Please use this identifier to cite or link to this item: http://hdl.handle.net/10609/149929
Full metadata record
DC FieldValueLanguage
dc.contributor.authorAlbarrán González, Francisco Javier-
dc.contributor.otherSolé-Ribalta, Albert-
dc.contributor.otherJaramillo Gómez, María José-
dc.coverage.spatialMadrid, ESP-
dc.date.accessioned2024-03-06T18:28:39Z-
dc.date.available2024-03-06T18:28:39Z-
dc.date.issued2024-01-25-
dc.identifier.urihttp://hdl.handle.net/10609/149929-
dc.description.abstractElectrocardiograms (ECGs) are fundamental in today's medicine, with at least 300 million conducted globally each year. These records provide a valuable opportunity to detect potential cardiac anomalies, improve diagnoses, and anticipate the onset of symptoms through a meticulous analysis of complex patterns. Artificial intelligence (AI) is revolutionizing medical practice by enabling us to process vast amounts of data and develop precise predictive models to interpret ECGs. However, we face notable challenges in implementation, such as result validation by medical experts, information neutrality, patient privacy protection, and the need for a clear interpretation of algorithm results. The primary goal is not to delegate medical decision-making to technology but to leverage AI as an additional tool to enhance clinical practice. It is essential to derive knowledge from these cardiac records to enrich the field of medicine. Transparency in AI-generated diagnoses is key to building trust among both medical professionals and patients, ensuring ethical and appropriate use of this technology in healthcare. We will analyze various data mining approaches and algorithms with the aim of finding the most accurate model possible. While finding the most accurate model is important, our top priority is to provide a comprehensible explanation that medical professionals can easily understand and validate based on attributes within their area of expertise, rather than relying solely on calculations or probabilities that may be challenging to explain.en
dc.description.abstractLos electrocardiogramas (ECG) son fundamentales en la medicina actual, con al menos 300 millones realizados anualmente a nivel global. Estos registros ofrecen una valiosa oportunidad para detectar posibles anomalías cardíacas, mejorar diagnósticos y adelantarse a la aparición de síntomas mediante un análisis minucioso de patrones complejos. La inteligencia artificial (IA) está revolucionando la práctica médica al permitirnos procesar enormes cantidades de datos y desarrollar modelos predictivos precisos para interpretar los ECG. No obstante, enfrentamos desafíos notables en su implementación, como la validación de resultados por expertos médicos, la neutralidad de la información, la protección de la privacidad del paciente y la necesidad de una interpretación clara de los resultados de los algoritmos. El objetivo principal no es delegar la toma de decisiones médicas a la tecnología, sino aprovechar la IA como una herramienta adicional para mejorar la práctica clínica. Es esencial extraer sabiduría de estos registros cardíacos para enriquecer el campo de la medicina. La transparencia en los diagnósticos generados por la IA es clave para generar confianza tanto en profesionales médicos como en pacientes, garantizando un uso ético y adecuado de esta tecnología en la atención sanitaria. Analizaremos variados enfoques y algoritmos de minería de datos con el objetivo de encontrar el modelo más preciso posible, sin ser la prioridad, pero tratando de dar una explicación comprensible que pueda validar el profesional médico, basada en atributos, de su área de conocimiento, y no en cálculos o probabilidades, de difícil explicación.es
dc.format.mimetypeapplication/pdfca
dc.language.isospaca
dc.publisherUniversitat Oberta de Catalunya (UOC)ca
dc.rightsCC BY-NC-ND-
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectelectrocardiogramaes
dc.subjectarritmiases
dc.subjectinterpretabilidades
dc.subjectexplicabilidades
dc.subjectmodeloses
dc.subjectminería de datoses
dc.subject.lcshArrhythmia -- FMDPen
dc.titleModelos explicables de detección de arritmias cardiacases
dc.title.alternativePredicción de arritmias cardíacas a partir de electrocardiogramases
dc.typeinfo:eu-repo/semantics/masterThesisca
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacArrítmia -- TFMca
dc.contributor.tutorSanchez-Bocanegra, Carlos Luis-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
fjalbarrangTFM0124memoria.pdfMemoria del TFM4,53 MBAdobe PDFThumbnail
View/Open
Share:
Export:
View statistics

This item is licensed under aCreative Commons License Creative Commons