Resumen: La enfermedad de las arterias coronarias (EAC) sigue siendo una de las principales causas de morbilidad y mortalidad en todo el mundo. La detección temprana es fundamental para recuperar los resultados de los pacientes y disminuir los costos de atención médica. En los últimos años, los avances en el aprendizaje automático (ML) han mostrado un potencial significativo para mejorar la precisión del diagnóstico de CAD. Este estudio investiga la aplicación de algoritmos de aprendizaje automático para mejorar la detección de CAD mediante el análisis de los datos del paciente, incluidas las características clínicas, las imágenes y los perfiles de biomarcadores. Se entrenaron memoria bidireccional de largo plazo a corto plazo (Bi-LSTM), unidades recurrentes cerradas (GRU) y un híbrido de Bi-LSTM+GRU en grandes conjuntos de datos para predecir la presencia de CAD. Los resultados demostraron que estos modelos de ML superaron a los métodos de diagnóstico tradicionales en sensibilidad y especificidad, ofreciendo una herramienta sólida para que los médicos tomen decisiones más informadas. Los resultados experimentales muestran que el modelo híbrido logró una precisión del 97,07%. Al integrar técnicas avanzadas de preprocesamiento de datos y selección de funciones, este estudio garantiza un aprendizaje y un rendimiento del modelo óptimos, estableciendo un punto de referencia para la aplicación de ML en el diagnóstico de CAD. La integración del ML en la detección de CAD presenta una vía prometedora para la atención médica personalizada y podría desempeñar un papel fundamental en el futuro del manejo de las enfermedades cardiovasculares.
Publicado originalmente en export.arxiv.org el 9 de marzo de 2026.
Ver fuente original
