Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Mi-S2.2-ApAu: Aprendizaje automático y modelos predictivos Lugar: Aula 0.01 Presidente de la sesión: Juan Pablo Martínez Cortés Presidente de la sesión: Jesús Lázaro Plaza | |
    | |
15:45 - 16:00
Aplicación de algoritmos de aprendizaje automático para la predicción de la mortalidad en síndrome coronario agudo 1: Unidad de Cuidados Intensivos. Hospital General Universitario de Ciudad Real, 13001 Ciudad Real, España; 2: Hospital Virgen de la Luz, 16002 Cuenca, España; 3: Medical Analysis Expert Group. Instituto de Investigación Sanitaria de Castilla-La Mancha (IDISCAM), 45071 Toledo, Spain;; 4: Medical Analysis Expert Group, Institute of Technology, University of Castilla-La Mancha, 13001 Cuenca, Spain. La enfermedad coronaria es una de las afecciones más prevalentes en la población general, lo que resalta la necesidad de un diagnóstico temprano, tratamiento adecuado y seguimiento constante para reducir la morbilidad y mortalidad asociadas. Aunque existen escalas pronósticas útiles para estimar el riesgo en el Síndrome Coronario Agudo (SCA), su precisión puede ser limitada en ciertos contextos clínicos. Este estudio retrospectivo analizó a 1.096 pacientes ingresados en la unidad coronaria del Hospital General Universitario de Ciudad Real durante 13 años. El objetivo fue identificar los factores más relevantes en la predicción de mortalidad mediante técnicas avanzadas de machine learning (ML), destacando el algoritmo eXtreme Gradient Boosting (XGB) por su mayor precisión comparado con otros modelos. Entre las variables más influyentes se encontraron: el uso de betabloqueantes, aspirina y diuréticos; los niveles y aclaramiento de creatinina; el uso de soporte vasoactivo; la fracción de eyección del ventrículo izquierdo (FEVI); y la clasificación de Killip y Kimball. Estas resultaron más determinantes que escalas tradicionales como el puntaje TIMI. El modelo basado en XGB demostró ser una herramienta eficaz y robusta para la estratificación del riesgo en pacientes con SCA, mejorando la precisión diagnóstica y apoyando decisiones clínicas más personalizadas
| |