Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning

En el presente trabajo se desarrolla un método innovador para la identificación precoz del síndrome metabólico (SM) mediante el análisis de señales electrocardiográficas (ECG) y el uso de técnicas avanzadas de aprendizaje automático. El SM, caracterizado por una serie de irregularidades metabólicas que incrementan significativamente el riesgo de padecer enfermedades cardiovasculares, diabetes tipo 2 y accidentes cerebrovasculares, se diagnostica actualmente a través de métodos invasivos y tediosos para los pacientes, como la prueba oral de tolerancia a la glucosa. Este proyecto tiene como objetivo sustituir estas prácticas por un enfoque no invasivo, ágil y eficaz, basado en el análisis automatizado de señales ECG. Dado que el SM afecta la modulación autónoma del corazón, genera alteraciones perceptibles en el ECG que pueden ser utilizadas para su detección temprana. El estudio abarca el desarrollo de un sistema capaz de procesar señales ECG, eliminando el ruido y extrayendo parámetros relevantes en los dominios del tiempo, la frecuencia y no lineales. Estos parámetros se emplean en el entrenamiento y prueba de dos modelos de aprendizaje automático: Random Forest y Support Vector Machine (SVM).

• Autores: Arzuaga, Santiago; Peláez Grajales, Juan Andrés
• Fecha de publicación: 2025
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• OAI Identifier: oai:repository.udistrital.edu.co:11349/94295
• Acceso en línea: http://hdl.handle.net/11349/94295
• Palabra clave: Síndrome metabólico; Aprendizaje automático; ECG; Variabilidad de la frecuencia cardíaca; Ingeniería Electrónica -- Tesis y disertaciones académicas; Enfermedades cardiovasculares -- Diagnóstico; Electrocardiografía; Aprendizaje automático (Inteligencia artificial) -- Medicina; Enfermedades cardiovasculares -- Prevención; Metabolic syndrome; Machine learning; ECG; Heart rate variability
• License: Abierto (Texto Completo)