 2019 (antes de la pandemia de COVID-19). Se evaluó la presencia de enfermedad cardiovascular y la prevalencia de factores de riesgo cardiovascular, definidos mediante códigos de la Clasificación Internacional de Enfermedades (CIE-10). Se aplicó el algoritmo Apriori, una técnica clásica de minería de reglas de asociación, que permite identificar reglas del tipo «si X = > entonces Y» a partir de la coocurrencia de diagnósticos en los episodios clínicos. Se emplearon los siguientes parámetros: soporte (proporción de pacientes con una combinación de diagnósticos), confianza (probabilidad de que un diagnóstico ocurra dado otro), lift (fuerza de la asociación observada) y cobertura (frecuencia del antecedente).

Resultados: Se incluyeron 179.439 registros de hospitalización, de los cuales 94.946 pertenecieron a mujeres (52,9%). Se observó una media de 6,6 códigos diagnósticos por hospitalización. Un 48,4% presentó más de 6 códigos por registro. Los códigos más frecuentes en esta población fueron hipertensión (45.530, 3,7%), desórdenes del metabolismo lipídico (34.310, 2,8%), diabetes mellitus (29.717, 2,4%), abuso de drogas (incluyendo consumo de alcohol y tabaco, 24.574, 2,0%) y alteraciones el ritmo cardiaco (20.501, 1,7%). Se detectaron 1,583 reglas de asociación. Las reglas con mayor cobertura se encuentran detalladas en la tabla. Entre las 10 reglas con mayor cobertura detectadas de forma no supervisada, 6 tienen relación con las enfermedades cardiovasculares y sus factores de riesgo.

Reglas de asociación ordenadas por cobertura. Periodo CIE-10 (de 2016 a 2019)

Reglas de asociación

Soporte P(X,Y)

Confianza P(Y|X)

Cobertura

Lift

n

{272: trastornos del metabolismo lipídico} → {401: hipertensión esencial}

0,1036

0,5435

0,1906

2,1491

18.608

{493: asma} → {491: bronquitis crónica}

0,0591

0,6726

0,0878

10,4454

10.615

{250: diabetes mellitus, 401: hipertensión esencial} → {272: trastornos del metabolismo lipoide}

0,0422

0,5117

0,0825

2,6851

7.584

{428: insuficiencia cardiaca} → {427: disritmias cardiacas}

0,0415

0,5163

0,0804

4,2050

7.462

{250: diabetes mellitus, 272: trastornos del metabolismo lipídico} → {401: hipertensión esencial}

0,0422

0,5594

0,0755

2,2122

7.584

{491: bronquitis crónica → {493: asma}

0,0591

0,9175

0,0644

10,4454

10.615

{491: bronquitis crónica, 493: asma} → {496: obstrucción crónica de las vías respiratorias}

0,0375

0,6348

0,0591

16,9245

6.738

{327: trastornos orgánicos del sueño} → {V46: otra dependencia de máquinas y aparatos}

0,0321

0,5937

0,0540

10,9665

5.763

{402: cardiopatía hipertensiva} → {428: insuficiencia cardiaca}

0,0256

0,5592

0,0457

6,9511

4.595

{403: enfermedad renal crónica hipertensiva} → {585: enfermedad renal crónica}

0,0372

0,9390

0,0396

11,9213

6.675

Flecha → indica la dirección de las reglas.

Conclusiones: La minería de reglas de asociación aplicada a registros clínicos permite identificar perfiles de comorbilidad relevantes en pacientes con enfermedades cardiovasculares. Esta herramienta puede complementar el análisis epidemiológico clásico y apoyar el desarrollo de modelos predictivos.

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?