Tecnologías basadas en inteligencia artificial para el diagnóstico del síndrome coronario agudo: una revisión sistemática
Bibliographic record
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".