Ingeniero Civil Industrial. Ingeniero Civil en Computación / Según la Organización Mundial de la Salud (OMS), las Enfermedades Cardiovascula- res (ECV) son la principal causa de muerte en todo el mundo, aún cuando la mayoría de ellas pueden prevenirse actuando sobre ciertos factores de riesgo. Para su prevención son fundamentales la detección precoz y el tratamiento temprano, por medio de cambios en hábitos de consumo y estilo de vida o por medio de la administración de fármacos. Existen varias formas estándar de estimar el riesgo de enfermedad cardiovascular, sien- do el índice de Framingham la más reconocida. Aunque en general estos métodos dan bue- nos resultados, en muchos casos no son suficientemente precisos en su predicción, lo cual podría derivar en eventos cardiovasculares graves que podrían haberse evitado. Por otro lado, existen factores de riesgo que no se consideran y que podrían implicar una predicción más precisa. En particular, en pacientes con problemas de sueño, una forma de mejorar la predicción de ECV podría ser en base al nivel de saturación de oxígeno en la sangre durante el sueño, que puede ser medido a través un examen médico llamado oximetría nocturna. El objetivo de esta memoria es precisamente contribuir a la detección temprana de este tipo de enfermedades en este tipo de pacientes de forma mas confiable, por lo que se dise- ña un modelo preventivo en base a factores de riesgo tradicionales y además información recogida de una oximetría nocturna. El modelo se entrena y valida a través de una base de datos que contiene 5.804 oximetrías y el historial clínico de los pacientes en cuanto a las enfermedades cardiovasculares sufridas durante los 10 años posteriores a la oximetría. La versión final del modelo de predicción tiene un desempeño en términos de AUC de un 0,775 contra un 0,739 del índice de Framingham, por lo que efectivamente se da una mejora estadísticamente significativa. Sin embargo, el aporte de la oximetría nocturna al poder de predicción es mínimo y el alza se debe a otros factores, entre los que se cree estaría la especificidad del modelo en cuanto a su capacidad de realizar predicciones particular- mente precisas en pacientes con problemas de sueño . Se realiza además una evaluación económica y social para dar una idea aproximada del impacto que produciría la implantación del modelo en producción, resultando en un beneficio potencial para todo el país de entre 10 y 13 billones de pesos y 160.000 y 200.000 Disability-Adjusted Life-Years (DALYS) y en 10 años. Con el fin de facilitar la divulgación de los resultados, se desarrolla además un primer prototipo de un módulo de visualización del indicador de riesgo del modelo.

La inteligencia artificial tiene el potencial de transformar radicalmente la asistencia sanitaria aportando gran rapidez en la gestión de la información que manejan los profesionales y repercutiendo directamente en sus actuaciones. Los estudios más recientes sobre el rol actual de la inteligencia artificial en la medicina y la atención sanitaria, identifican cuatro líneas principales de investigación directamente relacionadas con la mejora de los sistemas de ayuda a la decisión clínica: gestión de los servicios de salud, medicina predictiva, datos del paciente y toma de decisiones clínicas. En esta tesis doctoral nos centramos en la segunda línea de investigación, la medicina predictiva, con el objetivo de mejorar el rendimiento de los actuales métodos y algoritmos de inteligencia artificial para el diagnóstico clínico. Para ello, se ha incorporado en algunas de las redes neuronales artificiales más utilizadas de la literatura actual, una propiedad biológica que emerge del cerebro y que está directamente relacionada con la homeostasis, la memoria y el aprendizaje: la metaplasticidad sináptica. La metaplasticidad sináptica es un fenómeno biológico que se define brevemente como la plasticidad de la plasticidad sináptica, lo que significa que la historia previa de la actividad sináptica determina su plasticidad actual. Este fenómeno interfiere con algunos de los mecanismos subyacentes que se consideran importantes en los procesos de memoria y aprendizaje, como la potenciación a largo plazo y la depresión a largo plazo. En un modelo computacional la metaplasticidad sináptica se define como metaplasticidad artificial, un procedimiento de aprendizaje que produce una mayor ponderación de los pesos sinápticos de los patrones menos frecuentes que de los patrones más frecuentes, como una forma de extraer más información de los primeros que de los segundos. Esta mejora se estima que puede afectar al rendimiento en las redes neuronales artificiales tanto en términos de precisión como en tiempos de convergencia o velocidad de aprendizaje. Así mismo, dadas ambas mejoras, se plantea abordar también uno de los grandes problemas de la inteligencia artificial en medicina: el entrenamiento de redes neuronales artificiales utilizando conjuntos de datos reducidos. Este mecanismo biológico se ha incorporado en diferentes tipos de redes neuronales artificiales como un mecanismo de actualización de pesos que modifica la ponderación en función de la frecuencia de un patrón. Además, dadas las particularidades de cada arquitectura de red neuronal, la modificación de sus procesos de aprendizaje para la incorporación de la metaplasticidad artificial no es una tarea trivial. En este trabajo se han utilizado dos tipos de redes neuronales artificiales orientadas al análisis de datos y al diagnóstico por imagen, respectivamente: las redes neuronales artificiales de base radial y las redes neuronales convolucionales. Para la primera, se ha incorporado la metaplasticidad artificial modificando el aprendizaje en tres fases, mientras que para la segunda, se ha modificado el proceso de convolución de las capas convolucionales de la red. En ambos casos se ha logrado que la red neuronal mejore su rendimiento tanto en términos de precisión como en velocidad de convergencia, confirmando así las hipótesis iniciales.