Neural networks for the diagnosis of acute myocardial infarction

Introducción: El infarto agudo de miocardio representa la primera causa de muerte no trasmisible en el mundo. Una de las herramientas que sirven como soporte a las decisiones en su diagnóstico son las redes neuronales, de las cuales se ha demostrado un buen nivel de precisión. Métodos: Se realizó el entrenamiento y la prueba de varias redes neuronales, con diferentes arquitecturas para el diagnóstico del infarto, a partir de los datos de la escala de clasificación de la probabilidad de angina de Braunwald en un grupo de pacientes que ingresaron por dolor torácico al servicio de urgencias del Hospital San José de Bogotá. Resultados: Se generaron 40 redes que fueron probadas en 5 experimentos de los cuales se obtuvo mayor precisión diagnóstica con el modelo de 5 entradas electrocardiográficas más troponina, aunque el mejor valor predictivo negativo se alcanzó en el modelo con 10 variables clínicas, electrocardiográficas y troponina. Varias de las redes disenadas ˜ tuvieron una sensibilidad y una especificidad del 100%. Se requiere un estudio de validación para comprobar estos hallazgos. Conclusiones: Con los resultados encontrados para las redes neuronales en la literatura y en este estudio se puede considerar el uso de esta estrategia de inteligencia computacional en la práctica.Introduction: Myocardial infarction represents the leading cause of death by a noncommunicable disease worldwide; one of the tools that serve as decision support for establishing a diagnosis are neural networks. They have been shown to have a good level of accuracy. Methods: Training and testing of several neural networks was performed with different architectures for the diagnosis of the myocardial infarction in a group of patients admitted with chest pain emergency room in the Hospital de San José, Bogotá. This was carried out according to data from the incidence scale of Braunwald’s classification of unstable angina. Results: Forty networks were generated and tested in five experiments obtaining an accurate diagnostic with the electrocardiographic pattern of five entries and troponin. The negative predictive value was 100% in the model with ten clinical variables, electrocardiogram and troponin. Some of the designed networks had a sensitivity and specificity of 100%. A validation study to verify these findings is required. Conclusions: With the results found for neural networks in the literature and in the present study, we should consider the practical use of this computational intelligence strategy in daily practice