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 | |
|
Vi-S6.1-AASe: Inteligencia Artificial en el análisis de señales cardíacas Lugar: Salón de Actos Presidente de la sesión: Jose Millet Roig Presidente de la sesión: Sofia Romagnoli | |
    | |
9:15 - 9:30
Predicción a Largo Plazo de Infarto de Miocardio mediante Redes Neuronales Convolucionales Usando Representación Matricial de Electrocardiogramas 1: Instituto de Innovación en Ingeniería de Aragón, Universidad de Zaragoza, Zaragoza, España,; 2: Clinical Pharmacology and Precision Medicine, William Harvey Research Institute, Queen Mary University of London, Londres, Reino Unido; 3: NIHR Barts Cardiovascular Biomedical Research Centre, Barts and The London Faculty of Medicine and Dentistry, Queen Mary University of London, Londres, Reino Unido; 4: Centro de Investigación Biomédica en Red, Bioingeniería, Biomateriales y Nanomedicina. Zaragoza, España La estratificación del riesgo de infarto de miocardio (IM) es fundamental para la intervención temprana y la prevención. Los modelos de redes neuronales profundas que toman como entrada el ECG se han mostrado prometedores a la hora de predecir eventos cardiovasculares. Sin embargo, estos métodos siguen limitados a periodos de seguimiento relativamente cortos y pueden no ser aplicables a una población general. Planteamos la hipótesis de que el rendimiento de estos modelos mejorará si los datos de entrada se presentan en un formato estructurado, lo que permitirá al modelo extraer características más relevantes de la misma señal de ECG. Diseñamos y comparamos el rendimiento de dos redes neuronales convolucionales, diseñadas para la predicción de IM en ocho periodos de seguimiento, de uno a doce años. El primer modelo se diseñó para tomar 3 segundos de un ECG de 1 derivación como entrada (1D), mientras que el segundo utiliza una representación matricial (2D) del mismo ECG de 1 derivación. Entrenamos ambos modelos utilizando 97.382 ECG de 1 derivación tomados de UKBiobank, utilizando señales de sujetos sin antecedentes previos de IM. Nuestro modelo 2D propuesto mostró un rendimiento ligeramente mejor, con un aumento medio del AUC de 0,008. Estos resultados sugieren que el modelo propuesto capta mejor la diferencia entre los sujetos con mayor riesgo de IM. Con este trabajo, buscamos mejorar la predicción del riesgo de IM para proporcionar a los profesionales sanitarios información precisa y oportuna para la toma de decisiones clínicas.
| |