Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning

En el presente trabajo se desarrolla un método innovador para la identificación precoz del síndrome metabólico (SM) mediante el análisis de señales electrocardiográficas (ECG) y el uso de técnicas avanzadas de aprendizaje automático. El SM, caracterizado por una serie de irregularidades metabólicas...

Full description

Autores:: Arzuaga, Santiago
Peláez Grajales, Juan Andrés

Tipo de recurso:

Fecha de publicación:: 2025

Institución:: Universidad Distrital Francisco José de Caldas

Repositorio:: RIUD: repositorio U. Distrital

Idioma:

id	UDISTRITA2_31bfdbd9cc49d9e3dbe2f056863a07ee
oai_identifier_str	oai:repository.udistrital.edu.co:11349/94295
network_acronym_str	UDISTRITA2
network_name_str	RIUD: repositorio U. Distrital
repository_id_str
dc.title.none.fl_str_mv	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
dc.title.titleenglish.none.fl_str_mv	Analysis of electrocardiographic signals for early detection of metabolic syndrome using machine learning
title	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
spellingShingle	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning Síndrome metabólico Aprendizaje automático ECG Variabilidad de la frecuencia cardíaca Ingeniería Electrónica -- Tesis y disertaciones académicas Enfermedades cardiovasculares -- Diagnóstico Electrocardiografía Aprendizaje automático (Inteligencia artificial) -- Medicina Enfermedades cardiovasculares -- Prevención Metabolic syndrome Machine learning ECG Heart rate variability
title_short	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
title_full	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
title_fullStr	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
title_full_unstemmed	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
title_sort	Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning
dc.creator.fl_str_mv	Arzuaga, Santiago Peláez Grajales, Juan Andrés
dc.contributor.advisor.none.fl_str_mv	Vega Osorio, Edmundo
dc.contributor.author.none.fl_str_mv	Arzuaga, Santiago Peláez Grajales, Juan Andrés
dc.subject.none.fl_str_mv	Síndrome metabólico Aprendizaje automático ECG Variabilidad de la frecuencia cardíaca
topic	Síndrome metabólico Aprendizaje automático ECG Variabilidad de la frecuencia cardíaca Ingeniería Electrónica -- Tesis y disertaciones académicas Enfermedades cardiovasculares -- Diagnóstico Electrocardiografía Aprendizaje automático (Inteligencia artificial) -- Medicina Enfermedades cardiovasculares -- Prevención Metabolic syndrome Machine learning ECG Heart rate variability
dc.subject.lemb.none.fl_str_mv	Ingeniería Electrónica -- Tesis y disertaciones académicas Enfermedades cardiovasculares -- Diagnóstico Electrocardiografía Aprendizaje automático (Inteligencia artificial) -- Medicina Enfermedades cardiovasculares -- Prevención
dc.subject.keyword.none.fl_str_mv	Metabolic syndrome Machine learning ECG Heart rate variability
description	En el presente trabajo se desarrolla un método innovador para la identificación precoz del síndrome metabólico (SM) mediante el análisis de señales electrocardiográficas (ECG) y el uso de técnicas avanzadas de aprendizaje automático. El SM, caracterizado por una serie de irregularidades metabólicas que incrementan significativamente el riesgo de padecer enfermedades cardiovasculares, diabetes tipo 2 y accidentes cerebrovasculares, se diagnostica actualmente a través de métodos invasivos y tediosos para los pacientes, como la prueba oral de tolerancia a la glucosa. Este proyecto tiene como objetivo sustituir estas prácticas por un enfoque no invasivo, ágil y eficaz, basado en el análisis automatizado de señales ECG. Dado que el SM afecta la modulación autónoma del corazón, genera alteraciones perceptibles en el ECG que pueden ser utilizadas para su detección temprana. El estudio abarca el desarrollo de un sistema capaz de procesar señales ECG, eliminando el ruido y extrayendo parámetros relevantes en los dominios del tiempo, la frecuencia y no lineales. Estos parámetros se emplean en el entrenamiento y prueba de dos modelos de aprendizaje automático: Random Forest y Support Vector Machine (SVM).
publishDate	2025
dc.date.accessioned.none.fl_str_mv	2025-03-28T02:16:33Z
dc.date.available.none.fl_str_mv	2025-03-28T02:16:33Z
dc.date.created.none.fl_str_mv	2025-02-05
dc.type.none.fl_str_mv	bachelorThesis
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.degree.none.fl_str_mv	Monografía
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11349/94295
url	http://hdl.handle.net/11349/94295
dc.relation.references.none.fl_str_mv	M. P. Martínez, I. D. Vergara, K. Q. Molano, M. M. Perez y A. P. Ospina, “Síndrome Metabólico en Adultos: Revisión Narrativa de la Literatura,” iMedPub Journals, 2021. dirección: https://www.archivosdemedicina.com/medicina-de-familia/ siacutendrome-metaboacutelico-en-adultos-revisioacuten-narrativa-dela-literatura.pdf. A. Muchnik. “La OMS revela las principales causas de muerte y discapacidad en el mundo: 2000-2019.” (2020). Dirección: https://www.who.int/es/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019#:~:text=Las%20cardiopat%C3%ADas,%20la%20diabetes,%20los,2019,%20en%20comparaci%C3%B3n%20con%202000. R. A. Española. “Prevalencia.” (2014). Dirección: https://dle.rae.es/prevalencia. M. C. Fragozo-Ramos. “Síndrome metabólico: revisión de la literatura,” Biblioteca Virtual en Salud, 2022. Dirección: https://docs.bvsalud.org/biblioref/2022/06/1370951/sindrome-metabolico.pdf. DANE. “Estadísticas Vitales (EEVV) Defunciones fetales y no fetales 3er trimestre 2023pr, año corrido 2023pr, cifras definitivas 2022,” Departamento Administrativo Nacional de Estadística, inf. téc., 2023. Dirección: https://www.dane.gov.co/files/operaciones/EEVV/bol-EEVV-Defunciones-IIItrim2023.pdf. S. Rugeles, J. F. Castro y A. J. Borrero. “Errores en la atención en salud: estudio piloto para el diseño de procesos más seguros en el Hospital Universitario San Ignacio,” Revista Colombiana de Cirugía, 2004. Dirección: http://www.scielo.org.co/pdf/rcci/v19n2/v19n2a8.pdf. E. M. A.D.A.M. “Prueba de tolerancia a la glucosa - que no están embarazadas.” (2023). Dirección: https://medlineplus.gov/spanish/ency/article/003466.htm#:~:text=Es%20una%20prueba%20de%20laboratorio,para%20el%20diagn%C3%B3stico%20de%20diabetes. N. Tentolouris, G. Argyrakopoulou y N. Katsilambros, “Perturbed Autonomic Nervous System Function in Metabolic Syndrome,” NeuroMolecular Medicine, 2008. Dirección: https://link.springer.com/article/10.1007/s12017-008-8022-5#:~:text=Subjects%20with%20metabolic%20syndrome%20have,%2C%20adipose%20tissue%2C%20and%20muscles. Mayo Clinic, “Síndrome metabólico - Síntomas y causas.” Dirección: https://www.mayoclinic.org/es-es/diseases-conditions/metabolic-syndrome/symptoms-causes/syc-20351916. Recuperado de Mayo Clinic, junio de 2019. C. Carvajal Carvajal, “Síndrome metabólico: definiciones, epidemiología, etiología, componentes y tratamiento,” Medicina Legal de Costa Rica, vol. 34, n.º 1, págs. 175-193, 2017. Recuperado el 12 de abril de 2024. Dirección: http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S1409-00152017000100175&lng=en&tlng=es. A. Rodríguez, H. Delgado-Cohen, J. Reviriego y M. Serrano-Ríos, “Risk factors associated with metabolic syndrome in type 2 diabetes patients according to World Health Organization, Third Report National Cholesterol Education Program, and International Diabetes Federation definitions,” Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy, vol. 4, págs. 1-4, 2011. E. Kassi, P. Pervanidou, G. Kaltsas y G. Chrousos, “Metabolic syndrome: definitions and controversies,” BMC Medicine, vol. 9, págs. 1-13, 2011. S. S. Anand, M. A. Tarnopolsky, S. Rashid, K. Schulze, D. Desai, A. Mente et al., “Adipocyte hypertrophy, fatty liver, and metabolic risk factors in South Asians: The Molecular Study of Health and Risk Ethnic Groups (mol.SHARE),” PLOS One, vol. 6, n.º 7, págs. 1-8, 2011. M. Chandalia, P. Lin, T. Seenivasan et al., “Insulin resistance and body fat distribution in South Asian men compared to Caucasian men,” PLOS One, vol. 2, n.º 8, págs. 1-7, 2007. J. Tuomilehto, J. Lindstrom, J. G. Eriksson, T. T. Valle, H. Hamalainen, P. Ilanne-Parikka et al., “Prevention of type 2 diabetes mellitus by changes in lifestyle among subjects with impaired glucose tolerance,” New England Journal of Medicine, vol. 344, n.º 18, págs. 1343-1350, 2001. X. R. Pan, G. W. Li, Y. H. Hu, J. X. Wang, W. Y. Yang, Z. X. An et al., “Effects of diet and exercise in preventing NIDDM in people with impaired glucose tolerance. The Da Qing IGT and Diabetes Study,” Diabetes Care, vol. 20, n.º 4, págs. 537-544, 1997. American Diabetes Association, “Standards of medical care in diabetes–2012,” Diabetes Care, vol. 35, n.º Suppl 1, S11-S63, 2012. National Institutes of Health, “Clinical Guidelines on the Identification, Evaluation, and Treatment of Overweight and Obesity in Adults–The Evidence Report,” Obesity Research, vol. 6, n.º Suppl 2, 51S-209S, 1998. D. B. Sacks, D. E. Bruns, D. E. Goldstein, N. K. Maclaren, J. M. McDonald y M. Parrott, “Guidelines and recommendations for laboratory analysis in the diagnosis and management of diabetes mellitus,” Clinical Chemistry, vol. 48, n.º 3, págs. 436-472, 2002. Empendium, Prueba de tolerancia oral a la glucosa, https://empendium.com/manualmibe/tratado/chapter/B76.IV.L.2.9.1, Fuente, n.d. T. Cascino y M. J. Shea, Electrocardiografía, https://www.msdmanuals.com/es-co/professional/trastornos-cardiovasculares/pruebas-y-procedimientos-cardiovasculares/electrocardiografia, Recuperado de Manual MSD, jul. de 2021. T. Cascino y M. J. Shea, Electrocardiografía, (2021), dirección: https://www.msdmanuals.com/es/professional/trastornos-cardiovasculares/pruebas-y-procedimientos-cardiovasculares/electrocardiograf%C3%ADa. F. Miyara, Filtros Activos. Universidad Nacional de Rosario, 2004. Dirección: https://avcontractor.com.mx/pdf/FiltrosActivos_Ing.FedericoMiraya.pdf. G. M. Smith, “¿Qué es el procesamiento de señales?” (2023), dirección: https://dewesoft.com/es/blog/que-es-procesamiento-de-senal. J. M. M. de la Rosa, “Fundamentos Teóricos: Filtros.” (), dirección: https://dewesoft.com/es/blog/que-es-procesamiento-de-senal. J. G. Proakis y D. G. Manolakis, Tratamiento digital de señales. PEARSON, 2007. Anónimo, “Filtros activos filtro pasa bajas Butterworth.” (2018), dirección: https://gc.scalahed.com/recursos/files/r145r/w868w/U3_liga3.html. A. M. Cuadrado, “Utilización del Machine Learning en la Industria 4.0,” Tesis de maestría, Universidad de Valladolid, 2019. Dirección: https://uvadoc.uva.es/handle/10324/37908. A. F. Khatiboun, “Machine Learning en Ciberseguridad,” Tesis de maestría, Universitat Oberta de Catalunya, 2019. Dirección: https://openaccess.uoc.edu/bitstream/10609/97546/7/afernandezkhTFM0619memoria.pdf. F. de Milagro Paullo Montes, “Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk,” Tesis de maestría, Universidad Nacional Mayor de San Marcos, 2023. dirección: https://cybertesis.unmsm.edu.pe/bitstream/handle/20.500.12672/21853/Paullo_mf.pdf?sequence=1&isAllowed=y. J. L. F. Genaro, “MODELOS DE MACHINE LEARNING PARA LA CIENCIA DE DATOS,” Tesis de maestría, Universidad de Salamanca, 2023. dirección: https://gredos.usal.es/bitstream/handle/10366/157171/TFG%20Juan%20Luis%20Fern%C3%A1ndez%20Genaro.pdf?sequence=1&isAllowed=y. F. Khan, “¿Qué es el preprocesamiento de datos? Definición, importancia y pasos.” (2024), dirección: https://www.astera.com/es/type/blog/data-preprocessing/#:~:text=Implica%20limpiar%2C%20transformar%20y%20organizar,efectiva%20y%20obtener%20informaci%C3%B3n%20significativa. C. E. F. Tapia y K. L. F. Cevallos, “PRUEBAS PARA COMPROBAR LA NORMALIDAD DE DATOS EN PROCESOS PRODUCTIVOS: ANDERSON-DARLING, RYAN-JOINER, SHAPIRO-WILK Y KOLMOGOROV-SMIRNOV,” SOCIETAS, 2021. dirección: http://portal.amelica.org/ameli/jatsRepo/341/3412237018/index.html. Bscan, “Prueba de Kolmogórov-Smirnov.” (2023), dirección: https://es.wikipedia.org/wiki/Prueba_de_Kolmog%C3%B3rov-Smirnov#/media/Archivo:KS_Example.png. M. R. Saldaña, “Contraste de Hipótesis Comparación de dos medias independientes mediante pruebas no paramétricas: Prueba U de Mann-Whitney,” Revista Enfermería del Trabajo, 2013. dirección: https://dialnet.unirioja.es/servlet/articulo?codigo=4327652. M. Narváez, “Prueba U de Mann-Whitney: Qué es y cómo funciona.” (2023), dirección: https://www.questionpro.com/blog/es/prueba-u-de-mann-whitney/#:~:text=La%20prueba%20U%20de%20Mann-Whitney%20realiza%20una%20comparaci%C3%B3n%20estad%C3%ADstica,tanto%2C%20de%20la%20misma%20poblaci%C3%B3n. S. S. Soflaei, N. Varasteh, G. Pourali et al., “Association of Metabolic Syndrome and Ischemic Changes in ECG: Result from a Population-Based Study,” Research Square, 2023. dirección: https://www.researchsquare.com/article/rs-3052616/v1. A. Farhadi, H. Emamat, R. Nemati et al., “The association between continuous metabolic syndrome score and its components with electrocardiographic abnormalities in community-dwelling older adults: the Bushehr elderly health (BEH) program,” BMC Cardiovascular Disorders, 2024. Dirección: https://bmccardiovascdisord.biomedcentral.com/articles/10.1186/s12872-024-03733-1. A. V. Mondragón, E. Llanes, O. Sison y P. Reganit, “Association of ECG abnormalities with metabolic syndrome and socio-demographic factors in the Philippine LIFECARE cohort,” Atherosclerosis and Thrombosis, vol. 21, 2014. Dirección: https://www.researchgate.net/publication/278329460_Association_of_ECG_Abnormalities_with_Metabolic_Syndrome_and_Socio-demographic_Factors_in_the_Philippine_LIFECARE_Cohort. T. W. Elffers, R. de Mutsert, H. J. Lamb et al., “Association of metabolic syndrome and electrocardiographic markers of subclinical cardiovascular disease,” Diabetology & Metabolic Syndrome, 2017. Dirección: https://dmsjournal.biomedcentral.com/articles/10.1186/s13098-017-0238-9. W. Li, Y. Bai, K. Sun et al., “Patients with metabolic syndrome have prolonged corrected QT interval (QTc),” Preventive Cardiology, 2009. Dirección: https://onlinelibrary.wiley.com/doi/10.1002/clc.20416. G. Perpiñán, E. Severeyn, M. A. Altuve y S. Wong, “Variabilidad de la frecuencia cardíaca durante la prueba oral de tolerancia a la glucosa en sujetos con síndrome metabólico, sedentarios y deportistas,” en V Congreso Venezolano de Bioingeniería, 2015. Dirección: https://www.researchgate.net/publication/281208663_VARIABILIDAD_DE_LA_FRECUENCIA_CARDIACA_DURANTE_LA_PRUEBA_ORAL_DE_TOLERANCIA_A_LA_GLUCOSA_EN_SUJETOS_CON_SINDROME_METABOLICO_SEDENTARIOS_Y_DEPORTISTAS. C. Lim, J.-Y. Kim y Y. Nam, “ECG signal analysis for patient with metabolic syndrome based on 1D-convolution neural network,” en 2020 International Conference on Computational Science and Computational Intelligence (CSCI), 2020. Dirección: https://ieeexplore.ieee.org/document/9457885. C. A. Ledezma, E. Severeyn, G. Perpiñán, M. Altuve y S. Wong, “A new on-line electrocardiographic records database and computer routines for data analysis,” en 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2014. Dirección: https://ieeexplore.ieee.org/document/6944189. Centers for Disease Control and Prevention (CDC), “Cómo evaluar su peso,” 2013. Dirección: https://www.cdc.gov/healthyweight/spanish/assessing/index.html. J. Berman. “Presión arterial.” (2023), dirección: https://medlineplus.gov/spanish/ency/anatomyvideos/000013.htm#:~:text=Una%20presi%C3%B3n%20sist%C3%B3lica%20de%20120,como%20%22120%20sobre%2080%22. F. L. Jiménez. “Triglicéridos: ¿por qué son importantes?” (2022), dirección: https://www.mayoclinic.org/es/diseases-conditions/high-blood-cholesterol/in-depth/triglycerides/art-20048186. I. P. y I. S. Instituto Nacional del Corazón. “Niveles de colesterol: Lo que usted debe saber.” (2024), dirección: https://medlineplus.gov/spanish/cholesterollevelswhatyouneedhtml. J. Berman. “Examen de VLDL.” (2023), dirección: https://medlineplus.gov/spanish/ency/article/003494.htm#:~:text=El%20nivel%20de%20colesterol%20VLDL,2%20a%2030%20mg%2FdL. OMS. “La medida del perímetro abdominal es un indicador de enfermedad cardiovascular más fiable que el IMC.” (2021), dirección: https://fundaciondelcorazon.com/prensa/notas-de-prensa/2264-medida-perimetro-abdominal-es-indicador-enfermedad-cardiovascular-mas-fiable-imc-.html#:~:text=La%20Organización%20Mundial%20de%20la,val%20es%20de%20102%20cent%C3%ADmetros. J. Berman. “Examen de sangre de alanina transaminasa (ALT).” (2023), dirección: https://medlineplus.gov/spanish/ency/article/003473.htm. N. J. Gonter. “Ácido úrico en la sangre.” (2023), dirección: https://medlineplus.gov/spanish/ency/article/003476.htm#:~:text=Los%20valores%20normales%20est%C3%A1n%20entre,resultados%20espec%C3%ADficos%20de%20su%20examen. Mayo Clinic. “Análisis de nitrógeno ureico en sangre.” (2023), dirección: https://www.mayoclinic.org/es/tests-procedures/blood-urea-nitrogen/about/pac-20384821#:~:text=En%20general%2C%20un%20nivel%20de,el%20laboratorio%20y%20tu%20edad. M. Lemos. “Índice de HOMA: qué significa, valores normales y qué indica.” (2023), dirección: https://www.tuasaude.com/es/indice-de-homa/#:~:text=Valor%20normal%20del%20HOMA-IR,BETA%3A%20entre%20167%20y%20175. S. K. Dhaliwal. “Manejo de su glucemia.” (2024), dirección: https://medlineplus.gov/spanish/ency/patientinstructions/000086.htm. D. T. C. at the University of California. “Información básica sobre la insulina.” (2018), dirección: https://dtc.ucsf.edu/es/tipos-de-diabetes/diabetestipo-2/tratamiento-de-la-diabetes-tipo-2/medicamentos-y-terapias2/prescripcion-de-insulina-para-diabetes-tipo-2/informacion-basica-sobre-la-insulina/#:~:text=La%20insulina%20natural%20(es%20decir,de%20las%20comidas%20y%20aperitivos. S. S. P. K. et al., “Heart Rate Variability Analysis for the Prediction of Metabolic Syndrome in Obese Children and Adolescents,” Indian Journal of Pediatrics, vol. 87, n.º 2, págs. 92-97, 2020. A. N. P. A. et al., “Heart Rate Variability and Obesity Indices: Emphasis on the Response to the Glucose Tolerance Test,” Obesity Research & Clinical Practice, vol. 12, n.º 6, págs. 526-533, 2018. H. E. et al., “Obesity and the Risk of Incident Diabetes Mellitus Among Medicare Beneficiaries,” Diabetes Care, vol. 37, n.º 5, págs. 1222-1228, 2014. G. N. M. et al., “Obesity and Cardiovascular Risk Factors in Young Adults,” American Journal of Medicine, vol. 129, n.º 5, págs. 564-570, 2016. H. A. E. et al., “The Metabolic Syndrome: A New Worldwide Definition,” The Lancet, vol. 366, n.º 9491, págs. 1059-1062, 2005. L. N. et al., “The Association of Metabolic Syndrome and QRS—T Angle in US Adults,” NHANES III, vol. 112, n.º 1, págs. 96-104, 2019. T. F. of the European Society of Cardiology, “Heart rate variability: Standards of measurement, physiological interpretation, and clinical use,” European Heart Journal, vol. 17, págs. 354-381, 1996. Wellue. “Máquina de ECG de bolsillo de 6/12 derivaciones Máquina de ECG en el punto de atención en su bolsillo.” (2024), dirección: https://es.getwellue.com/productos/M%C3%A1quina-de-ecg-de-bolsillo-de-12-derivaciones. A. C. Guyton y J. E. Hall, Tratado de Fisiología Médica, 12.ª ed. Philadelphia: Elsevier, 2011, Texto de referencia sobre fisiología cardíaca y ciclo cardíaco. G. J. M. Tomlinson et al., “Relationship between the PR Interval and Cardiovascular Risk Factors,” Journal of Cardiovascular Electrophysiology, vol. 21, págs. 525-531, 2010. W. U. Arango, M. D. Ramírez y E. M. Durango, Electrocardiografía y sus arritmias. Sociedad Colombiana de Cardiología, 2010. M. Malik et al., “QT interval measurement and heart rate correction: to QTc or not to QTc?” Journal of the American College of Cardiology, vol. 36, págs. 746-752, 2000. A. L. Goldberger, Z. D. Goldberger y A. Shvilkin, Goldberger’s Clinical Electrocardiography: A Simplified Approach, 9.ª ed. Philadelphia: Elsevier, 2020, Este texto incluye información detallada sobre el intervalo QTc corregido usando la fórmula de Bazett, y proporciona los valores normales para adultos. D. de Noronha, S. Maurício e I. Rodrigues, “Long QT Syndrome and Anaesthesia,” World Federation of Societies of Anaesthesiologists, 2021. dirección: https://resources.wfsahq.org/atotw/long-qt-syndrome-and-anaesthesia/. H. Parrales. “Segmento ST.” (2023), dirección: https://cerebromedico.com/electrocardiograma/. G. Reyes del Paso, S. Garrido, A. Pulgar, M. Martín-Vázquez y S. Duschek, “Autonomic cardiovascular control and responses to experimental pain stimulation in fibromyalgia syndrome,” Journal of Psychosomatic Research, vol. 75, n.º 3, págs. 275-283, 2013. M. Altuve, “Variabilidad de la frecuencia cardíaca: Técnicas temporales, frecuenciales y no lineales,” en VI Congreso Venezolano de Bioingeniería (BIOVEN), 2017, págs. 23-26. T. Benichou, B. Pereira, M. Mermillod et al., “Heart rate variability in type 2 diabetes mellitus: A systematic review and meta-analysis,” PLoS One, vol. 13, n.º 4, e0195166, 2018. F. Dutheil, T. Benichou, H. Perera et al., “Monitoring heart rate variability in patients with diabetes mellitus: A systematic review and meta-analysis,” PLoS One, vol. 13, n.º 8, e0195166, 2018. J. A. Rodrigo. “Random Forest con Python.” (2020), dirección: https://cienciadedatos.net/documentos/py06_machine_learning_python_scikitlearn. J. A. Rodrigo. “Random Forest con Python.” (2020), dirección: https://cienciadedatos.net/documentos/py08_random_forest_python#Importancia-de-predictores. J. A. Rodrigo. “Máquinas de Vector Soporte (SVM) con Python.” (2020), dirección: https://cienciadedatos.net/documentos/py24-svm-pythons.
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv	Abierto (Texto Completo)
rights_invalid_str_mv	Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
institution	Universidad Distrital Francisco José de Caldas
bitstream.url.fl_str_mv	https://repository.udistrital.edu.co/bitstreams/6117035a-88b9-448e-8de6-781d3c060051/download https://repository.udistrital.edu.co/bitstreams/20948576-c06b-460b-8c05-3e73d7d4593d/download https://repository.udistrital.edu.co/bitstreams/21d11eb7-33a3-4bd7-96cd-cfa83f628ec1/download
bitstream.checksum.fl_str_mv	71ade4e6920bb4beae15e0d5bd0f627a c1f79aa13b6f496561596626fba36f2d 997daf6c648c962d566d7b082dac908d
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Distrital
repository.mail.fl_str_mv	repositorio@udistrital.edu.co
_version_	1837007192510693376
spelling	Vega Osorio, EdmundoArzuaga, SantiagoPeláez Grajales, Juan Andrés2025-03-28T02:16:33Z2025-03-28T02:16:33Z2025-02-05http://hdl.handle.net/11349/94295En el presente trabajo se desarrolla un método innovador para la identificación precoz del síndrome metabólico (SM) mediante el análisis de señales electrocardiográficas (ECG) y el uso de técnicas avanzadas de aprendizaje automático. El SM, caracterizado por una serie de irregularidades metabólicas que incrementan significativamente el riesgo de padecer enfermedades cardiovasculares, diabetes tipo 2 y accidentes cerebrovasculares, se diagnostica actualmente a través de métodos invasivos y tediosos para los pacientes, como la prueba oral de tolerancia a la glucosa. Este proyecto tiene como objetivo sustituir estas prácticas por un enfoque no invasivo, ágil y eficaz, basado en el análisis automatizado de señales ECG. Dado que el SM afecta la modulación autónoma del corazón, genera alteraciones perceptibles en el ECG que pueden ser utilizadas para su detección temprana. El estudio abarca el desarrollo de un sistema capaz de procesar señales ECG, eliminando el ruido y extrayendo parámetros relevantes en los dominios del tiempo, la frecuencia y no lineales. Estos parámetros se emplean en el entrenamiento y prueba de dos modelos de aprendizaje automático: Random Forest y Support Vector Machine (SVM).This paper develops an innovative method for the early identification of metabolic syndrome (MetS) through the analysis of electrocardiographic (ECG) signals and the use of advanced machine learning techniques. MS, characterised by a series of metabolic irregularities that significantly increase the risk of cardiovascular disease, type 2 diabetes and strokes, is currently diagnosed through invasive and tedious methods for patients, such as the oral glucose tolerance test. This project aims to replace these practices with a non-invasive, agile and efficient approach based on automated analysis of ECG signals. Since MS affects the autonomic modulation of the heart, it generates detectable alterations in the ECG that can be used for early detection. The study encompasses the development of a system capable of processing ECG signals, removing noise and extracting relevant parameters in the time, frequency and non-linear domains. These parameters are used in the training and testing of two machine learning models: Random Forest and Support Vector Machine (SVM).Síndrome metabólicoAprendizaje automáticoECGVariabilidad de la frecuencia cardíacaIngeniería Electrónica -- Tesis y disertaciones académicasEnfermedades cardiovasculares -- DiagnósticoElectrocardiografíaAprendizaje automático (Inteligencia artificial) -- MedicinaEnfermedades cardiovasculares -- PrevenciónMetabolic syndromeMachine learningECGHeart rate variabilityAnálisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learningAnalysis of electrocardiographic signals for early detection of metabolic syndrome using machine learningbachelorThesisMonografíahttp://purl.org/coar/resource_type/c_7a1fAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2M. P. Martínez, I. D. Vergara, K. Q. Molano, M. M. Perez y A. P. Ospina, “Síndrome Metabólico en Adultos: Revisión Narrativa de la Literatura,” iMedPub Journals, 2021. dirección: https://www.archivosdemedicina.com/medicina-de-familia/ siacutendrome-metaboacutelico-en-adultos-revisioacuten-narrativa-dela-literatura.pdf.A. Muchnik. “La OMS revela las principales causas de muerte y discapacidad en el mundo: 2000-2019.” (2020). Dirección: https://www.who.int/es/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019#:~:text=Las%20cardiopat%C3%ADas,%20la%20diabetes,%20los,2019,%20en%20comparaci%C3%B3n%20con%202000.R. A. Española. “Prevalencia.” (2014). Dirección: https://dle.rae.es/prevalencia.M. C. Fragozo-Ramos. “Síndrome metabólico: revisión de la literatura,” Biblioteca Virtual en Salud, 2022. Dirección: https://docs.bvsalud.org/biblioref/2022/06/1370951/sindrome-metabolico.pdf.DANE. “Estadísticas Vitales (EEVV) Defunciones fetales y no fetales 3er trimestre 2023pr, año corrido 2023pr, cifras definitivas 2022,” Departamento Administrativo Nacional de Estadística, inf. téc., 2023. Dirección: https://www.dane.gov.co/files/operaciones/EEVV/bol-EEVV-Defunciones-IIItrim2023.pdf.S. Rugeles, J. F. Castro y A. J. Borrero. “Errores en la atención en salud: estudio piloto para el diseño de procesos más seguros en el Hospital Universitario San Ignacio,” Revista Colombiana de Cirugía, 2004. Dirección: http://www.scielo.org.co/pdf/rcci/v19n2/v19n2a8.pdf.E. M. A.D.A.M. “Prueba de tolerancia a la glucosa - que no están embarazadas.” (2023). Dirección: https://medlineplus.gov/spanish/ency/article/003466.htm#:~:text=Es%20una%20prueba%20de%20laboratorio,para%20el%20diagn%C3%B3stico%20de%20diabetes.N. Tentolouris, G. Argyrakopoulou y N. Katsilambros, “Perturbed Autonomic Nervous System Function in Metabolic Syndrome,” NeuroMolecular Medicine, 2008. Dirección: https://link.springer.com/article/10.1007/s12017-008-8022-5#:~:text=Subjects%20with%20metabolic%20syndrome%20have,%2C%20adipose%20tissue%2C%20and%20muscles.Mayo Clinic, “Síndrome metabólico - Síntomas y causas.” Dirección: https://www.mayoclinic.org/es-es/diseases-conditions/metabolic-syndrome/symptoms-causes/syc-20351916. Recuperado de Mayo Clinic, junio de 2019.C. Carvajal Carvajal, “Síndrome metabólico: definiciones, epidemiología, etiología, componentes y tratamiento,” Medicina Legal de Costa Rica, vol. 34, n.º 1, págs. 175-193, 2017. Recuperado el 12 de abril de 2024. Dirección: http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S1409-00152017000100175&lng=en&tlng=es.A. Rodríguez, H. Delgado-Cohen, J. Reviriego y M. Serrano-Ríos, “Risk factors associated with metabolic syndrome in type 2 diabetes patients according to World Health Organization, Third Report National Cholesterol Education Program, and International Diabetes Federation definitions,” Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy, vol. 4, págs. 1-4, 2011.E. Kassi, P. Pervanidou, G. Kaltsas y G. Chrousos, “Metabolic syndrome: definitions and controversies,” BMC Medicine, vol. 9, págs. 1-13, 2011.S. S. Anand, M. A. Tarnopolsky, S. Rashid, K. Schulze, D. Desai, A. Mente et al., “Adipocyte hypertrophy, fatty liver, and metabolic risk factors in South Asians: The Molecular Study of Health and Risk Ethnic Groups (mol.SHARE),” PLOS One, vol. 6, n.º 7, págs. 1-8, 2011.M. Chandalia, P. Lin, T. Seenivasan et al., “Insulin resistance and body fat distribution in South Asian men compared to Caucasian men,” PLOS One, vol. 2, n.º 8, págs. 1-7, 2007.J. Tuomilehto, J. Lindstrom, J. G. Eriksson, T. T. Valle, H. Hamalainen, P. Ilanne-Parikka et al., “Prevention of type 2 diabetes mellitus by changes in lifestyle among subjects with impaired glucose tolerance,” New England Journal of Medicine, vol. 344, n.º 18, págs. 1343-1350, 2001.X. R. Pan, G. W. Li, Y. H. Hu, J. X. Wang, W. Y. Yang, Z. X. An et al., “Effects of diet and exercise in preventing NIDDM in people with impaired glucose tolerance. The Da Qing IGT and Diabetes Study,” Diabetes Care, vol. 20, n.º 4, págs. 537-544, 1997.American Diabetes Association, “Standards of medical care in diabetes–2012,” Diabetes Care, vol. 35, n.º Suppl 1, S11-S63, 2012.National Institutes of Health, “Clinical Guidelines on the Identification, Evaluation, and Treatment of Overweight and Obesity in Adults–The Evidence Report,” Obesity Research, vol. 6, n.º Suppl 2, 51S-209S, 1998.D. B. Sacks, D. E. Bruns, D. E. Goldstein, N. K. Maclaren, J. M. McDonald y M. Parrott, “Guidelines and recommendations for laboratory analysis in the diagnosis and management of diabetes mellitus,” Clinical Chemistry, vol. 48, n.º 3, págs. 436-472, 2002.Empendium, Prueba de tolerancia oral a la glucosa, https://empendium.com/manualmibe/tratado/chapter/B76.IV.L.2.9.1, Fuente, n.d.T. Cascino y M. J. Shea, Electrocardiografía, https://www.msdmanuals.com/es-co/professional/trastornos-cardiovasculares/pruebas-y-procedimientos-cardiovasculares/electrocardiografia, Recuperado de Manual MSD, jul. de 2021.T. Cascino y M. J. Shea, Electrocardiografía, (2021), dirección: https://www.msdmanuals.com/es/professional/trastornos-cardiovasculares/pruebas-y-procedimientos-cardiovasculares/electrocardiograf%C3%ADa.F. Miyara, Filtros Activos. Universidad Nacional de Rosario, 2004. Dirección: https://avcontractor.com.mx/pdf/FiltrosActivos_Ing.FedericoMiraya.pdf.G. M. Smith, “¿Qué es el procesamiento de señales?” (2023), dirección: https://dewesoft.com/es/blog/que-es-procesamiento-de-senal.J. M. M. de la Rosa, “Fundamentos Teóricos: Filtros.” (), dirección: https://dewesoft.com/es/blog/que-es-procesamiento-de-senal.J. G. Proakis y D. G. Manolakis, Tratamiento digital de señales. PEARSON, 2007.Anónimo, “Filtros activos filtro pasa bajas Butterworth.” (2018), dirección: https://gc.scalahed.com/recursos/files/r145r/w868w/U3_liga3.html.A. M. Cuadrado, “Utilización del Machine Learning en la Industria 4.0,” Tesis de maestría, Universidad de Valladolid, 2019. Dirección: https://uvadoc.uva.es/handle/10324/37908.A. F. Khatiboun, “Machine Learning en Ciberseguridad,” Tesis de maestría, Universitat Oberta de Catalunya, 2019. Dirección: https://openaccess.uoc.edu/bitstream/10609/97546/7/afernandezkhTFM0619memoria.pdf.F. de Milagro Paullo Montes, “Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk,” Tesis de maestría, Universidad Nacional Mayor de San Marcos, 2023. dirección: https://cybertesis.unmsm.edu.pe/bitstream/handle/20.500.12672/21853/Paullo_mf.pdf?sequence=1&isAllowed=y.J. L. F. Genaro, “MODELOS DE MACHINE LEARNING PARA LA CIENCIA DE DATOS,” Tesis de maestría, Universidad de Salamanca, 2023. dirección: https://gredos.usal.es/bitstream/handle/10366/157171/TFG%20Juan%20Luis%20Fern%C3%A1ndez%20Genaro.pdf?sequence=1&isAllowed=y.F. Khan, “¿Qué es el preprocesamiento de datos? Definición, importancia y pasos.” (2024), dirección: https://www.astera.com/es/type/blog/data-preprocessing/#:~:text=Implica%20limpiar%2C%20transformar%20y%20organizar,efectiva%20y%20obtener%20informaci%C3%B3n%20significativa.C. E. F. Tapia y K. L. F. Cevallos, “PRUEBAS PARA COMPROBAR LA NORMALIDAD DE DATOS EN PROCESOS PRODUCTIVOS: ANDERSON-DARLING, RYAN-JOINER, SHAPIRO-WILK Y KOLMOGOROV-SMIRNOV,” SOCIETAS, 2021. dirección: http://portal.amelica.org/ameli/jatsRepo/341/3412237018/index.html.Bscan, “Prueba de Kolmogórov-Smirnov.” (2023), dirección: https://es.wikipedia.org/wiki/Prueba_de_Kolmog%C3%B3rov-Smirnov#/media/Archivo:KS_Example.png.M. R. Saldaña, “Contraste de Hipótesis Comparación de dos medias independientes mediante pruebas no paramétricas: Prueba U de Mann-Whitney,” Revista Enfermería del Trabajo, 2013. dirección: https://dialnet.unirioja.es/servlet/articulo?codigo=4327652.M. Narváez, “Prueba U de Mann-Whitney: Qué es y cómo funciona.” (2023), dirección: https://www.questionpro.com/blog/es/prueba-u-de-mann-whitney/#:~:text=La%20prueba%20U%20de%20Mann-Whitney%20realiza%20una%20comparaci%C3%B3n%20estad%C3%ADstica,tanto%2C%20de%20la%20misma%20poblaci%C3%B3n.S. S. Soflaei, N. Varasteh, G. Pourali et al., “Association of Metabolic Syndrome and Ischemic Changes in ECG: Result from a Population-Based Study,” Research Square, 2023. dirección: https://www.researchsquare.com/article/rs-3052616/v1.A. Farhadi, H. Emamat, R. Nemati et al., “The association between continuous metabolic syndrome score and its components with electrocardiographic abnormalities in community-dwelling older adults: the Bushehr elderly health (BEH) program,” BMC Cardiovascular Disorders, 2024. Dirección: https://bmccardiovascdisord.biomedcentral.com/articles/10.1186/s12872-024-03733-1.A. V. Mondragón, E. Llanes, O. Sison y P. Reganit, “Association of ECG abnormalities with metabolic syndrome and socio-demographic factors in the Philippine LIFECARE cohort,” Atherosclerosis and Thrombosis, vol. 21, 2014. Dirección: https://www.researchgate.net/publication/278329460_Association_of_ECG_Abnormalities_with_Metabolic_Syndrome_and_Socio-demographic_Factors_in_the_Philippine_LIFECARE_Cohort.T. W. Elffers, R. de Mutsert, H. J. Lamb et al., “Association of metabolic syndrome and electrocardiographic markers of subclinical cardiovascular disease,” Diabetology & Metabolic Syndrome, 2017. Dirección: https://dmsjournal.biomedcentral.com/articles/10.1186/s13098-017-0238-9.W. Li, Y. Bai, K. Sun et al., “Patients with metabolic syndrome have prolonged corrected QT interval (QTc),” Preventive Cardiology, 2009. Dirección: https://onlinelibrary.wiley.com/doi/10.1002/clc.20416.G. Perpiñán, E. Severeyn, M. A. Altuve y S. Wong, “Variabilidad de la frecuencia cardíaca durante la prueba oral de tolerancia a la glucosa en sujetos con síndrome metabólico, sedentarios y deportistas,” en V Congreso Venezolano de Bioingeniería, 2015. Dirección: https://www.researchgate.net/publication/281208663_VARIABILIDAD_DE_LA_FRECUENCIA_CARDIACA_DURANTE_LA_PRUEBA_ORAL_DE_TOLERANCIA_A_LA_GLUCOSA_EN_SUJETOS_CON_SINDROME_METABOLICO_SEDENTARIOS_Y_DEPORTISTAS.C. Lim, J.-Y. Kim y Y. Nam, “ECG signal analysis for patient with metabolic syndrome based on 1D-convolution neural network,” en 2020 International Conference on Computational Science and Computational Intelligence (CSCI), 2020. Dirección: https://ieeexplore.ieee.org/document/9457885.C. A. Ledezma, E. Severeyn, G. Perpiñán, M. Altuve y S. Wong, “A new on-line electrocardiographic records database and computer routines for data analysis,” en 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2014. Dirección: https://ieeexplore.ieee.org/document/6944189.Centers for Disease Control and Prevention (CDC), “Cómo evaluar su peso,” 2013. Dirección: https://www.cdc.gov/healthyweight/spanish/assessing/index.html.J. Berman. “Presión arterial.” (2023), dirección: https://medlineplus.gov/spanish/ency/anatomyvideos/000013.htm#:~:text=Una%20presi%C3%B3n%20sist%C3%B3lica%20de%20120,como%20%22120%20sobre%2080%22.F. L. Jiménez. “Triglicéridos: ¿por qué son importantes?” (2022), dirección: https://www.mayoclinic.org/es/diseases-conditions/high-blood-cholesterol/in-depth/triglycerides/art-20048186.I. P. y I. S. Instituto Nacional del Corazón. “Niveles de colesterol: Lo que usted debe saber.” (2024), dirección: https://medlineplus.gov/spanish/cholesterollevelswhatyouneedhtml.J. Berman. “Examen de VLDL.” (2023), dirección: https://medlineplus.gov/spanish/ency/article/003494.htm#:~:text=El%20nivel%20de%20colesterol%20VLDL,2%20a%2030%20mg%2FdL.OMS. “La medida del perímetro abdominal es un indicador de enfermedad cardiovascular más fiable que el IMC.” (2021), dirección: https://fundaciondelcorazon.com/prensa/notas-de-prensa/2264-medida-perimetro-abdominal-es-indicador-enfermedad-cardiovascular-mas-fiable-imc-.html#:~:text=La%20Organización%20Mundial%20de%20la,val%20es%20de%20102%20cent%C3%ADmetros.J. Berman. “Examen de sangre de alanina transaminasa (ALT).” (2023), dirección: https://medlineplus.gov/spanish/ency/article/003473.htm.N. J. Gonter. “Ácido úrico en la sangre.” (2023), dirección: https://medlineplus.gov/spanish/ency/article/003476.htm#:~:text=Los%20valores%20normales%20est%C3%A1n%20entre,resultados%20espec%C3%ADficos%20de%20su%20examen.Mayo Clinic. “Análisis de nitrógeno ureico en sangre.” (2023), dirección: https://www.mayoclinic.org/es/tests-procedures/blood-urea-nitrogen/about/pac-20384821#:~:text=En%20general%2C%20un%20nivel%20de,el%20laboratorio%20y%20tu%20edad.M. Lemos. “Índice de HOMA: qué significa, valores normales y qué indica.” (2023), dirección: https://www.tuasaude.com/es/indice-de-homa/#:~:text=Valor%20normal%20del%20HOMA-IR,BETA%3A%20entre%20167%20y%20175.S. K. Dhaliwal. “Manejo de su glucemia.” (2024), dirección: https://medlineplus.gov/spanish/ency/patientinstructions/000086.htm.D. T. C. at the University of California. “Información básica sobre la insulina.” (2018), dirección: https://dtc.ucsf.edu/es/tipos-de-diabetes/diabetestipo-2/tratamiento-de-la-diabetes-tipo-2/medicamentos-y-terapias2/prescripcion-de-insulina-para-diabetes-tipo-2/informacion-basica-sobre-la-insulina/#:~:text=La%20insulina%20natural%20(es%20decir,de%20las%20comidas%20y%20aperitivos.S. S. P. K. et al., “Heart Rate Variability Analysis for the Prediction of Metabolic Syndrome in Obese Children and Adolescents,” Indian Journal of Pediatrics, vol. 87, n.º 2, págs. 92-97, 2020.A. N. P. A. et al., “Heart Rate Variability and Obesity Indices: Emphasis on the Response to the Glucose Tolerance Test,” Obesity Research & Clinical Practice, vol. 12, n.º 6, págs. 526-533, 2018.H. E. et al., “Obesity and the Risk of Incident Diabetes Mellitus Among Medicare Beneficiaries,” Diabetes Care, vol. 37, n.º 5, págs. 1222-1228, 2014.G. N. M. et al., “Obesity and Cardiovascular Risk Factors in Young Adults,” American Journal of Medicine, vol. 129, n.º 5, págs. 564-570, 2016.H. A. E. et al., “The Metabolic Syndrome: A New Worldwide Definition,” The Lancet, vol. 366, n.º 9491, págs. 1059-1062, 2005.L. N. et al., “The Association of Metabolic Syndrome and QRS—T Angle in US Adults,” NHANES III, vol. 112, n.º 1, págs. 96-104, 2019.T. F. of the European Society of Cardiology, “Heart rate variability: Standards of measurement, physiological interpretation, and clinical use,” European Heart Journal, vol. 17, págs. 354-381, 1996.Wellue. “Máquina de ECG de bolsillo de 6/12 derivaciones Máquina de ECG en el punto de atención en su bolsillo.” (2024), dirección: https://es.getwellue.com/productos/M%C3%A1quina-de-ecg-de-bolsillo-de-12-derivaciones.A. C. Guyton y J. E. Hall, Tratado de Fisiología Médica, 12.ª ed. Philadelphia: Elsevier, 2011, Texto de referencia sobre fisiología cardíaca y ciclo cardíaco.G. J. M. Tomlinson et al., “Relationship between the PR Interval and Cardiovascular Risk Factors,” Journal of Cardiovascular Electrophysiology, vol. 21, págs. 525-531, 2010.W. U. Arango, M. D. Ramírez y E. M. Durango, Electrocardiografía y sus arritmias. Sociedad Colombiana de Cardiología, 2010.M. Malik et al., “QT interval measurement and heart rate correction: to QTc or not to QTc?” Journal of the American College of Cardiology, vol. 36, págs. 746-752, 2000.A. L. Goldberger, Z. D. Goldberger y A. Shvilkin, Goldberger’s Clinical Electrocardiography: A Simplified Approach, 9.ª ed. Philadelphia: Elsevier, 2020, Este texto incluye información detallada sobre el intervalo QTc corregido usando la fórmula de Bazett, y proporciona los valores normales para adultos.D. de Noronha, S. Maurício e I. Rodrigues, “Long QT Syndrome and Anaesthesia,” World Federation of Societies of Anaesthesiologists, 2021. dirección: https://resources.wfsahq.org/atotw/long-qt-syndrome-and-anaesthesia/.H. Parrales. “Segmento ST.” (2023), dirección: https://cerebromedico.com/electrocardiograma/.G. Reyes del Paso, S. Garrido, A. Pulgar, M. Martín-Vázquez y S. Duschek, “Autonomic cardiovascular control and responses to experimental pain stimulation in fibromyalgia syndrome,” Journal of Psychosomatic Research, vol. 75, n.º 3, págs. 275-283, 2013.M. Altuve, “Variabilidad de la frecuencia cardíaca: Técnicas temporales, frecuenciales y no lineales,” en VI Congreso Venezolano de Bioingeniería (BIOVEN), 2017, págs. 23-26.T. Benichou, B. Pereira, M. Mermillod et al., “Heart rate variability in type 2 diabetes mellitus: A systematic review and meta-analysis,” PLoS One, vol. 13, n.º 4, e0195166, 2018.F. Dutheil, T. Benichou, H. Perera et al., “Monitoring heart rate variability in patients with diabetes mellitus: A systematic review and meta-analysis,” PLoS One, vol. 13, n.º 8, e0195166, 2018.J. A. Rodrigo. “Random Forest con Python.” (2020), dirección: https://cienciadedatos.net/documentos/py06_machine_learning_python_scikitlearn.J. A. Rodrigo. “Random Forest con Python.” (2020), dirección: https://cienciadedatos.net/documentos/py08_random_forest_python#Importancia-de-predictores.J. A. Rodrigo. “Máquinas de Vector Soporte (SVM) con Python.” (2020), dirección: https://cienciadedatos.net/documentos/py24-svm-pythons.ORIGINALArzuagaRoblesSantiago2025.pdfArzuagaRoblesSantiago2025.pdfapplication/pdf4289728https://repository.udistrital.edu.co/bitstreams/6117035a-88b9-448e-8de6-781d3c060051/download71ade4e6920bb4beae15e0d5bd0f627aMD51Licencia de uso y autorizaciónLicencia de uso y autorizaciónapplication/pdf221366https://repository.udistrital.edu.co/bitstreams/20948576-c06b-460b-8c05-3e73d7d4593d/downloadc1f79aa13b6f496561596626fba36f2dMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-87167https://repository.udistrital.edu.co/bitstreams/21d11eb7-33a3-4bd7-96cd-cfa83f628ec1/download997daf6c648c962d566d7b082dac908dMD5311349/94295oai:repository.udistrital.edu.co:11349/942952025-03-27 21:16:36.237open.accesshttps://repository.udistrital.edu.coRepositorio Universidad Distritalrepositorio@udistrital.edu.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

Análisis de señales electrocardiográficas para la detección temprana del síndrome metabólico mediante machine learning

Publicaciones similares