Ciencia de datos en el diagnóstico y tratamiento de enfermedades cardíacas

Columna

Data Science / Ciencia De Datos

Innovación

Salud

Tecnología

02 de septiembre de 2024

Ciencia de datos en el diagnóstico y tratamiento de enfermedades cardíacas

Modelos predictivos, análisis de sentimiento y algoritmos de aprendizaje profundo ya se aplican para aumentar la precisión diagnóstica

En los últimos años, la ciencia de datos se ha mostrado una herramienta indispensable en el área de la salud, permitiendo avances significativos en el diagnóstico, pronóstico y tratamiento de enfermedades cardiovasculares. La integración de técnicas avanzadas de aprendizaje de máquina e inteligencia artificial (IA) permite el análisis de grandes volúmenes de datos clínicos, auxiliando en la identificación de patrones y factores de riesgo que antes eran difíciles de detectar.

Los modelos predictivos, los análisis de sentimiento y los algoritmos de aprendizaje profundo ya se aplican para aumentar la precisión diagnóstica, lo que permite personalizar el tratamiento de estas enfermedades, provocando un impacto transformador en el área de la salud.

Los estudios recientes discuten la relevancia de estos enfoques innovadores en la disminución de la mortalidad y en la mejora del tratamiento médico de pacientes cardíacos, enfatizando la importancia de la ciencia de datos en la medicina moderna. Las investigaciones se han centrado en crear modelos predictivos para mejorar el diagnóstico y la administración de enfermedades ligadas al corazón, utilizando una variedad de técnicas de aprendizaje automático.

Filipe & Silva (2024), por ejemplo, utilizaron una técnica llamada Synthetic Minority Over-sampling Technique (SMOTE) para equilibrar los datos y predecir muertes por insuficiencia cardíaca, utilizando cinco modelos de clasificación diferentes. Equilibrar los datos es importante porque muchos modelos funcionan mejor cuando los datos están equilibrados. SMOTE es un método que crea nuevas muestras para ayudar en el entrenamiento del modelo.

Este trabajo demostró la eficacia de una técnica estadística llamada regresión logística binaria, que presentó el mejor equilibrio entre precisión y sensibilidad. Este método se utiliza para predecir la probabilidad de que ocurra un evento, como la presencia o ausencia de una enfermedad, basándose en un conjunto de variables. Esto sugiere su potencial para la integración en sistemas de salud.

De la misma manera, Bani Hani y Ahmad (2024) utilizaron el modelo Chi-square Automatic Interaction Detector (CHAID) para predecir la mortalidad en hombres jordanos con ataques cardíacos, logrando una precisión notable e identificando variables críticas como la oximetría de pulso y la presión arterial sistólica. Estos estudios evidencian el potencial de los enfoques predictivos basados en aprendizaje automático para mejorar la precisión de los diagnósticos y permitir una intervención clínica más precisa y personalizada.

Aprendizaje profundo

Además de los enfoques predictivos clásicos, se aplican técnicas avanzadas de aprendizaje profundo en el análisis de las señales médicas capturadas por electrocardiogramas (ECG), con el objetivo de mejorar la detección precoz y precisa de enfermedades. El aprendizaje profundo es un subcampo de la IA que utiliza redes neuronales artificiales para procesar grandes cantidades de datos e identificar patrones complejos.

Insook et al. (2024), por exemplo, propusieron el uso de una red neuronal convolucional (CNN) – tipo de red neuronal profunda especialmente eficaz en el procesamiento de datos visuales y señales – combinada con filtros digitales para mejorar la clasificación de enfermedades cardiovasculares a partir de señales de ECG, obteniendo una precisión media del 98,6%. Los filtros digitales, como el Butterworth, se utilizan para mejorar la calidad de las señales antes de ser analizadas por la red neuronal. El estudio demuestra la relevancia de las técnicas de preprocesamiento de señales y el papel de las redes neuronales profundas en la reducción del sesgo de los datos, aumentando la precisión de las predicciones.

Similarmente, Bhangale et al. (2024) exploraram o uso de imagens de ECG aplicadas a modelos de Machine Learning, como o Random Forest, para a detecção de anomalias. O trabalho demonstrou que o Random Forest superou outros modelos em termos de robustez e capacidade de evitar overfitting, o que o torna uma abordagem promissora para o diagnóstico precoce de doenças cardíacas. O overfitting ocorre quando um modelo de aprendizado de máquina se ajusta muito bem aos dados de treinamento, mas não consegue generalizar bem para novos dados. Em outras palavras, o modelo “aprende” os detalhes e o ruído dos dados de treinamento, mas não consegue fazer previsões precisas em dados que não viu antes. Esses exemplos evidenciam a capacidade das técnicas de aprendizado profundo na avaliação de sinais biomédicos complexos, fornecendo recursos para o diagnóstico não invasivo.

Modelos de naturaleza híbrida

El uso de modelos híbridos y técnicas avanzadas de aprendizaje automático ha demostrado ser un enfoque eficaz para abordar los complejos desafíos en el diagnóstico y pronóstico de enfermedades cardíacas. He et al. (2024), por ejemplo, desarrollaron un modelo predictivo que combina características del tejido adiposo perivascular (PVAT) con algoritmos de aprendizaje automático para predecir eventos adversos. El estudio demostró que la inclusión de datos de imagen, como los índices de atenuación y el volumen de grasa del PVAT, aumentó significativamente la precisión de los modelos predictivos, proporcionando una estratificación de riesgo más precisa y eficaz.

De manera similar, Hossain et al. (2024) introdujeron el enfoque PrecisionCardio, que utiliza seis modelos diferentes de aprendizaje automático, incluyendo Support Vector Machine (SVM) y Random Forest, para predecir la trayectoria de la insuficiencia cardíaca con alta precisión. Estos estudios demuestran cómo la integración de técnicas avanzadas y modelos híbridos puede mejorar la comprensión y predicción de condiciones complejas, proporcionando una base sólida para la medicina personalizada.

La estratificación de riesgo y el tratamiento personalizado son áreas en las que el aprendizaje automático ha mostrado un gran potencial en la gestión de enfermedades cardíacas. Wei et al. (2024) exploraron el uso de algoritmos de inteligencia artificial, como Random Forest y Bagged CART, para predecir el riesgo de lesión renal aguda en pacientes con infarto agudo de miocardio, demostrando que estos modelos pueden integrarse en sistemas clínicos para apoyar decisiones médicas críticas.

De la misma manera, Liu et al. (2024) investigaron la disfunción microcirculatoria sublingual como un indicador temprano para la evaluación del riesgo cardiovascular en pacientes con diabetes tipo 2, utilizando aprendizaje automático para identificar correlaciones significativas entre la microcirculación y la etapa del síndrome cardiovascular-renal-metabólico. Estas investigaciones demuestran cómo las técnicas de aprendizaje automático pueden no solo mejorar la precisión de los diagnósticos, sino también posibilitar un enfoque más personalizado en el tratamiento de pacientes, ajustando las intervenciones de acuerdo con el perfil de riesgo individual.

Perspectivas venideras

A medida que la ciencia de datos avanza, se espera que su aplicación en la salud, particularmente en lo que respecta a las enfermedades cardíacas, se vuelva cada vez más sofisticada e integrada. La combinación de técnicas avanzadas de aprendizaje automático, el análisis de grandes volúmenes de datos biomédicos y la personalización del tratamiento representan el estado del arte actual, pero las tendencias futuras indican una expansión aún mayor de estas capacidades.

Los profesionales que trabajan con estos datos pueden ser tanto especialistas en tecnología con conocimientos en salud como médicos con conocimientos en tecnología. Sin embargo, para obtener los mejores resultados, es esencial que ambos profesionales trabajen en conjunto. Los especialistas en tecnología, como científicos de datos e ingenieros de aprendizaje automático, aportan habilidades técnicas para el análisis y modelado de los datos. Por otro lado, los médicos y profesionales de la salud proporcionan el conocimiento clínico necesario para interpretar los resultados y aplicar los hallazgos en el contexto médico. La colaboración entre estos profesionales es fundamental para garantizar que las soluciones desarrolladas sean tanto técnicamente robustas como clínicamente relevantes.

En los próximos años, la integración entre la inteligencia artificial explicable (XAI) – que hace que los modelos de IA sean más transparentes e interpretables, ayudando a explicar cómo y por qué la IA llegó a determinadas conclusiones – y el uso de datos multimodales – que combinan información genómica, de imagen, clínica y de estilo de vida – promete transformar aún más la práctica médica. Modelos predictivos más transparentes e interpretables permitirán una mejor comunicación entre médicos y pacientes, promoviendo una medicina personalizada (Yang et al., 2024).

Además, el acceso a las tecnologías de inteligencia artificial en diferentes regiones geográficas y la interoperabilidad de los sistemas de salud globales pueden contribuir a una reducción significativa en la mortalidad por enfermedades cardíacas a nivel mundial. En resumen, la ciencia de datos está en el centro de una revolución en la salud cardiovascular, con un futuro prometedor que debe traer innovaciones aún más impactantes en los cuidados con los pacientes.

Para tener acceso a las referencias de este texto haga clic aquí

Quién publicó esta columna

José Erasmo Silva

José Erasmo Silva é professor, formado em Matemática e Administração, com mais de 25 anos de experiência em gestão empresarial e de pessoas. É mestre e doutor em Administração, com foco em Finanças, e especialista em Data Science e Analytics e em Finanças e Controladoria. Realizou pós-doutorado na Universidade Federal da Bahia (UFBA). Atualmente, atua como professor orientador no MBA em Data Science, Inteligência Artificial e Analytics da USP/Esalq e leciona na EEP/FUMEP e na rede estadual de ensino de São Paulo.

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.