Programa del congreso

Este trabajo presenta un sistema de soporte a la decisión para la prescripción empírica de antibióticos en contextos clínicos complejos, basado en una arquitectura de agentes especializados coordinados mediante una máquina de estados finitos, implementada con LangGraph y orquestada mediante LangChain. El sistema combina LLMs para generar razonamientos clínicos, estimar patógenos probables, analizar resistencias locales, consultar guías terapéuticas y proponer tratamientos ajustados, incorporando LangWatch para registrar y auditar el recorrido completo del razonamiento. En este artículo se describe una de las topologías implementadas y se ilustra su funcionamiento mediante casos clínicos simulados. Los resultados preliminares evidencian que la arquitectura es capaz de generar recomendaciones alineadas con las guías clínicas, con un tiempo medio de ejecución de 37 segundos y un coste estimado por caso de 0,05 USD. Este trabajo muestra la viabilidad técnica de aplicar arquitecturas multiagente basadas en LLMs en programas de optimización del uso de antimicrobianos, con potencial para aportar adaptabilidad, explicabilidad y trazabilidad

Atrial fibrillation is the most common sustained cardiac arrhythmia and often requires catheter ablation guided by electroanatomical 3D mapping. However, the anatomical segmentation of left atrial structures remains manual, which limits reproducibility and clinical integration. We present a deep learning pipeline for automatic segmentation of left atrial surface meshes. Three models were analyzed: MedMeshCNN (edge-based), PointNetGAT (vertex-based with attention), and a two-stage hybrid model combining both. Post-processing and Iterative Closest Point (ICP) registration were evaluated through an ablation study to improve the final performance. The hybrid pipeline achieved the best results in 174 3D left atrial meshes, particularly in complex regions such as the left atrial appendage and pulmonary veins, with a mean accuracy of 0.88, a mean IoU of 0.78, and a mean Dice coefficient of 0.87.

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.

Cancer cells reprogram metabolism to sustain growth, creating vulnerabilities exploitable through synthetic lethality. Genetic Minimal Cut Sets (gMCSs) identify minimal gene groups essential for survival, but their use is limited by incomplete reconstructions and binary assumptions of gene activity. We present gMCS-Net, an interpretable fuzzy neural network that integrates gMCSs with gene expression and CRISPR data. It learns gene-specific thresholds and applies fuzzy logic to capture graded activity and complex dependencies. This design reduces false positives and improves predictive power. On unseen cell lines, gMCS-Net achieved a positive predictive value of 0.883, compared to 0.499 for the state-of-the-art methods. By uniting interpretability with performance, gMCS-Net provides a scalable and accurate framework to uncover metabolic vulnerabilities, offering strong potential to guide therapeutic strategies in precision oncology.

Los avances en dispositivos vestibles han impulsado la monitorización continua del ECG, pero el entorno de adquisición introduce artefactos y ruido que pueden comprometer la interpretación clínica. La evaluación automática de la calidad de la señal resulta, por tanto, esencial. Los métodos basados en redes neuronales convolucionales suelen requerir transformar las señales en imágenes, siendo el espacio de fases una alternativa no lineal atractiva frente a las representaciones tiempo-frecuencia, al capturar de manera eficiente dinámicas fisiológicas complejas. Sin embargo, parámetros críticos como el retardo temporal (tau) pueden condicionar fuertemente el rendimiento. En este estudio se investigó la optimización de tau para la evaluación de la calidad del ECG mediante representaciones en el espacio de fases. Se emplearon dos bases de datos independientes para entrenamiento y prueba, que incluyeron registros de ritmo sinusal normal y fibrilación auricular. Se realizó un análisis paramétrico variando tau en un rango amplio de valores teóricos e intermedios. Los resultados mostraron que el rendimiento de la clasificación varía de forma significativa con tau, con diferencias de hasta un 20% en sensibilidad y un 30% en especificidad. El valor óptimo se alcanzó con tau = 5 muestras (1/36 del periodo promedio de la señal de ECG), logrando un equilibrio entre sensibilidad (83,7) y especificidad (89,0), una exactitud balanceada de 86,3% y un F_1-score del 91,0%. Estos hallazgos subrayan la importancia de ajustar tau en aplicaciones prácticas y evidencian el potencial de este enfoque para su integración en sistemas portátiles de monitorización y detección automática de arritmias.

Two clinical scenarios focused on inference of non-measurable cardiovascular signals and parameters within the human arterial system are presented. In the first scenario, we use Physics-Informed Neural Networks (PINNs) constrained with zero-dimensional (0D) hemodynamical models to jointly reconstruct the Young modulus of each of the elastic vessels of a mock arterial circulatory system, from lumen area in-silico data. In the second scenario, we use PINNs to reconstruct the cardiac flow rate at the ascending aorta inlet of a healthy adult thoracic network using exclusively an in-vivo pressure signal measured non-invasively with tonometry at the left common carotid artery of a healthy young adult.