{"id":42192,"date":"2023-10-26T09:23:14","date_gmt":"2023-10-26T15:23:14","guid":{"rendered":"https:\/\/saluddigital.com\/?p=42192"},"modified":"2025-10-19T00:19:36","modified_gmt":"2025-10-19T06:19:36","slug":"aprendizaje-profundo-de-electrocardiogramas-predice-con-precision-la-fibrilacion-auricular","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/aprendizaje-profundo-de-electrocardiogramas-predice-con-precision-la-fibrilacion-auricular\/","title":{"rendered":"Aprendizaje profundo de electrocardiogramas predice con precisi\u00f3n la fibrilaci\u00f3n auricular"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigaci\u00f3n de Cedars-Sinai muestra la efectividad del aprendizaje profundo en la detecci\u00f3n temprana de la fibrilaci\u00f3n atrial.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un reciente estudio publicado en JAMA Cardiology<\/em> realizado por investigadores de Cedars-Sinai Medical Center present\u00f3 resultados prometedores en la detecci\u00f3n temprana de la fibrilaci\u00f3n atrial (FA) utilizando modelos de aprendizaje profundo aplicados a electrocardiogramas (ECG) de pacientes en ritmo sinusal.<\/p>

La investigaci\u00f3n se bas\u00f3 en un conjunto de datos extenso proveniente de hospitales de veteranos en Estados Unidos y de un centro m\u00e9dico acad\u00e9mico no vinculado al Departamento de Asuntos de Veteranos (VA). Los hallazgos del estudio sugieren que el uso de este modelo de aprendizaje profundo podr\u00eda mejorar la identificaci\u00f3n de pacientes en alto riesgo de FA, lo que permitir\u00eda una intervenci\u00f3n temprana y la posibilidad de reducir las complicaciones asociadas con esta condici\u00f3n m\u00e9dica. El modelo demostr\u00f3 su eficacia en diversas poblaciones con diferentes caracter\u00edsticas demogr\u00e1ficas y comorbilidades, lo que representa un avance significativo en futuros esfuerzos de detecci\u00f3n de FA.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

En el estudio, utiliz\u00f3 907,858 electrocardiogramas ECGs de pacientes de seis sitios m\u00e9dicos del VA. Estos pacientes ten\u00edan un promedio de edad de 62.4 a\u00f1os, y el 6.4% eran mujeres, mientras que el 93.6% eran hombres. El estudio utiliz\u00f3 la escala CHA2DS2-VASc -VASc, una regla de predicci\u00f3n cl\u00ednica que estima el riesgo de accidente cerebrovascular en pacientes con fibrilaci\u00f3n auricular y el promedio fue de 1.9.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

De esta manera, los investigadores entrenaron un modelo de redes neuronales convolucionales utilizando los ECGs de dos redes hospitalarias del VA para su entrenamiento. Posteriormente, se prob\u00f3 en ECGs que no se utilizaron en el entrenamiento, tanto en los mismos hospitales del VA como en otros cuatro hospitales del VA y un centro m\u00e9dico acad\u00e9mico no relacionado con el VA.<\/p>

Los resultados del modelo se midieron utilizando m\u00e9tricas como el \u00e1rea bajo la curva caracter\u00edstica de operaci\u00f3n (AUROC), la precisi\u00f3n y la puntuaci\u00f3n F1. En las pruebas de los hospitales del VA, el modelo obtuvo un AUROC de 0.86, una precisi\u00f3n del 0.78 y una puntuaci\u00f3n F1 de 0.30. Por otra parte, el en hospital acad\u00e9mico no relacionado con el VA, el AUROC fue de 0.93, la precisi\u00f3n del 0.87 y la puntuaci\u00f3n F1 de 0.46. Adem\u00e1s, el modelo se mostr\u00f3 bien calibrado con un puntaje Brier de 0.02 en todos los sitios. Es decir que el modelo fue capaz de predecir con precisi\u00f3n la presencia de fibrilaci\u00f3n atrial en los ECGs de los pacientes.<\/p>

Finalmente, los investigadores tambi\u00e9n evaluaron el rendimiento del modelo en diferentes subgrupos de pacientes seg\u00fan caracter\u00edsticas como raza, g\u00e9nero, edad y puntuaci\u00f3n CHA2DS2-VASc, y encontraron que el modelo funcionaba de manera similar en todos estos grupos. Es por ello que este estudio es tan relevante, ya que considera diversos antecedentes, contextos y condiciones de los pacientes.<\/p>

Los investigadores concluyeron que los resultados sugieren que el aprendizaje profundo aplicado a los ECGs en ritmo sinusal tiene el potencial de ser una herramienta efectiva para la detecci\u00f3n temprana de la fibrilaci\u00f3n atrial en diversas poblaciones de pacientes.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

JAMA NETWORK<\/strong><\/p>

https:\/\/jamanetwork.com\/journals\/jamacardiology\/article-abstract\/2810388<\/a><\/p>

HEALTH IT ANALYTICS <\/strong><\/p>

https:\/\/healthitanalytics.com\/news\/cedars-sinai-deep-learning-tool-accurately-predicts-atrial-fibrillation<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigaci\u00f3n de Cedars-Sinai muestra la efectividad del aprendizaje profundo en la detecci\u00f3n temprana de la fibrilaci\u00f3n atrial. Un reciente estudio publicado en JAMA Cardiology realizado por investigadores de Cedars-Sinai Medical Center present\u00f3 resultados prometedores en la detecci\u00f3n temprana de la fibrilaci\u00f3n atrial (FA) utilizando modelos de aprendizaje profundo aplicados a electrocardiogramas (ECG) de pacientes en ritmo sinusal. La investigaci\u00f3n se bas\u00f3 en un conjunto de datos extenso proveniente de hospitales de veteranos en Estados Unidos y de un centro m\u00e9dico acad\u00e9mico no vinculado al Departamento de Asuntos de Veteranos (VA). Los hallazgos del estudio sugieren que el uso de este modelo de aprendizaje profundo podr\u00eda mejorar la identificaci\u00f3n de pacientes en alto riesgo de FA, lo que permitir\u00eda una intervenci\u00f3n temprana y la posibilidad de reducir las complicaciones asociadas con esta condici\u00f3n m\u00e9dica. El modelo demostr\u00f3 su eficacia en diversas poblaciones con diferentes caracter\u00edsticas demogr\u00e1ficas y comorbilidades, lo que representa un avance significativo en futuros esfuerzos de detecci\u00f3n de FA. En el estudio, utiliz\u00f3 907,858 electrocardiogramas ECGs de pacientes de seis sitios m\u00e9dicos del VA. Estos pacientes ten\u00edan un promedio de edad de 62.4 a\u00f1os, y el 6.4% eran mujeres, mientras que el 93.6% eran hombres. El estudio utiliz\u00f3 la escala CHA2DS2-VASc -VASc, una regla de predicci\u00f3n cl\u00ednica que estima el riesgo de accidente cerebrovascular en pacientes con fibrilaci\u00f3n auricular y el promedio fue de 1.9. De esta manera, los investigadores entrenaron un modelo de redes neuronales convolucionales utilizando los ECGs de dos redes hospitalarias del VA para su entrenamiento. Posteriormente, se prob\u00f3 en ECGs que no se utilizaron en el entrenamiento, tanto en los mismos hospitales del VA como en otros cuatro hospitales del VA y un centro m\u00e9dico acad\u00e9mico no relacionado con el VA. Los resultados del modelo se midieron utilizando m\u00e9tricas como el \u00e1rea bajo la curva caracter\u00edstica de operaci\u00f3n (AUROC), la precisi\u00f3n y la puntuaci\u00f3n F1. En las pruebas de los hospitales del VA, el modelo obtuvo un AUROC de 0.86, una precisi\u00f3n del 0.78 y una puntuaci\u00f3n F1 de 0.30. Por otra parte, el en hospital acad\u00e9mico no relacionado con el VA, el AUROC fue de 0.93, la precisi\u00f3n del 0.87 y la puntuaci\u00f3n F1 de 0.46. Adem\u00e1s, el modelo se mostr\u00f3 bien calibrado con un puntaje Brier de 0.02 en todos los sitios. Es decir que el modelo fue capaz de predecir con precisi\u00f3n la presencia de fibrilaci\u00f3n atrial en los ECGs de los pacientes. Finalmente, los investigadores tambi\u00e9n evaluaron el rendimiento del modelo en diferentes subgrupos de pacientes seg\u00fan caracter\u00edsticas como raza, g\u00e9nero, edad y puntuaci\u00f3n CHA2DS2-VASc, y encontraron que el modelo funcionaba de manera similar en todos estos grupos. Es por ello que este estudio es tan relevante, ya que considera diversos antecedentes, contextos y condiciones de los pacientes. Los investigadores concluyeron que los resultados sugieren que el aprendizaje profundo aplicado a los ECGs en ritmo sinusal tiene el potencial de ser una herramienta efectiva para la detecci\u00f3n temprana de la fibrilaci\u00f3n atrial en diversas poblaciones de pacientes. BIBLIOGRAF\u00cdA JAMA NETWORK https:\/\/jamanetwork.com\/journals\/jamacardiology\/article-abstract\/2810388 HEALTH IT ANALYTICS https:\/\/healthitanalytics.com\/news\/cedars-sinai-deep-learning-tool-accurately-predicts-atrial-fibrillation<\/p>","protected":false},"author":1,"featured_media":42194,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-42192","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/42192","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=42192"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/42192\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/42194"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=42192"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=42192"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=42192"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}