Aplicación de técnicas de aprendizaje estadístico para la detección y clasificación de la miocardiopatía hipertrófica de origen hereditario

Abstract

Este Trabajo de Fin de Grado (TFG) se centra en la aplicación de algoritmos de aprendizaje automático y aprendizaje profundo para abordar la detección de la Enfermedad de Cardiomiopatía Hipertrófica (HCM), una afección cardíaca hereditaria. La investigación se basa en una base de datos matricial que incluye información clínica y médica de pacientes con y sin HCM. En este estudio, se explora la capacidad de diversos algoritmos de machine learning y técnicas de deep learning para analizar la base de datos y encontrar una separación efectiva entre los individuos afectados por la HCM y aquellos que no lo están. Se investigan enfoques de preprocesamiento de datos, selección de características y ajuste de hiperparámetros para optimizar el rendimiento de los modelos. Además, se evalúan métricas de evaluación de rendimiento, como precisión, sensibilidad y especificidad, para determinar la eficacia de los modelos propuestos. Los resultados obtenidos sugieren que los algoritmos de machine learning y deep learning pueden desempeñar un papel crucial en la detección temprana y precisa de la HCM a partir de datos matriciales, lo que podría tener un impacto significativo en el diagnóstico y tratamiento de esta enfermedad cardíaca. Este TFG contribuye al campo de la medicina computacional y resalta el potencial de las técnicas de aprendizaje automático en la mejora de la atención médica y la identificación de enfermedades hereditarias.