Tecnologías basadas en inteligencia artificial para el diagnóstico del síndrome coronario agudo: una revisión sistemática

Paucar Escalante, Jesus Francisco

dc.contributor.advisor	Fonseca Arroyo, Pablo Alejandro	es_ES
dc.contributor.advisor	Segura Saldaña, Pedro Antonio	es_ES
dc.contributor.author	Paucar Escalante, Jesus Francisco	es_ES
dc.date.accessioned	2024-06-19T20:50:23Z
dc.date.available	2024-06-19T20:50:23Z
dc.date.issued	2023
dc.identifier.other	209973	es_ES
dc.identifier.uri	https://hdl.handle.net/20.500.12866/15537
dc.description.abstract	Objetivo: Identificar el desarrollo de las tecnologías basadas en inteligencia artificial que sean capaces de diagnosticar el síndrome coronario agudo (SCA). Materiales y métodos: Se llevó a cabo una búsqueda sistemática en múltiples bases de datos, incluyendo Medline, SCOPUS, IEEE XPLORE y EMBASE, con el propósito de identificar investigaciones relacionadas con la aplicación de herramientas inteligentes como Machine Learning (ML) y Deep Learning (DL) con la capacidad de diagnosticar el SCA. Esta búsqueda se centró en estudios que siguieran la definición proporcionada en la guía práctica clínica de la Sociedad Europea de Cardiología 2021 y que estuvieran disponibles hasta el 2 de agosto del 2021. Se incluyeron investigaciones de tipo cohorte, casos y controles cuyos resultados incidieran directamente en la posibilidad de diagnóstico del SCA. Sin embargo, se excluyeron aquellos estudios donde solo se utilizaron señales ECG. Para evaluar el riesgo del sesgo en los estudios, utilizamos la escala de New Castle – Ottawa. Resultados: Un total de 24 artículos científicos fueron identificados para la revisión sistemática. No se realizó meta – análisis debido a la heterogeneidad clínica de los estudios mientras que el enfoque realizado se basó en tres perspectivas: 1) Tecnología usada, 2) Países de desarrollo del estudio y 3) Generación del algoritmo aplicado en cada estudio. Se halló una mayor frecuencia para estudios realizados por tomografía con un gran desarrollo de algoritmos basados en ML y DL encontrando los mejores resultados para el caso de DL con un 99.5% de precisión. Así mismo, por países, se encontró la predominancia de estudios en China seguido por Estados Unidos cuyas aspiraciones se basan en el liderazgo en el campo de la Inteligencia Artificial. Conclusión: Se encontró una precisión del 99.5% en DL para el diagnóstico de SCA y algunas otras con una precisión por encima del 90% con oportunidades de mejora.	es_ES
dc.description.abstract	Objective: To identify the development of artificial intelligence-based technologies capable of diagnosing acute coronary syndrome (ACS). Materials and methods: Certain systematic searches were conducted across multiple databases, including Medline, SCOPUS, IEEE XPLORE, and EMBASE, to identify studies related to the use of intelligent tools such as Machine Learning (ML) and Deep Learning (DL) for diagnosing Acute Coronary Syndrome (ACS) in accordance with the definition provided in the 2021 practical clinical guidelines of the European Society of Cardiology. This search encompassed studies published up to August 2, 2021. We considered cohort and case-control studies that directly impacted the diagnostic potential of ACS, while excluding studies exclusively utilizing ECG signals. The assessment of study bias was carried out using the Newcastle-Ottawa Scale.. Results: A total of 24 scientific articles were identified for the systematic review. No meta-analysis was performed due to the clinical heterogeneity of the studies while the approach was based on three perspectives: 1) Technology used, 2) Countries of study development and 3) Generation of the algorithm applied in each study. A higher frequency was found for studies performed by tomography with a great development of algorithms based on ML and DL finding the best results for the case of DL with 99.5% accuracy. Likewise, by countries, it was found the predominance of studies in China followed by the United States whose aspirations are based on the leadership in the field of AI. Conclusion: An accuracy of 99.5% was found in DL for the diagnosis of ACS and some others with an accuracy above 90% with opportunities for improvement.	es_ES
dc.format	application/pdf	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Peruana Cayetano Heredia	es_ES
dc.rights	info:eu-repo/semantics/openAccess	es_ES
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es	es_ES
dc.subject	Síndrome Coronario Agudo	es_ES
dc.subject	Inteligencia Artificial	es_ES
dc.subject	Diagnóstico	es_ES
dc.subject	Revisión sistemática	es_ES
dc.title	Tecnologías basadas en inteligencia artificial para el diagnóstico del síndrome coronario agudo: una revisión sistemática	es_ES
dc.type	info:eu-repo/semantics/bachelorThesis	es_ES
thesis.degree.name	Ingeniero Biomédico	es_ES
thesis.degree.grantor	Pontificia Universidad Católica del Perú. Facultad de Ciencias e Ingeniería\|\|Universidad Peruana Cayetano Heredia. Facultad de Ciencias e Ingeniería Alberto Cazorla Talleri	es_ES
thesis.degree.discipline	Ingeniería Biomédica	es_ES
dc.publisher.country	PE	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#1.02.01	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#3.02.04	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#3.02.27	es_ES
renati.author.dni	72158060
renati.advisor.orcid	https://orcid.org/0000-0002-0208-2842	es_ES
renati.advisor.orcid	https://orcid.org/0000-0002-7859-8466	es_ES
renati.advisor.dni	44695174
renati.advisor.dni	41093526
renati.type	https://purl.org/pe-repo/renati/type#tesis	es_ES
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional	es_ES
renati.discipline	919016	es_ES
renati.juror	Raza Garcia, Mabel Karel	es_ES
renati.juror	Alvarez Vargas, Mayita Lizbeth	es_ES
renati.juror	Meza Rodriguez, Moises Stevend	es_ES