Modelos de identificación de enfermedades cardiovasculares implementando técnicas de aprendizaje máquina: una revisión sistemática de la literatura

• Johan Mardini - Bovea ^[2] ; Dixon Salcedo ^[2] ; Emiro De-la-Hoz-Franco ^[2] ; Yadira Quiñonez ^[1] ; Luz Jimenez-Roa ^[3] ; Víctor De la Hoz-Avila ^[2] ; Jhon González Sanchez ^[2]
  1. [1] Universidad Autónoma de Sinaloa

     Universidad Autónoma de Sinaloa

     México

     
  2. [2] Universidad de la Costa–CUC, Colombia
  3. [3] Centro de Enseñanza Colombo Alemán, Colombia

  Mostrar afiliaciones +
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. 53, 2024, págs. 87-105
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El uso de técnicas de Aprendizaje Automático (AA) en el área de la salud, específicamente en la identificación de enfermedades cardiovasculares (IEC), ha tenido un impacto significativo debido a la capacidad para analizar grandes cantidades de datos y extraer información relevante que puede ser esencial para la toma de decisiones médicas. Sin embargo, antes de ponerlos a disposición de los usuarios finales (médicos), se debe evaluar su capacidad para detectar sintomatologías relacionadas con enfermedades cardíacas utilizando puntos de referencia de conjuntos de datos en escenarios experimentales. Por lo tanto, es complicado determinar qué características utilizar en el proceso de evaluación y qué técnicas de ML son más adecuadas para la predicción de IEC. Este artículo presenta una revisión sistemática de la literatura sobre el procesamiento de conjuntos de datos basados en pruebas clínicas de enfermedades cardiovasculares y técnicas de AA. En este sentido, se realizó un análisis de las diferentes variables extraídas de publicaciones de revistas indexadas en bases de datos especializadas como Scopus, Web of Science, Science Direct, Biomed y Pubmed.

  • English

    The use of Machine Learning (ML) techniques in the health area, specifically in the identification of cardiovascular diseases (IEC), has had a significant impact due to the ability to analyze large amounts of data and extract relevant information that can be essential for medical decision-making. However, before making them available to end users (doctors), their ability to detect heart disease-related symptomatology should be evaluated using benchmark data sets in experimental settings. Therefore, determining which features to use in the evaluation process and which ML techniques are most suitable for IEC prediction is complicated. This article presents a systematic literature review on processing cardiovascular disease clinical trial-based datasets and ML techniques. In this sense, the different variables were analyzed from journal publications indexed in specialized databases such as Scopus, Web of Science, Science Direct, Biomed, and Pubmed.