Evaluación de técnicas de inteligencia artificial para predicción de señales de electrocardiograma. Guayaquil. Ecuador. 2023
DOI:
https://doi.org/10.56048/MQR20225.8.2.2024.3962-3976Palabras clave:
Algoritmo; predictivo; trastornos; cardiacos; electrocardiogramaResumen
Las enfermedades cardiovasculares son trastornos del corazón y de los vasos sanguíneos. Su mortalidad es alta y cada año fallecen casi 18 millones de personas en el mundo. El electrocardiograma es usado en medicina para monitorear pequeños cambios eléctricos en la piel del cuerpo de un paciente, emitidos por la actividad del corazón humano. En la actualidad con los avances tecnológicos y la evolución de los algoritmos de inteligencia artificial, se pueden aprovechar las diferentes técnicas de inteligencia artificial, para el análisis de señales de un electrocardiograma, para predecir una patología cardíaca y determinar qué algoritmo es el más adecuado, en la predicción del diagnóstico de una alteración presente.
Objetivo: Probar algoritmos de inteligencia artificial y evaluar su aplicación en la predicción de patologías cardiacas, a través de la introducción de información de electrocardiogramas, en la base de datos abierta de arritmias de MIT-BIH, para visibilizar su utilidad predictiva para alteraciones cardiacas en el ámbito de la medicina.
Material y Método. El estudio se realiza en la Facultad de Ciencias Médicas de la Universidad de Guayaquil, utiliza técnicas de inteligencia artificial para el análisis de señales ECG de la base de datos abierta de arritmias de MIT-BIH.
Conclusión. La evolución de los algoritmos de inteligencia artificial, permiten abordarla en el ámbito de la medicina, para monitorear si es posible predecir eventos cardiacos que complican la salud de los pacientes.
Descargas
Métricas
Cited
DOI: 10.56048
Citas
Álvarez, M. M. (2019). Procesamiento de señales de electrocardiografía en equipos portables mediante estrategias de inteligencia artificial. http://repositorioslatinoamericanos.uchile.cl/handle/2250/2336775
Amat Rodrigo, J. (2017). Máquinas de Vector Soporte (Support Vector Machines, SVMs). https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_vector_machines
Barrios, J. (2019, julio 26). La matriz de confusión y sus métricas—Juan Barrios. https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/, https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/
Ben-Hur, A., & Weston, J. (2010). A User’s Guide to Support Vector Machines. Methods in molecular biology (Clifton, N.J.), 609, 223-239. https://doi.org/10.1007/978-1-60327-241-4_13
Cascino, T., & Shea, M. J. (2022). Electrocardiografía—Trastornos del corazón y los vasos sanguíneos. Manual MSD versión para público general. https://www.msdmanuals.com/es/hogar/trastornos-del-coraz%C3%B3n-y-los-vasos-sangu%C3%ADneos/diagn%C3%B3stico-de-las-enfermedades-cardiovasculares/electrocardiograf%C3%ADa
Duran Suarez, J. (2017). Redes neuronales convolucionales en R: Reconocimiento de caracteres escritos a mano. https://1library.co/document/ynxjmwlq-redes-neuronales-convolucionales-r-reconocimiento-caracteres-escritos-mano.html
González, L. (2018, noviembre 16). Introducción a Sobreajuste y Subajuste para Machine Learning. ???? Aprende IA. https://aprendeia.com/sobreajuste-y-subajuste-en-machine-learning/
Google Colab. (2022). https://research.google.com/colaboratory/intl/es/faq.html
Gregoire, D. C. (2020). Arrhythmia on ECG Classification using CNN. https://kaggle.com/code/gregoiredc/arrhythmia-on-ecg-classification-using-cnn
Guyton, A. C., Hall, J. E., & Guyton, A. C. (2020). 11 - Capítulo 11 Guyton - Capítulo 11: Electrocardiograma normal. páginas 131-137. StuDocu. https://www.studocu.com/es-mx/document/universidad-autonoma-de-queretaro/fisiologia/11-capitulo-11-guyton/8738275
Kaggle. (2022). ECG Heartbeat Categorization Dataset. https://www.kaggle.com/shayanfazeli/heartbeat
Leppe Bravo, B. A. (2020). Clasificación de arritmias cardíacas en base a características lineales y no lineales del ECG con redes neuronales. http://repositorio.espe.edu.ec/jspui/handle/21000/21897
Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800
MedlinePlus. (2022). Arritmias: MedlinePlus enciclopedia médica. https://medlineplus.gov/spanish/ency/article/001101.htm
Microsoft. (2022). Ajuste de hiperparámetros de un modelo (v2)—Azure Machine Learning. https://docs.microsoft.com/es-es/azure/machine-learning/how-to-tune-hyperparameters
Moody, G. B., & Mark, R. G. (1992). MIT-BIH Arrhythmia Database [Data set]. physionet.org. https://doi.org/10.13026/C2F305
Nvidia. (2022). ¿GPU vs. CPU? ¿Qué es la computación por GPU? | NVIDIA. https://www.nvidia.com/es-la/drivers/what-is-gpu-computing//
Pérez Baliño, N. A. (2021). Con corazón en la cobertura universal de salud/Medicina,
odontología y salud. Buenos Aires: Editorial Universitaria de Buenos Aires.
Python.org. (2022). Applications for Python. Python.org. https://www.python.org/about/apps/
Rodríguez Bermúdez, F. J. (2021). Diseño de un sistema de adquisición y procesamiento de señales electrocardiograficas para la ayuda en el diagnóstico de arritmias mediante redes neuronales convolucionales. http://dspace.unitru.edu.pe/handle/UNITRU/16524
SEIC. (2022). Complejo QRS. Ecocardio.com. https://ecocardio.com/documentos/biblioteca-preguntas-basicas/preguntas-al-cardiologo/1046-complejo-qrs.html
Sraitih, M., Jabrane, Y., & Hajjam El Hassani, A. (2021). An Automated System for ECG Arrhythmia Detection Using Machine Learning Techniques. Journal of Clinical Medicine, 10(22), 5450. https://doi.org/10.3390/jcm10225450
UNIR. (2021, Agosto 3). ¿Qué son las redes neuronales? Concepto y usos principales. UNIR. https://www.unir.net/ingenieria/revista/redes-neuronales-artificiales/
Universidad de la Rioja. (2021). Curso Técnicas de Inteligencia Artificial (MEXAVM)—noviembre 2021 2Q. https://micampus.unir.net/courses/24346/external_tools/133648
Yao, G., Mao, X., Li, N., Xu, H., Xu, X., Jiao, Y., & Ni, J. (2021). Interpretation of Electrocardiogram Heartbeat by CNN and GRU. Computational and Mathematical Methods in Medicine, 2021, 6534942. https://doi.org/10.1155/2021/6534942. Dávila Cervantes, C. A. (2020). Tendendia e impacto de la mortalidad por enfermedades cardiovasculares en México, 1990-2015. Revista Cubana de Salud Pública, 45(4). http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864- 34662019000400006&lng=es&tlng=es.
OMS/OPS. (2023). Informe de Ecuador: Mejorar la salud cardiovascular mediante un enfoque participativo desde el nivel comunitario hasta el nacional. OMS/OPS. https://www.paho.org/es/noticias/16-5-2023-informe-ecuador-mejorando-saludcardiovascular-desde-comunidades-locales-hasta OPS/OMS. (2021). Las enfermedades del corazón como principal causa de muerte en las Américas. OPS/OMS. https://www.paho.org/es/noticias/29-9-2021-enfermedadescorazon-siguen-siendo-principal-causa-muerte-americas.
Veloza, L., Jiménez, C., Quiñonez, D., Polanía, F., Pachón Valero, L. C., & Rodríguez Triviño, C. Y. (2019). Variabilidad de frecuencia cardiaca como factor predictor de las enfermedades cardiovasculares. Revista Colombiana de Cardiología, 26(4), 6. https://www.elsevier.es/es-revista-revista-colombiana-cardiologia-203-articulovariabilidad-frecuencia-cardiaca-como-factorS0120563319300683#:~:text=En%20conclusi%C3%B3n%2C%20puede%20decirse%2 0que,predecir%20las%20alteraciones%20de%20manera
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
®
Los autores se comprometen a respetar la información académica de otros autores, y a ceder los derechos de autor a la Revista MQRInvestigar, para que el artículo pueda ser editado, publicado y distribuido. El contenido de los artículos científicos y de las publicaciones que aparecen en la revista es responsabilidad exclusiva de sus autores. La distribución de los artículos publicados se realiza bajo una licencia 
