Desarrollo de un sistema predictivo y de apoyo clínico para enfermedades cardiovasculares mediante machine learning y deep learning: un enfoque en el infarto de miocardio

Abstract

[ES] El infarto de miocardio es una de las afecciones más comunes dentro de esta categoría. En este contexto, la implementación de tecnologías avanzadas como el aprendizaje automático (Machine Learning, ML) y el aprendizaje profundo (Deep Learning, DL) ofrece nuevas oportunidades para mejorar el diagnóstico y el manejo clínico de las ECV.

Este trabajo presenta el desarrollo e implementación de un sistema diseñado para apoyar la labor clínica en cardiología, combinando modelos de Machine Learning, con herramientas de procesamiento de lenguaje natural (NLP), basadas en la arquitectura Transformers. El objetivo del sistema es predecir el riesgo de enfermedad cardiovascular utilizando una base de datos de pacientes con ECV, mientras que las técnicas de NLP permiten analizar de manera efectiva documentos médicos, proporcionando información adicional útil para la toma de decisiones en la práctica clínica.

Los resultados muestran que el modelo predictivo de ML es preciso para evaluar el riesgo cardiovascular, y que el sistema de NLP facilita la extracción de información relevante de textos médicos complejos, apoyando así la toma de decisiones clínicas. Este enfoque tiene como objetivo contribuir a un diagnóstico más precoz y a una atención médica más personalizada, optimizando la atención de pacientes con factores de riesgo como hipertensión o hipercolesterolemia, , contribuyendo así a una mejor planificación terapéutica y seguimiento médico.

[EN] Cardiovascular diseases (CVD) are a critical global health issue and one of the leading causes of mortality and morbidity. In Spain, myocardial infarction is one of the most common conditions within this category. In this context, the implementation of advanced technologies such as Machine Learning (ML) and Deep Learning (DL) offers new opportunities to improve the diagnosis and clinical management of CVDs.

This paper presents the development and implementation of a system designed to support clinical work in cardiology by combining Machine Learning models with natural language processing (NLP) tools based on the Transformers architecture. The goal of the system is to predict cardiovascular disease risk using a patient database with CVD, while NLP techniques effectively analyze medical documents, providing additional useful information for decision-making in clinical practice.

The results show that the ML predictive model is accurate in assessing cardiovascular risk, and that the NLP system facilitates the extraction of relevant information from complex medical texts, thus supporting clinical decision-making. This approach aims to contribute to earlier diagnosis and more personalized medical care, optimizing the management of patients with risk factors such as hypertension or hypercholesterolemia, thereby contributing to better therapeutic planning and medical follow-up.