Programa del congreso

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.

Las patologías espinales no estructurales, aquellas que no presentan hallazgos evidentes en exámenes de imagen convencionales como radiografías, tomografías computarizadas o resonancias magnéticas, constituyen un desafío diagnóstico frecuente en la práctica clínica. Frente a esta limitación, la espectroscopia funcional de infrarrojo cercano (fNIRS) surge como una herramienta complementaria prometedora, capaz de evaluar de forma no invasiva y dinámica la respuesta neurovascular de la red peri-medular de la médula espinal en tiempo real. Esta tecnología óptica permite medir los cambios en la concentración de oxihemoglobina (O2Hb) y desoxihemoglobina (HHb), reflejando la actividad metabólica y neurovascular de la red peri-medular de la médula espinal.

El presente estudio tiene como objetivo caracterizar la respuesta de O2Hb y HHb en sujetos sanos frente a un estímulo externo controlado, con el propósito de establecer patrones de referencia que puedan ser utilizados como método diagnóstico complementario a condiciones clínicas sin alteraciones estructurales visibles. Se empleó un protocolo de estimulación eléctrica del nervio mediano y registro simultáneo con fNIRS en la región espinal. El análisis incluyó parámetros temporales y morfológicos de las curvas de respuesta neurovascular peri-espinal.

Los resultados preliminares muestran comportamientos diferenciados en las señales de O2Hb y HHb, destacando la relevancia de caracterizar ambos componentes para una comprensión integral de la respuesta neurovascular peri-espinal. Esta caracterización en sujetos sanos permitirá avanzar hacia modelos diagnósticos funcionales que apoyen la detección de alteraciones espinales no estructurales.

Los trastornos de la deglución representan un problema clínico de alta relevancia por su impacto en la calidad de vida y el riesgo de aspiración que puede comprometer la función respiratoria. Actualmente, las técnicas de referencia para su diagnóstico son la videofluoroscopia (VFSS). Si bien ambas aportan información detallada, son procedimientos invasivos, costosos y de acceso limitado, lo que dificulta su uso rutinario. En este escenario, surgen nuevas alternativas basadas en el análisis de señales acústicas cervicales como métodos no invasivos, seguros y escalables para la práctica clínica.

Este estudio presenta una red neuronal convolucional bidimensional (CNN-2D) para la clasificación automática de señales acústicas deglutorias, con el objetivo de distinguir entre sujetos sanos y pacientes con patología que compromete la vía aérea durante la deglución. Los datos fueron adquiridos en el Hospital del Trabajador-ACHS a partir de 20 participantes (10 sanos y 10 con patología), utilizando un equipo diseñado específicamente para la adquisición de señales acústicas cervicales. Los resultados muestran una precisión general del 87.5%, con sensibilidad del 92.9% para casos sanos y 83.3% para pacientes con patología. Estos hallazgos evidencian la capacidad del modelo para generalizar con un conjunto limitado de datos y plantean las bases para el desarrollo de sistemas automatizados de diagnóstico no invasivo de trastornos deglutorios con potencial aplicación clínica. Estos resultados nos permiten inferir que el uso de este tipo de dispositivos puede ser una alternativa para pacientes que no les es posible realizarse una VFSS, como es el caso de las mujeres embarazadas.

Automatic Speech Recognition (ASR) systems’ performance often decreases in noisy environments, in situations where the message should remain private, or when used by individuals affected by speech production impairments. The aim of this study is to assess the potential of SSI as an alternative to provide a more robust, accessible, and secure kind of communication. Specifically, it evaluates and compares the performance of four different types of machine learning models (Naive Bayes, Support Vector Machines, Random Forest, and K-nearest neighbours) to recognise 10 English words pronounced silently. To do this, surface electromyography (sEMG) signals produced by 13 subjects when articulating the words were recorded using a 5-channel bipolar electrode arrange. Although the average accuracy across all models was relatively similar, Naive Bayes models exhibited the most consistent performance across different subjects, which makes them a solid candidate for Silent Speech systems. The Naive Bayes models achieved an accuracy of 79.49% for the classification of five numbers, 81.80% for five aviation-related commands, and 67.56% when classifying a dataset of digits and commands together. These results confirm the potential of machine learning models for developing Silent Speech systems based on EMG signals that may achieve robust and accurate silent communication.

La pérdida de unidades motoras se evalúa en la práctica clínica habitual mediante el patrón de interferencia del electromiograma (EMG), un método subjetivo y por lo tanto dependiente del examinador. Se propone un método para evaluar el EMG de forma objetiva a través de dos parámetros: la velocidad de llenado, basado en la función de densidad de probabilidad (PDF) de la señal, y una nueva característica, el índice de neurogenia, basado en el perfil de amplitud de la señal. Los resultados muestran que cuando existe una neuropatía, las curvas del factor de llenado, ajustadas a una exponencial, se acortan y no llegan a la saturación; mientras que el índice de neurogenia es significativamente mayor en los sujetos sanos que en los patológicos. A partir de estos dos parámetros se ha entrenado un clasificador con el que se ha obtenido una sensibilidad de 0.84 y una especificidad de 0.96, lo que indica un muy buen rendimiento y permite considerarlo como una herramienta útil de apoyo al diagnóstico clínico.