Programa del congreso

Studying the optic nerve is crucial for the diagnosis and monitoring of Multiple Sclerosis (MS), as optic neuritis is a frequent and often early manifestation of the disease. This research developed an automated pipeline to assess optic nerve integrity and detect lesions

in MS patients using conventional Magnetic Resonance Imaging (MRI). A deep learning-based U-Net model was used to segment the optic nerve and generate T1/T2 ratio profiles along its trajectory. The segmentation model demonstrated robust performance, and the derived profiles provided clinically meaningful insights. At the eyelevel, the analysis successfully distinguished between affected and non-affected eyes, both globally and regionally. The T1/T2 ratio also

showed significant correlations with established clinical measures such as retinal nerve fiber layer thickness, ganglion cell–inner plexiform layer thickness, and visual evoked potential latency. At the patient-level, inter-eye asymmetry provided strong classification

ability (AUC of 0.83) for identifying individuals with or without unilateral lesions. These findings highlight the potential of the T1/T2 ratio as a reliable, non-invasive biomarker for axonal loss, complementing existing methods. By relying on conventional MRI, this automated

approach offers an objective, reproducible, and clinically accessible tool for evaluating optic nerve integrity in MS.

pendiente

This work focuses on the development of a graphene-based field-effect transistor (GFET) biosensor for the real-time detection of biomarkers associated with major depressive disorder (MDD). The main objective is to design a graphene-based biosensor that allows the measurement of molecular biomarkers related to MDD, such as inflammatory proteins and metabolites, for early diagnosis, monitoring of its progression, and potential personalized treatment strategies. On the biological side, the graphene surface is functionalized with biorecognition elements to enable the selective detection of IL-6, a biomarker linked to depressive processes. This involves the use of chemical linkers and validation through advanced characterization. In parallel, the electronic development includes the design of a printed circuit board (PCB) and the integration of a chip based on graphene field-effect transistors (GFETs), arranged in a 64×64 array. Electrical measurements are performed to assess the sensor’s performance and stability, providing the basis for its future application in portable diagnostic systems. These results provide a solid foundation for advancing GFET technology toward multiplexed biosensing and future integration into real-time platforms for mental health monitoring.

This work explores the use of machine learning for arrhythmia classification from 12-lead electrocardiograms (ECGs). A Vector-Quantized Variational Autoencoder (VQ-VAE) was trained in an unsupervised manner on a large ECG dataset (~99,000 ECGs), to learn compact, discrete latent representations of cardiac morphology. These embeddings were then used as features for downstream classifiers, namely fullly connected layers, XGBoost and multi-layer perceptron (MLP), to distinguish sinus rhythm (SR), supraventricular tachycardia (SVT), and ventricular tachycardia (VT). Labeled ECGs for supervised training/testing were collected at Hospital General Universitario Gregorio Marañón in Madrid and annotated by expert cardiologists. The best model (an MLP using VQ-VAE embeddings) achieved 95.2% accuracy on the test set. Compared with baseline approaches, VQ-VAE features improved performance and yielded structured, clinically meaningful representations suitable for arrhythmia classification. To our knowledge, this is the first application of VQ-VAEs to 12-lead ECG classification, showing strong generalization and potential for clinical integration.

Este trabajo analiza y evalúa la artroplastia total de rodilla (ATR) mediante cirugía robótica con el sistema CORI™ de Smith & Nephew en el Hospital Universitario Vall d’Hebron. Se estudiaron 72 pacientes utilizando datos angulares preoperatorios obtenidos por telemetría y resultados de alineación postoperatoria asistida por robot. Los datos permitieron clasificarlos según el sistema CPAK (Coronal Plane Alignment of the Knee) y evaluar los cambios en la alineación coronal, identificando los casos en los que se mantiene o modifica significativamente. La evolución funcional se valoró mediante cuestionarios KOOS, recogidos antes de la intervención y a los 6 y 12 meses tras la cirugía, evaluando la percepción subjetiva de mejora y la calidad de vida. Además, se realizó un análisis biomecánico mediante simulaciones de elementos finitos comparando la distribución de cargas articulares antes y después de la cirugía. Los resultados muestran mayor concentración de cargas en áreas específicas en el estado preoperatorio, asociadas a la artrosis, y una distribución más homogénea tras la implantación protésica, reduciendo riesgos potenciales.

Se reconoce que otros factores influyen en el dolor y en la funcionalidad postoperatoria y este estudio sienta las bases para futuras investigaciones sobre la alineación, cargas y recuperación postoperatoria.

La Diabetes Mellitus (DM) es un problema de salud pública que afectó al 9,3% de la población mundial en 2019, destacando que el 43% de los afectados desconocía su condición. Entre sus complicaciones destaca la neuropatía periférica diabética (NPD), que representa el 75% de las neuropatías diabéticas. El diagnóstico convencional de la NPD presenta varias limitaciones, como falta de estandarización, accesibilidad limitada y subjetividad, evidenciando la necesidad de nuevos métodos. Este estudio busca identificar biomarcadores obtenidos a partir de parámetros que valoran la dinámica de la señal electromiográfica para detectar pacientes con NPD. Se realizaron registros de electromiografía de superficie (sEMG) durante ejercicios isométricos de flexión plantar en cuatro músculos (tibial anterior, gastrocnemio medial, extensor y flexor corto de los dedos). Se calcularon parámetros temporales (RMS), espectrales (MDF) y de complejidad (SAMPEN), que fueron combinados en diagramas de análisis bivariado amplitud-espectro/complejidad (JASA). Se computaron cinco parámetros que describen cuantitativamente la trayectoria de estos diagramas. Posteriormente se realizó un análisis estadístico para obtener posibles biomarcadores con capacidad discriminativa entre sujetos sanos y diabéticos con riesgo de padecer NPD. Destacan los parámetros de trayectoria R2, R1 y AXR de la combinación JASA estimada con la aproximación de la derivada respecto al valor anterior, obtenidos sobre la señal del extensor corto izquierdo y tibial anterior derecho. Esto apunta a que la enfermedad afecta principalmente a los músculos distales y antagonistas del movimiento, manifestándose en un aumento de la complejidad de la señal, posiblemente causada por una desregulación del sistema motor.