Sistema web basado en machine learning para apoyar el prediagnóstico de cardiomiopatía isquémica en un hospital de Cutervo

Abstract

El estudio se centró en el desarrollo de un sistema web basado en machine learning para el prediagnóstico de cardiomiopatía isquémica en pacientes del Hospital Santa María de Cutervo. Los objetivos del proyecto incluyeron la identificación de características del paciente relacionadas con la enfermedad, la elaboración de un modelo de machine learning y la aplicación web para facilitar la detección temprana de pacientes en riesgo. Para estructurar el desarrollo, se utilizó la metodología CRISP-DM, la cual guió cada fase del proyecto, desde la comprensión del problema hasta el despliegue de la solución. Los resultados revelaron que factores como la hipertensión, la diabetes y el sedentarismo eran determinantes en la presencia de cardiomiopatía isquémica. La red neuronal alcanzó una precisión del 97.2%, lo que indicó su alta efectividad en las predicciones. Además, la aplicación desarrollada permitió a los médicos realizar evaluaciones clínicas de manera eficiente y acceder a estadísticas de diagnóstico, lo que mejoró la detección temprana de la enfermedad. La validación del sistema mediante el modelo TAM evidenció su efectividad y utilidad en el contexto hospitalario, destacando su potencial en áreas con recursos limitados. Este enfoque innovador no solo mejoró la atención médica, sino que también optimizó el diagnóstico de la cardiomiopatía isquémica, representando un avance significativo en la práctica clínica.

The study focused on developing a machine-learning–based web system for the prediagnosis of ischemic cardiomyopathy in patients at Hospital Santa María de Cutervo. The project’s objectives included identifying patient characteristics associated with the disease, building a machine learning model, and creating a web application to facilitate the early detection of at-risk patients. To structure the development, the CRISP-DM methodology was used to guide each phase of the project, from problem understanding to solution deployment. The results showed that factors such as hypertension, diabetes, and physical inactivity were key determinants of ischemic cardiomyopathy. The neural network achieved an accuracy of 97.2%, indicating high predictive effectiveness. In addition, the application enabled physicians to conduct clinical assessments efficiently and access diagnostic statistics, improving early detection. System validation using the Technology Acceptance Model (TAM) confirmed its effectiveness and utility in the hospital context, highlighting its potential in resource-limited settings. This innovative approach not only improved medical care but also optimized the diagnosis of ischemic cardiomyopathy, representing a significant advance in clinical practice.