Detección de fibrilación auricular en electrocardiogramas de corta duración.

Scavino, Marco - Estragó, Virginia - Muñoz, Matı́as - Castrillejo, Andrés - Álvarez-Vaz, Ramón

Resumen:

En este trabajo se presentan los lineamientos generales para la aplicación de dos algoritmos de aprendizaje automático para la identificación de una patología cardíaca, la fibrilación auricular (FA), a partir de la señal electrocardiográfica (ECG) de una derivación y de corta duración registrada con un dispositivo de tecnología electrónica móvil (DTEM). Visto la importancia del diagnóstico temprano de patologías cardiovasculares tales como la FA, nuestro objetivo es mejorar la capacidad de clasificación del DTEM el cual, en la práctica, deja sin clasificar un conjunto relevante de registros de ECG. Se analiza el desempeño de técnicas de clasificación supervisada tales como árboles generados por partición recursiva y los bosques aleatorios, empleadas en combinación con métodos de extracción de características de la señal ECG, aplicadas a un banco de entrenamiento internacional y a un conjunto de prueba nacional de registros de ECG, generado en 2019, de una población adulta mayor del Uruguay, en virtud de una colaboración entre la CHSCV y el Plan Ibirapitá. Los resultados obtenidos se interpretan a través de los diagnósticos disponibles de los ECG realizados por expertos cardiólogos clínicos.


Detalles Bibliográficos
2021
Agencia Nacional de Investigación e Innovación
Electrocardiograma
Fibrilación auricular
Clasificación supervisada
Ciencias Naturales y Exactas
Matemáticas
Estadística y Probabilidad
Ciencias Médicas y de la Salud
Medicina Clínica
Sistemas Cardíaco y Cardiovascular
Español
Agencia Nacional de Investigación e Innovación
REDI
https://hdl.handle.net/20.500.12381/491
Acceso abierto
Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA)
_version_ 1814959266321137664
author Scavino, Marco
author2 Estragó, Virginia
Muñoz, Matı́as
Castrillejo, Andrés
Álvarez-Vaz, Ramón
author2_role author
author
author
author
author_facet Scavino, Marco
Estragó, Virginia
Muñoz, Matı́as
Castrillejo, Andrés
Álvarez-Vaz, Ramón
author_role author
bitstream.checksum.fl_str_mv 2d97768b1a25a7df5a347bb58fd2d77f
d9203cf969a474dc7b935341295cacac
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
bitstream.url.fl_str_mv https://redi.anii.org.uy/jspui/bitstream/20.500.12381/491/2/license.txt
https://redi.anii.org.uy/jspui/bitstream/20.500.12381/491/1/ExtensoSIEP2021_deteccion_FA_en_ECG_corta_duracion.pdf
collection REDI
dc.creator.none.fl_str_mv Scavino, Marco
Estragó, Virginia
Muñoz, Matı́as
Castrillejo, Andrés
Álvarez-Vaz, Ramón
dc.date.accessioned.none.fl_str_mv 2021-12-09T17:09:03Z
dc.date.available.none.fl_str_mv 2021-12-09T17:09:03Z
dc.date.issued.none.fl_str_mv 2021-06-14
dc.description.abstract.none.fl_txt_mv En este trabajo se presentan los lineamientos generales para la aplicación de dos algoritmos de aprendizaje automático para la identificación de una patología cardíaca, la fibrilación auricular (FA), a partir de la señal electrocardiográfica (ECG) de una derivación y de corta duración registrada con un dispositivo de tecnología electrónica móvil (DTEM). Visto la importancia del diagnóstico temprano de patologías cardiovasculares tales como la FA, nuestro objetivo es mejorar la capacidad de clasificación del DTEM el cual, en la práctica, deja sin clasificar un conjunto relevante de registros de ECG. Se analiza el desempeño de técnicas de clasificación supervisada tales como árboles generados por partición recursiva y los bosques aleatorios, empleadas en combinación con métodos de extracción de características de la señal ECG, aplicadas a un banco de entrenamiento internacional y a un conjunto de prueba nacional de registros de ECG, generado en 2019, de una población adulta mayor del Uruguay, en virtud de una colaboración entre la CHSCV y el Plan Ibirapitá. Los resultados obtenidos se interpretan a través de los diagnósticos disponibles de los ECG realizados por expertos cardiólogos clínicos.
dc.description.sponsorship.none.fl_txt_mv Agencia Nacional de Investigación e Innovación
dc.identifier.anii.es.fl_str_mv FSDA_1_2018_1_154651
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12381/491
dc.language.iso.none.fl_str_mv spa
dc.rights.es.fl_str_mv Acceso abierto
dc.rights.license.none.fl_str_mv Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA)
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.source.es.fl_str_mv Decimocuarta Semana Internacional de la Estadística y la Probabilidad 14-18 de junio de 2021
dc.source.none.fl_str_mv reponame:REDI
instname:Agencia Nacional de Investigación e Innovación
instacron:Agencia Nacional de Investigación e Innovación
dc.subject.anii.none.fl_str_mv Ciencias Naturales y Exactas
Matemáticas
Estadística y Probabilidad
Ciencias Médicas y de la Salud
Medicina Clínica
Sistemas Cardíaco y Cardiovascular
dc.subject.es.fl_str_mv Electrocardiograma
Fibrilación auricular
Clasificación supervisada
dc.title.none.fl_str_mv Detección de fibrilación auricular en electrocardiogramas de corta duración.
dc.type.es.fl_str_mv Documento de conferencia
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
dc.type.version.es.fl_str_mv Publicado
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
description En este trabajo se presentan los lineamientos generales para la aplicación de dos algoritmos de aprendizaje automático para la identificación de una patología cardíaca, la fibrilación auricular (FA), a partir de la señal electrocardiográfica (ECG) de una derivación y de corta duración registrada con un dispositivo de tecnología electrónica móvil (DTEM). Visto la importancia del diagnóstico temprano de patologías cardiovasculares tales como la FA, nuestro objetivo es mejorar la capacidad de clasificación del DTEM el cual, en la práctica, deja sin clasificar un conjunto relevante de registros de ECG. Se analiza el desempeño de técnicas de clasificación supervisada tales como árboles generados por partición recursiva y los bosques aleatorios, empleadas en combinación con métodos de extracción de características de la señal ECG, aplicadas a un banco de entrenamiento internacional y a un conjunto de prueba nacional de registros de ECG, generado en 2019, de una población adulta mayor del Uruguay, en virtud de una colaboración entre la CHSCV y el Plan Ibirapitá. Los resultados obtenidos se interpretan a través de los diagnósticos disponibles de los ECG realizados por expertos cardiólogos clínicos.
eu_rights_str_mv openAccess
format conferenceObject
id REDI_8c73b31e71dfa82f0963f99710a1e4ce
identifier_str_mv FSDA_1_2018_1_154651
instacron_str Agencia Nacional de Investigación e Innovación
institution Agencia Nacional de Investigación e Innovación
instname_str Agencia Nacional de Investigación e Innovación
language spa
network_acronym_str REDI
network_name_str REDI
oai_identifier_str oai:redi.anii.org.uy:20.500.12381/491
publishDate 2021
reponame_str REDI
repository.mail.fl_str_mv jmaldini@anii.org.uy
repository.name.fl_str_mv REDI - Agencia Nacional de Investigación e Innovación
repository_id_str 9421
rights_invalid_str_mv Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA)
Acceso abierto
spelling Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA)Acceso abiertoinfo:eu-repo/semantics/openAccess2021-12-09T17:09:03Z2021-12-09T17:09:03Z2021-06-14https://hdl.handle.net/20.500.12381/491FSDA_1_2018_1_154651En este trabajo se presentan los lineamientos generales para la aplicación de dos algoritmos de aprendizaje automático para la identificación de una patología cardíaca, la fibrilación auricular (FA), a partir de la señal electrocardiográfica (ECG) de una derivación y de corta duración registrada con un dispositivo de tecnología electrónica móvil (DTEM). Visto la importancia del diagnóstico temprano de patologías cardiovasculares tales como la FA, nuestro objetivo es mejorar la capacidad de clasificación del DTEM el cual, en la práctica, deja sin clasificar un conjunto relevante de registros de ECG. Se analiza el desempeño de técnicas de clasificación supervisada tales como árboles generados por partición recursiva y los bosques aleatorios, empleadas en combinación con métodos de extracción de características de la señal ECG, aplicadas a un banco de entrenamiento internacional y a un conjunto de prueba nacional de registros de ECG, generado en 2019, de una población adulta mayor del Uruguay, en virtud de una colaboración entre la CHSCV y el Plan Ibirapitá. Los resultados obtenidos se interpretan a través de los diagnósticos disponibles de los ECG realizados por expertos cardiólogos clínicos.Agencia Nacional de Investigación e InnovaciónspaDecimocuarta Semana Internacional de la Estadística y la Probabilidad 14-18 de junio de 2021reponame:REDIinstname:Agencia Nacional de Investigación e Innovacióninstacron:Agencia Nacional de Investigación e InnovaciónElectrocardiogramaFibrilación auricularClasificación supervisadaCiencias Naturales y ExactasMatemáticasEstadística y ProbabilidadCiencias Médicas y de la SaludMedicina ClínicaSistemas Cardíaco y CardiovascularDetección de fibrilación auricular en electrocardiogramas de corta duración.Documento de conferenciaPublicadoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectUniversidad de la RepúblicaI. Facultad de Ciencias Económicas y de Administración//Ciencias Naturales y Exactas/Matemáticas/Estadística y Probabilidad//Ciencias Médicas y de la Salud/Medicina Clínica/Sistemas Cardíaco y CardiovascularScavino, MarcoEstragó, VirginiaMuñoz, Matı́asCastrillejo, AndrésÁlvarez-Vaz, RamónLICENSElicense.txtlicense.txttext/plain; charset=utf-84746https://redi.anii.org.uy/jspui/bitstream/20.500.12381/491/2/license.txt2d97768b1a25a7df5a347bb58fd2d77fMD52ORIGINALExtensoSIEP2021_deteccion_FA_en_ECG_corta_duracion.pdfExtensoSIEP2021_deteccion_FA_en_ECG_corta_duracion.pdfResumen Extendidoapplication/pdf567288https://redi.anii.org.uy/jspui/bitstream/20.500.12381/491/1/ExtensoSIEP2021_deteccion_FA_en_ECG_corta_duracion.pdfd9203cf969a474dc7b935341295cacacMD5120.500.12381/4912021-12-17 14:20:36.262oai:redi.anii.org.uy:20.500.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://www.anii.org.uy/https://redi.anii.org.uy/oai/requestjmaldini@anii.org.uyUruguayopendoar:94212021-12-17T17:20:36REDI - Agencia Nacional de Investigación e Innovaciónfalse
spellingShingle Detección de fibrilación auricular en electrocardiogramas de corta duración.
Scavino, Marco
Electrocardiograma
Fibrilación auricular
Clasificación supervisada
Ciencias Naturales y Exactas
Matemáticas
Estadística y Probabilidad
Ciencias Médicas y de la Salud
Medicina Clínica
Sistemas Cardíaco y Cardiovascular
status_str publishedVersion
title Detección de fibrilación auricular en electrocardiogramas de corta duración.
title_full Detección de fibrilación auricular en electrocardiogramas de corta duración.
title_fullStr Detección de fibrilación auricular en electrocardiogramas de corta duración.
title_full_unstemmed Detección de fibrilación auricular en electrocardiogramas de corta duración.
title_short Detección de fibrilación auricular en electrocardiogramas de corta duración.
title_sort Detección de fibrilación auricular en electrocardiogramas de corta duración.
topic Electrocardiograma
Fibrilación auricular
Clasificación supervisada
Ciencias Naturales y Exactas
Matemáticas
Estadística y Probabilidad
Ciencias Médicas y de la Salud
Medicina Clínica
Sistemas Cardíaco y Cardiovascular
url https://hdl.handle.net/20.500.12381/491