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-S3.1-GIB II: Premios SEIB-Fenin (II) Lugar: Salón de Actos Presidente de la sesión: Elisabete Aramendi Ecenarro Presidente de la sesión: Juan Carlos Antony García Presidente de la sesión: Pablo Laguna Trabajos seleccionados para el Premio SEIB-FENIN (estudiantes del Grado en Ingeniería Biomédica). | |
    | |
16:41 - 16:52
Diseño y desarrollo de algoritmos de aprendizaje automático para la predicción de complicaciones en pacientes con Diabetes Tipo 2 1: Universidad Politécnica de Madrid; 2: Universidad Complutense de Madrid La diabetes mellitus tipo 2 (DM2) constituye uno de los principales desafíos sanitarios globales y nacionales por su elevada prevalencia y sus graves complicaciones micro y macrovasculares. La creciente disponibilidad de datos del mundo real (Real World Data, RWD) procedentes de historias clínicas electrónicas ofrece una oportunidad única para generar evidencia clínica y desarrollar modelos predictivos de utilidad asistencial. Este trabajo presenta el diseño y desarrollo de algoritmos de inteligencia artificial (IA) para la predicción de complicaciones en pacientes con DM2, utilizando una cohorte de grandes dimensiones procedente de la base de datos BIFAP, que incluye más de un millón de pacientes de la población española. Se implementaron y compararon modelos de aprendizaje automático clásico (regresión logística, SVM, XGBoost, MLP) y aprendizaje profundo (RETAIN y BEHRT), evaluando su rendimiento, calibración e interpretabilidad. El modelo RETAIN obtuvo un rendimiento destacado en la predicción de enfermedad renal crónica (AUC = 0,91, F1-score = 0,79) y mortalidad (AUC = 0,89, F1-score = 0,74), superando a los modelos tradicionales. Los resultados confirman el potencial de la IA aplicada a RWD como herramienta para la predicción temprana de complicaciones y la personalización del seguimiento clínico.
| |