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-S3.2-ApPSB: Aprendizaje automático en procesado de señales biomédicas Lugar: Aula 0.01 Presidente de la sesión: Raquel Bailón Luesma Presidente de la sesión: Daniel Sánchez Morillo | |
    | |
16:30 - 16:45
Aprendizaje automático para la detección de pulso utilizando señales de oximetría cerebral 1: Universidad del País Vasco/Euskal Herriko Unibertsitatea (UPV/EHU), España; 2: Emergentziak-Osakidetza, Bilbao, España; 3: Instituto de Investigación Sanitaria Biobizkaia, Barakaldo, España La parada cardiorrespiratoria extrahospitalaria (PCREH) es una de las principales causas de muerte en el mundo. La identificación del retorno de la circulación espontánea (RCE), que se basa principalmente en distinguir entre actividad eléctrica sin pulso (AESP) y ritmo generador de pulso (RP), es clave para la supervivencia. Los modelos de clasificación actuales basados en el electrocardiograma (ECG) presentan un rendimiento deficiente debido a las similitudes en la actividad eléctrica que ambos ritmos presentan. La señal de oximetría cerebral de alta resolución temporal obtenida mediante espectroscopía en el infrarrojo cercano refleja fluctuaciones correladas con los complejos QRS cuando el paciente presenta un ritmo RP. Este estudio propone un clasificador basado en Random Forest que combina características de oximetría cerebral y ECG para la discriminación AESP/RP. Se analizaron 165 segmentos de 5 segundos de oximetría y ECG (90 RP/75 AESP). Se calcularon un total de 350 características de cada segmento. Se utilizó un esquema de validación cruzada de 5 particiones para la selección de características y ajuste/evaluación del modelo. Los resultados aportaron una especificidad/sensibilidad de 88.3%/82.4%, para un modelo de 11 parámetros, lo que iguala en rendimiento a modelos más complejos basados exclusivamente en el ECG. Estos hallazgos sugieren que la oximetría proporciona un método más simple y eficiente para la identificación del RCE.
| |