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 | |
|
Ju-S5.2-IAMod: Inteligencia artificial y modelado computacional Lugar: Aula 0.01 Presidente de la sesión: Gonzalo Ricardo Ríos Muñoz Presidente de la sesión: Begoña Acha Piñero | |
    | |
15:30 - 15:45
Modelo híbrido para la predicción del pronóstico de la actividad eléctrica sin pulso en paradas cardiorrespiratorias 1: Departamento de Matemática Aplicada, Universidad del País Vasco (EHU); 2: Departamento de Ingeniería de Comunicaciones, Universidad del País Vasco (EHU); 3: Departamento de Tecnología Electrónica, Universidad del País Vasco (EHU); 4: Department of Emergency Medicine, University of Texas Southwestern Medical Center, Dallas, EE.UU. La actividad eléctrica sin pulso (PEA) es un ritmo común en paradas cardiorrespiratorias extrahospitalarias, caracterizado por actividad eléctrica organizada en el ECG sin pulso palpable. La PEA no responde a desfibrilación y presenta un pronóstico variable según su reversibilidad, distinguiéndose formas favorables (faPEA) y desfavorables (desPEA). Identificar precozmente esta distinción es clave para personalizar el tratamiento durante la reanimación. Este estudio propone un clasificador automático híbrido que combina aprendizaje profundo para la delineación automática de complejos QRS y aprendizaje automático para clasificar segmentos de ECG e impedancia torácica (IT) en faPEA o desPEA. Se analizaron 260 episodios con PEA, generando 1921 segmentos etiquetados según presencia o ausencia de retorno a circulación espontánea (RCE). Se extrajeron 22 características que incluyen parámetros espectrales, morfológicos del QRS y estadísticas de forma de onda del ECG e IT. La clasificación binaria se realizó con un modelo Random Forest (RF), comparado con regresión logística y máquinas de vectores de soporte, evaluados mediante validación cruzada estratificada. El clasificador RF obtuvo los mejores resultados, con un área bajo la curva ROC de 0.895, precisión balanceada de 0.776, sensibilidad de 0.784 y especificidad de 0.769. Estos resultados superan significativamente a los otros modelos, demostrando la eficacia del enfoque híbrido para caracterizar en tiempo real la PEA y apoyar decisiones clínicas durante la reanimación.
| |