Recibido 02 Mar. 2021 | Aceptado 28 Oct. 2021 ¡Publicado 12 Abr. 2022
ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93
https://doi.ora/10.22529/me.2022.7(2)06
Predicción del comportamiento de marcadores cardíacos por
inteligencia artificial en pacientes hipertensos y diabéticos con
síndrome coronario agudo
Prediction of the behavior of cardiac markers by artificial
intelligence in hypertensive and diabetic patients with acute
coronary syndrome
Agustín N. Joison1
1. Universidad Católica de Córdoba, Facultad de Ciencias Químicas
Correspondencia: Agustín Joison email: ajoison2001@yahoo.com.ar
Resumen
INTRODUCCIÓN: Estudios recientes han demostrado que la sensibilidad de los marcadores cardíacos
troponinas y creatina quinasa depende de otras condiciones que presenten pacientes diabéticos e hipertensos
con síndrome coronario agudo.
OBJETIVO: Utilizar un modelo predictivo del comportamiento de los marcadores cardíacos.
MATERIAL Y MÉTODO: se realizó un estudio descriptivo, aleatorio, retrospectivo y observacional en
pacientes con diabetes (n = 76) e hipertensión (n = 22) con síndrome coronario agudo.
RESULTADOS: la red de percepton mostró que n = 10, 12 y 10 (100%) de los pacientes con diabetes,
Creatina Quinasa (CK-MB) (0,8 y 12 hs) mostró una predicción de valores < 25 UI / L. Troponina (cTnl)
n = 7 (77,8%), n = 7 (77,8%) y n = 5 (62,5%) de los pacientes en el grupo de prueba (0, 8 y 12 hs) se
observó una predicción de niveles < 0,01 ng / ml. En los pacientes hipertensos los resultados obtenidos fue
que n = 6, 5 y 5 (100%) de los pacientes CK-MB (0, 8 y 12 hs) mostró una predicción de una actividad <
25 UI / L. cTnI mostró que n = 2 (50.0%), n = 2 (66.7%) y n = 3 (75.0%) de los pacientes (0, 8 y 12 hs)
mostró una predicción de niveles < 0,01 ng / ml.
CONCLUSIONES: la sensibilidad y los valores plasmáticos de los marcadores cardíacos, se modifican al
momento del diagnóstico de la enfermedad cardíaca en pacientes diabéticos e hipertensos.
Palabras claves: Sensibilidad, Red neuronal, biomarcadores, Enfermedad cardíaca, Predicción.
Abstract
INTRODUCTION: Recent studies have shown that the sensitivity of the cardiac markers troponin and
creatine kinase depends on other conditions presented by diabetic and hypertensive patients with acute
coronary syndrome.
OBJECTIVE: The objective of the work is to use a predictive model of the behavior of cardiac markers
MATERIAL AND METHODS: a descriptive, randomized, retrospective and observational study was
carried out in patients with diabetes (n = 76) and hypertension (n = 22) with acute coronary syndrome.
RESULTS: percepton network showed that n = 10, 12 and 10 (100%) of the patients with diabetes, Creatine
Kinase (CK-MB) (0.8 and 12 h) showed a prediction of values < 25 IU / L Troponin (cTnI) n = 7 (77.8%),
n = 7 (77.8%) and n = 5 (62.5%) of the patients in the test group (0, 8 and 12 h) were observed a prediction
of levels < 0.01 ng/ml. In hypertensive patients, the results obtained were that n = 6, 5 and 5 (100%) of the
CK-MB patients (0, 8 and 12 h) showed a prediction of an activity < 25 IU / L. cTnI showed that n = 2
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar ¡ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 80
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
(50.0%), n = 2 (66.7%), and n = 3 (75.0%) of patients (0, 8, and 12 hrs) showed predicted levels < 0.01
ng/mL.
CONCLUSIONS: the sensitivity and plasma values of cardiac markers are modified at the time of heart
disease diagnosis in diabetic and hypertensive patients.
Keywords: Sensitivity, Neural network, biomarkers, Heart disease, Prediction.
Introducción
La enfermedad cardiovascular, síndrome
coronario agudo, enfermedad de las arterias
coronarias, infarto de miocardio o insuficiencia
cardíaca son sinónimos de la principal causa de
muerte y discapacidad en todo el mundo1. Hay
pacientes (40%) con factores de riesgo
convencionales para estas enfermedades, como
hipertensión, diabetes mellitus, tabaquismo e
hipercolesterolemia y el 80% no tiene o solo uno
de los factores de riesgo2. Uno de los marcadores
con alta sensibilidad en el diagnóstico del
síndrome coronario agudo (SCA) son las
troponinas (cTnI, hs-TnI). Sin embargo, estudios
recientes han demostrado que la interpretación de
su valor depende de otras condiciones que
presentan algunos pacientes como la
hipertensión y la diabetes, enfermedades que
ocurren con las enfermedades renales crónicas,
que pueden modificar el metabolismo y la
excreción de troponinas3. Otro biomarcador
cardíaco es la creatina quinasa-MB (CK-MB),
isoenzima que se encuentra principalmente en el
corazón. Cuando aparece en nivel anormal> 25
UI / L a las 6 horas de inicio del SCA, confirma
la existencia de daño del músculo cardíaco, pero
también muestra disminución de su actividad en
pacientes hipertensos4. En pacientes hipertensos
y diabéticos medicados con inhibidores de la
enzima convertidora de angiotensina (IECA),
betabloqueantes (BBL), metformina y
glibenclamida respectivamente, la sensibilidad
de los biomarcadores CK-MB y cTnI disminuyen
respecto al grupo control (sin patologías
asociadas)5, 6. Aunque persisten las dudas sobre
los valores negativos de marcadores cardíacos
como la troponina y los electrocardiogramas sin
elevación del ST, aumenta la incertidumbre
sobre la enfermedad coronaria. En este sentido,
el uso de big data y redes neuronales ha llevado
al desarrollo de modelos de predicción de riesgos
de comportamiento de biomarcadores7. En el
cuidado de la salud, la toma de decisiones es más
eficiente prevenir la para mejorar la calidad de
vida8. El uso de Big Data en deep learning y redes
neuronales tiene la ventaja de realizar
automáticamente análisis de variables a partir de
una base de datos. En este sentido la
investigación científica se centra en predecir en
el tiempo ciertos diagnósticos a partir de
relaciones entre variables explicativas de una
determinada enfermedad9. El objetivo del trabajo
es utilizar un modelo predictivo del
comportamiento de los marcadores cardíacos
cTnI y CK-MB en pacientes diabéticos e
hipertensos con síndrome coronario agudo sin
elevación del ST (SCASEST) mediante
inteligencia artificial a partir de un big data
entrenado por redes neuronales.
Materiales y métodos
Se realizó un estudio descriptivo, aleatorio,
retrospectivo y observacional en una muestra de
pacientes de ambos sexos ingresados en la
unidad coronaria de la clínica universitaria Reina
Fabiola, Córdoba, Argentina durante el período
2016-2018. Las características de la muestra de
estudio fueron las siguientes: pacientes
reclutados con diabetes (n = 76) e hipertensión (n
= 22) que padecían SCASEST medicados con
metformina, glibenclamida, IECA, BBL
respectivamente, pacientes control con
SCASEST sin patologías asociadas (n = 13); este
grupo mostró valores de CK-MB y cTnI > 25 UI
/ L y > 0,01 ng / ml respectivamente. Se excluyó
el grupo de pacientes con otras enfermedades o
patologías cardiovasculares. La base de datos se
realizó con 300 pacientes con diagnóstico de
SCASEST, medicados con algunos de los
fármacos mencionados anteriormente. Las
variables analizadas como dependientes fueron
los marcadores cardíacos cTnI y CK-MB al
ingreso en la unidad coronaria (0 horas) y a las 8
y 12 horas del ingreso; diabetes, enfermedades
hipertensivas y medicación como variables
explicativas y presión sistólica como covariable.
Se analizó la predicción de marcadores cardíacos
de cada uno de los pacientes ingresados
utilizando las redes artificiales entrenadas MLPs
(Multilayer Percepton).
Criterios de Inclusión: Todos los pacientes
diabéticos e hipertensos con síndrome coronario
agudo sin elevación del segmento ST internados
en la unidad coronaria.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 81
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Criterios de exclusión: Pacientes que no
presentan las condiciones patológicas nombradas
en los criterios de inclusión.
Análisis estadístico
Los datos se analizaron mediante redes
neuronales utilizando MLP con el software
Statistical IBM SPSS versión 22. El conjunto de
datos se dividió aleatoriamente en: 60% como
entrenamiento, 30% de prueba y 10% de reserva.
La arquitectura utilizó dos capas ocultas y una
función de activación de la capa de salida
softmax. El entrenamiento de la red se realizó por
lotes con un algoritmo de gradiente conjugado
escalado, y opciones de entrenamiento de lambda
inicial de 0.0000005, sigma inicial de 0.00005,
desplazamiento de intervalo de +/- 0.5. Los
resultados se realizaron con una estructura de red
descriptiva, con diagramas y pesos sinápticos. El
rendimiento de la red se analizó mediante
diagramas de clasificación, curvas ROC y curvas
de beneficios acumulados. Se calcularon las
curvas ROC con AUC (área bajo la curva) para
el modelo MLP. Se calcularon la sensibilidad y
la especificidad con intervalos de confianza del
95%.
Resultados
Pacientes diabéticos
La asignación aleatoria según el número relativo
de casos se muestra en la tabla 1.
En cuanto al grupo de prueba de pacientes
diabéticos (n = 76) que nos interesa muestra el
verdadero rendimiento de la red de percepción.
Los resultados obtenidos indicaron que 10, 12 y
10 (100%) de los pacientes del grupo de prueba
CK-MB (0, 8 y 12 hs) tienen valores de actividad
< 25 UI / L tabla 2. cTnI mstró un
comportamiento similar con 7 (77.8%), 7
(77.8%) y 5 (62.5 %) de los pacientes (0, 8 and
12 hs) respectivamente tuvieron valores
sanguíneos < 0.01 ng/ml tabla 3. Cuando se
analizó la predictibilidad de los marcadores
cardíacos según la medicación administrada, se
encontró un resultado similar con respecto a la
enfermedad. Pacientes medicados con
metformina y glibenclamida en el grupo de
prueba CK-MB a las 0, 8 y 12 hs, la red de MPLs
predijo con éxito valores < 25 UI / L de actividad,
0 hs (n = 10, 100%), 8 hs (n = 11, 91,7%), 12 hs
(n = 12, 100%) tabla 4. Similar a lo observado de
CK-MB en cuanto a medicación, cTnI mostró en
pacientes tratados con estos medicamentos: n = 7
(77,8%), n = 7 (77,8%) yn = 6 (66,7%)
pertenecientes al grupo testeado (0, 8 y 12 hs)
respectivamente niveles sanguíneos < 0.01 ng /
ml tabla 5. La curva ROC muestra que el área
promedio bajo la curva es 0.57. Que es un valor
mayor a 0.5, por lo que el modelo tiene una
capacidad de clasificación aceptable (Figura 1).
Cuando analizamos la gráfica de ganancias
acumuladas indica un aumento en el modelo
predictivo respecto al aleatorio respecto al
porcentaje del total de casos, que corresponde al
58%, 62% y 58% de CK-MB < 25 UI / L, y cTnI
48%, 62% y 64% de cTnI < 0.01 ng / ml a las 0,
8, 12 horas respectivamente, (Figura 2).
Pacientes hipertensos.
La asignación aleatoria según el número relativo
de casos se muestra en la tabla 6.
Respecto al grupo de prueba en pacientes
hipertensos (n = 22) mostró un desempeño de red
de MPLs similar; los resultados obtenidos
indicaron que 6, 5 y 5 (100%) de los pacientes en
el grupo de prueba CK-MB (0, 8 y 12 hs)
respectivamente tenían actividad < 25 UI / L.
tabla 7. cTnI mostró un comportamiento similar,
observando que en 2 (50.0%), 2 (66.7%) y 3
(75.0%) de los pacientes en el grupo de prueba
(0, 8 y 12 hs) respectivamente tenían niveles
sanguíneos < 0,01 ng / ml tabla 8. Siguiendo el
mismo protocolo en cuanto a la predicción del
comportamiento de los marcadores en función de
la medicación antihipertensiva recibida por los
pacientes del grupo de prueba, los resultados
mostraron una actividad de CK-MB (0, 8 y 12 hs)
< 25 UI / L, 0 hs (n = 1, 100%), 8 hs (n = 9,
100%), 12 hs (n = 6, 100%) tabla 9. La
predicción en el grupo de prueba de cTnI
teniendo en cuenta que es un marcador más
sensible que CK-MB, mostró un
comportamiento similar a las 0 hs n = 6 (100%)
y 12 hs n = 7 (100%) a excepción de 8 horas n =
6 (100%), con valores sanguíneos < 0,01 ng / ml
(tabla 10). La curva ROC mostró que el área bajo
la curva tiene un promedio de 0,60 para cTnI, en
comparación con 0,57 para CK-MB, por lo que
el modelo tiene una capacidad de clasificación
similar para cTnI (Figura 3) Cuando analizamos
la gráfica de ganancias acumuladas indica un
aumento en el modelo predictivo respecto al
aleatorio respecto al porcentaje del total de casos,
que corresponde al 62%, 60% y 58% de CK-MB
< 25 UI / L, a las 0, 8, 12 horas respectivamente,
y 100%, 90% y 90% de cTnI < 0.01 ng / ml a las
0, 8, 12 horas respectivamente ( Figura 4).
Discusión
Las investigaciones realizadas en la predicción
con redes neuronales (MPLs) del infarto agudo
de miocardio en pacientes ingresados con
síndrome coronario agudo al servicio de
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 82
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
urgencias utilizando como covariables el registro
del electrocardiograma y la troponina marcadora
encontraron 100% de sensibilidad en la
aplicación del modelo de 6 neuronas de entrada
y 2 capas ocultas10. El uso de fármacos
normoglucémicos eficaces como la metformina
adquiere importancia en pacientes diabéticos con
riesgo de eventos coronarios. En estos casos, se
ha demostrado que el uso de metformina reduce
la actividad de CK-MB y el nivel de cTnI 11,12
Una serie de artículos publicados que involucran
el uso de MLP para predecir el comportamiento
de SCA de biomarcadores cardíacos. Los
resultados son variados y no todos son
directamente comparables debido a las
diferencias en la metodología, pero al menos para
aquellos en los que los métodos y los insumos
son similares, los resultados de esta investigación
se han comparado bastante favorablemente. El
esquema de arquitectura de red propuesta en
nuestra investigación que utiliza diabetes y
medicamentos como covariables, mostró un
modelo con una sensibilidad del 50% en la
predicción de valores de CK-MB < 25 UI / L y
cTnI < 0,01 ng / ml respectivamente. Cuando
cambiamos la arquitectura usando capas ocultas
entre 2 y 50, la sensibilidad del modelo no tuvo
una mejor variación significativa (52%).
Los autores que utilizaron regresión logística
confirmaron los resultados de que los pacientes
con NSTEMI que tomaban inhibidores de la
ECA tenían niveles más bajos de troponina al
ingreso (79,8 ng / dl frente a 120,0 ng / dl, p =
0,016). De acuerdo con estos autores, otros
encontraron que los pacientes hipertensos
tratados con betabloqueantes tenían niveles de
biomarcadores por debajo de los valores
basales13. Los pacientes medicados con IECAs se
estudiaron mediante el análisis de la presentación
clínica del SCASEST, los cambios
electrocardiográficos al ingreso y las pruebas de
laboratorio, incluidas la troponina (TnI) y la
creatina quinasa MB (CK-MB). En cuanto a los
resultados, los usuarios de IECA tuvieron una
menor liberación de biomarcadores en las
primeras 24 horas de alrededor del 76,3%14.
Kennon et al encontraron que en pacientes
tratados con IECA los niveles de troponina
disminuyeron aproximadamente un 75%,
resultado que indicaría una posible asociación
entre esta reducción y los efectos beneficiosos,
tanto sobre la reactividad vascular como sobre el
sistema de coagulación15. En un estudio en
pacientes diabéticos con infarto de miocardio con
elevación del ST (SCACEST) que fueron
medicados con metformina, se observó una
disminución en los niveles de cTnI16. Estudios
encontraron una asociación entre el tratamiento
con metformina en pacientes diabéticos y la
actividad de CK-MB. Resultados obtenidos con
este tipo de pacientes indicaron además que que
las interpretaciones de los resultados de
laboratorio deben ser cuidadosamente analizados
al momento de tomar la decisión terapéutica, a
pesar de que los valores de los biomarcadores
indiquen normalidad17. Los pacientes ingresados
en la unidad coronaria mostraron la predicción,
respecto a la tendencia de encontrar valores por
debajo de los basales. Aunque existen estudios
realizados por estos y otros autores sobre la
disminución de los niveles de cTnI y la actividad
de CK-MB en pacientes diabéticos e hipertensos,
no existe mucha información sobre la predicción
de su comportamiento. Con base en los
resultados obtenidos en investigaciones previas
sobre la disminución de los valores de los
marcadores cardíacos cTnI y CK-MB en
pacientes diabéticos e hipertensos medicados con
metformina, IECA y BBL respectivamente, la
aplicación de algoritmos basados en redes
neuronales por inteligencia artificial ha
confirmado en estos pacientes con SCASEST los
valores de los biomarcadores cardíacos
plasmáticos disminuyen.
Chieh-Chen Wu et al estudiaron la predicción del
comportamiento de varios marcadores que se
miden en SCASEST por inteligencia artificial.
Al respecto, los resultados mostraron que los
valores de los pacientes diabéticos e hipertensos
fueron significativamente menores en relación a
los valores altos esperados18. En este sentido, la
sensibilidad de cTnI fue del 76% y CK-MB del
56%19. Teniendo en cuenta los resultados
obtenidos por estos autores y sin realizar
comparaciones en cuanto a las probabilidades en
la predicción de marcadores, es importante
aclarar que en nuestra investigación los pacientes
son todos hipertensos, lo que podría explicar la
mayor probabilidad de que los biomarcadores
cardíacos tengan valores inferiores a los
cortes.Al estudiar el comportamiento predictivo
de cTnI y CK-MB en pacientes diagnosticados
de SCA, el 45% de ellos con hipertensión arterial
(HTA), los resultados observados disminuyeron
por debajo del punto de corte. Cuando
analizamos los datos de nuestros pacientes,
encontramos coincidencia con otros estudios,
mostrando entre un 90 y 100 % de probabilidades
de valores por debajo de lo normal.
La hipótesis sobre la probabilidad por regresión
logística de encontrar valores disminuidos de
cTnI y CK-MB en pacientes hipertensos y
diabéticos con SCASEST se apoya en otros
estudios como el de Alexander J et al, en el que
se confirma esta asociación. En este sentido,
nuestro estudio realizado por redes neuronales,
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 83
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
es importante señalar que, aunque la sensibilidad
del modelo utilizado no es muy alta, se confirma
la tendencia de que los valores de los
biomarcadores sean bajos en pacientes
hipertensos y diabéticos. Estudios realizados en
pacientes diabéticos e hipertensos con
SCACEST medicados con betabloqueantes e
hipoglucemiantes orales, midieron cTnI y masa
de CK-MB, encontrando que la sensibilidad de
ambos no era suficiente para evaluar el
diagnóstico y evolución de la enfermedad
coronaria20. Hasta la fecha, no existe información
complementaria sobre la disminución de los
valores de cTnI y CK-MB en pacientes con
SCASEST, pero en este estudio, los resultados
mostraron que cuando el 70% de los pacientes
fueron analizados para predecir valores bajos de
CK-MB y cTnl, 60 % de ellos fueron < 25 UI / L
y 35% < 0.01 ng / ml respectivamente. Los
estudios PURSUIT y GUSTO-IIb encontraron
que solo el 30% y el 6,9%, respectivamente, de
los pacientes con SCASEST, tenían CK-MB
elevada21. En este sentido, muchos pacientes
incluidos en estos estudios son hipertensos y
diabéticos, por lo que la predicción realizada en
nuestra investigación ha corroborado la
probabilidad de encontrar valores disminuidos de
estos marcadores. Los estudios con inteligencia
artificial en la predicción del comportamiento de
los marcadores cardíacos en pacientes con
síndrome coronario agudo con patologías
asociadas midiendo los valores de troponina,
mostraron un rango entre el 60 y el 100% de
probabilidad de incrementos en la misma. En este
sentido, la sensibilidad del modelo de red
neuronal fue del 90%.
Conclusión
De acuerdo con los resultados obtenidos para las
decisiones terapéuticas de los profesionales, esta
patología coronaria se comporta como un cuadro
confuso en muchas circunstancias en cuanto a la
lectura de los valores plasmáticos de los
biomarcadores CK-MB y cTnI. Esta divergencia
entre los resultados de laboratorio y la evolución
de la enfermedad aumenta especialmente cuando
la patología se asocia a DM II y HTA. En este
sentido, con los resultados analizados en este
estudio, sería recomendable modificar algunas
conductas o interpretaciones en el futuro, ya que
la sensibilidad y los valores plasmáticos de estos
biomarcadores cardíacos se ven afectados, lo que
podría reducir su efectividad en el momento del
diagnóstico respecto a SCASEST.
Puntos claves
-La inteligencia artificial utilizando las redes
neuronales entrenadas a partir de una base de
datos, han aumentado la confianza en áreas
específicas de la salud y disminuir la
incertidumbre respecto a los diagnósticos
médicos. Las redes neuronales se propusieron
por primera vez durante la Segunda Guerra
Mundial. McCulloch y Pius introdujeron un
modelo matemático para una neurona típica en la
corteza cerebral.
-En la práctica diaria, los cardiólogos a menudo
tienen que hacer un diagnóstico basado en datos
medidos o estimados. Una de las principales
ventajas de utilizar una red neuronal artificial
para modelar la relación entre los posibles signos
y síntomas y el diagnóstico es el hecho de que
esta relación no tiene por qué ser lineal.
Bibliografía
1. 1.Wang, J, Tan, GJ, Han, LN, et al.
Novel biomarkers for cardiovascular
risk prediction. J Geriatr Cardiol
2017;14 (2):135-150.
2. 2.Zagidullin, N, Motloch, LJ, Gareeva,
D, et al. Combining Novel Biomarkers
for Risk Stratification of Two-Year
Cardiovascular Mortality in Patients
with ST-Elevation Myocardial
Infarction. J Clin Med 2020;9 (2):
3. 3.Baneijee, D, Perrett, C, Banerjee, A.
Troponins, Acute Coronary Syndrome
and Renal Disease: From Acute Kidney
Injury Through End-stage Kidney
Disease. Eur Cardiol 2019;14 (3):187-
190.
4. 4.Amin, EA. ACEI Relation with
Cardiac Enzyme CK-MB Levels in
Hypertensive Patients. Iraqi J Comm
Med 2009;22 (4):
5. 5.Joison A, Baiardi G. Effect of
Pharmacological treatment on cardiac
biomarkers in patients with acute
coronary syndrome of non-ST segment
elevation with Type-2 diabetes
International Journal of Medical and
Health Sciences 2016;5 (1):32-37.
6. 6.Joison A, Barcudi R, Baiardi G.
Modification of cardiac biomarkers
sensitivity in hypertensive patients
treated with angiotensin-converting
enzyme inhibitors in acute coronary
syndrome with non-st segment
elevation Journal of International
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 84
Joison A.N. Predicción del comportamiento de marcadores cardiacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Research in Medical
andPharmaceutical Sciences 2019;4
(2):39-46.
7. 7.Isma'eel, HA, Cremer, PC, Khalaf, S,
et al. Artificial neural network modeling
enhances risk stratification and can
reduce downstream testing for patients
with suspected acute coronary
syndromes, negative cardiac
biomarkers, and normal ECGs. Int J
Cardiovasc Imaging 2016;32 (4):687-
696.
8. 8.Mehta, N, Pandit, A, Shukla, S.
Transforming Healthcare with Big Data
Analytics and Artificial Intelligence: A
Systematic Mapping Study. J Biomed
Inform 2019;17 (103311):103311.
9. 9.Prabhakaran, D, Ajay, VS, Tandon,
N. Strategic Opportunities for
Leveraging Low-cost, High-impact
Technological Innovations to Promote
Cardiovascular Health in India. Ethn
Dis 2019;29 (Suppl 1):145-152.
10. 10. Sprockel J, DJ, Alzatec W, González
E. Networks neural in he diagnosis of
the heart attack acute of myocardium.
Revista Colombiana de Cardiología
2013;21 (4):215-223.
11. 11.Lexis, CP, Wieringa, WG, Hiemstra,
B, et al. Chronic metformin treatment is
associated with reduced myocardial
infarct size in diabetic patients with ST-
segment elevation myocardial
infarction. Cardiovasc Drugs Ther
2014;28 (2):163-171.
12. 12.Mellbin, LG, Malmberg, K,
Norhammar, A, et al. The impact of
glucose lowering treatment on long-
term prognosis in patients with type 2
diabetes and myocardial infarction: a
report from the DIGAMI 2 trial. Eur
Heart J 2008;29 (2):166-176.
13. 13.Minuzzo, L, Santos, ES, Timerman,
A. Association between angiotensin-
converting enzyme inhibitors and
troponin in acute coronary syndrome.
Arq Bras Cardiol 2014;103 (6):513-
520.
14. 14.Singh, SM, Goodman, SG, Yan, RT,
et al. Relation between previous
angiotensin-converting enzyme
inhibitor use and in-hospital outcomes
in acute coronary syndromes. Am J
Cardiol 2012;109 (3):332-336.
15. 15.Kennon, S, Barakat, K, Hitman, GA,
et al. Angiotensin-converting enzyme
inhibition is associated with reduced
troponin release in non-ST-elevation
acute coronary syndromes. J Am Coll
Cardiol 2001;38 (3):724-728.
16. 16.Alkuraishy, HM, Al-Gareeb, AI.
New Insights into the Role of
Metformin Effects on Serum Omentin-
1 Levels in Acute Myocardial
Infarction: Cross-Sectional Study.
Emerg Med Int 2015;2015 (10):283021.
17. 17.Nazer, RI, Abalhassan, MF,
Alburikan, KA. Liver enzyme trends in
patients taking uninterrupted metformin
before and after coronary surgery.
Cardiovasc Diagn Ther 2018;8 (4):469-
479.
18. 18.Wu, CC, Hsu, WD, Islam, MM, et al.
An artificial intelligence approach to
early predict non-ST-elevation
myocardial infarction patients with
chest pain. Comput Methods Programs
Biomed 2019;173 109-117.
19. 19.Kumar, A, Cannon, CP. Acute
coronary syndromes: diagnosis and
management, part I. Mayo Clin Proc
2009;84 (10):917-938.
20. 20.Santos, ES, Baltar, VT, Pereira, MP,
et al. Comparison between cardiac
troponin I and CK-MB mass in acute
coronary syndrome without st
elevation. Arq Bras Cardiol 2011 ;96
(3):179-187.
21. 21.Chang, WC, Boersma, E, Granger,
CB, et al. Dynamic prognostication in
non-ST-elevation acute coronary
syndromes: insights from GUSTO-IIb
and PURSUIT. Am Heart J 2004;148
(1):62-71.
c i l i
C o laborad o res: Raúl Barcudi, Enrique
Majul, Sergio Ruffino, Juan De Mateo Rey,
Agustín Mariano Joison, María Carolina
Camuzzi, María Fernanda Camuzzi, y
Camila Anderlini.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 85
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Anexo tabla
Tabla 1. Resumen de casos correspondientes a pacientes diabéticos
N %
Muestra
Training 35 61.4
Test 14 24.6
Reserve 8 14.0
Validos 57 100
Excluidos 19
Total 76
Tabla 2. Predicción en el grupo analizado de actividad de CK-MB
en pacientes diabéticos respecto a la enfermedad a las 0, 8 y 12 horas.
Biomarcador_____________________________________________
<25UI/L >25UI/L
11 n
CK-MB(Ohs) Training 27 0
~ 8 0
Test 10 0
4 0
Reserve 4 0
4 0
CK-MB(8hs) Training 27 0
~ 8 0
Test 12 0
2 0
Reserve 6 0
2 0
CK-MB( 12hs) Training 27 0
~ 8 0
Test 10 0
4 0
Reserve 4 0
4 0
n :pacientes
Tabla 3. Predicción en el grupo probado de niveles de cTnI
en pacientes diabéticos con respecto a la enfermedad a las
0, 8 y 12 horas.
_____________________________________
Biomarcador
<0.01 >0.01
ng/ml ng/ml
n n
cTnI(0hs) Training 17 0
15 3
Test 7 1
4 2
Reserve 3 1
3 1
cTnI(8hs) Training 17 0
15 3
Test 7 1
4 2
Reserve 3 1
3 1
cTnI(12hs) Training 21 0
11 3
Test 6 0
5 3
Reserve 4 1
2 1
n: pacientes
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 86
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Tabla 4. Predicción en el grupo analizado de actividad de CK-MB en
pacientes diabéticos con respecto a la medicación a las 0, 8 y 12 horas.
Biomarcador
<25UI/L >25UI/L
n n
CK- Training 27 0
MB(0hs) 8 0
Test 10 0
4 0
Reserve 4 0
4 0
CK- Training 26 1
MB(8hs) 6 2
Test 11 1
1 1
Reserve 5 0
1 0
CK- Training 29 0
MB(12hs) 6 0
Test 12 0
2 0
Reserve 6 0
2 0
n: pacientes
Tabla 5. Predicción en el grupo probado de niveles de cTnI a 0, 8 y 12 horas
en pacientes diabéticos respecto a la medicación.
Biomarcador
cTnI(0hs)
cTnI(8hs)
cTnI(12hs)
<0.01ng/ml >0
n n
Training 19 0
16 3
Test 7 1
10 2
Reserve 3 1
2 1
Training 17 0
15 3
Test 7 1
4 2
Reserve 3 1
2 1
Training 21 0
11 3
Test 6 0
5 3
Reserve 4 1
2 1
Tabla 6. Resumen de casos correspondientes a pacientes hipertensos
N %
Muestra
Traimng 10 55.5
Test 7 38.9
Reseñe 1 5.6
Validos 18 100
Excluidos| 17
Total 35
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 87
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Tabla 7. Predicción en el grupo analizado de Actividad de CK-MB
en pacientes hipertensos respecto a la enfermedad a las 0, 8 y 12 horas.
Biomarcador
___________________________________
<25UI/L >25UI/L
11 11
CK-MB(Ohs) 5 0
3 0
Test 6 0
1 0
Reserve 1 0
2 0
CK-MB(8hs) Traimng 6 0
" 2 0
Test 5 0
2 0
Reserve 2 0
1 0
CK- Training 7 0
MB(12hs) 1 0
Test 5 0
2 0
Reserve 2 0
1 0
n: p a cien tes
Tabla 8. Predicción en el grupo probado de niveles de cTnI a
las 0, 8 y 12 horas en pacientes hipertensos con respecto a la enfermedad.
Biomarcador
<0_01ng/ml >0.01ngm l
n n
cTnl(Ohs) Training 3 2
0 3
Test 2 0
3 2
Resene 0 0
2 1
cTnl(Shs) Training 2 1
1
Teit 2 1
3 1
Reserve 1
1 1
cTnI(12hs) Training 2 1
1 1
Test 3 1
2 1
Reseñe 0 0
2 1
n: pacientes
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 88
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Tabla 9. Predicción en el grupo analizado de actividad de CK-MB
en pacientes hipertensos respecto a la medicación a las 0, 8 y 12 horas.
Biomarcador
<25UI-'L >25U1.-L
n n
CK- Training 60
MB(Ohs) 1 0
Test 1 0
1 0
Reserve 2 0
1 0
CK- Training 60
MB(8hs) 1 0
Test 90
00
Reserve 2 0
1 0
CK- Training 4 0
MB(12hs) 3 0
Test 60
2 0
Reserve 7 0
60
n: pacientes
Tabla 10. Predicción en el grupo probado de niveles de cTnI
a 0, 8 y 12 horas en pacientes hipertensos respecto a la medicación.
Biomarcador
_________________________________________
<0.01ng/ml X)_01ng/ml
n n
cTnl(Ohs) Training 4 0
" 3 0
Test 6 0
3 0
Reserve 3 0
2 0
cTnI(8hs) Training 0 3
" 0 4
Test 0 7
0 6
Reserve 3 1
2 1
cTnI(12hs) Training 4 0
" 3 0
Test 7 0
2 0
Reserve 4 0
2 0
n: pacientes
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93.
89
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
CK-MB 12 HS
Figura 1. Curvas ROC correspondiente a los marcadores CK-MB y cTnI en pacientes diabéticos.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93.
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
CK-MB 12 Hours cT n l1 2Hs
Figura 2. Curvas de pronóstico de ganancias acumuladas de los marcadores CK-MB y cTnI en pacientes diabéticos
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93.
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Figura 3. Curvas ROC correspondiente a los marcadores CK-MB y cTnI en pacientes hipertensos.
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93.
Joison A.N. Predicción del comportamiento de marcadores cardíacos por inteligencia artificial en pacientes hipertensos
y diabéticos con síndrome coronario agudo.
Figura 4. Curvas de ganancias acumuladas de los marcadores CK-MB y cTnI de pacientes hipertensos
Revista Methodo: Investigación Aplicada a las Ciencias Biológicas. Universidad Católica de Córdoba.
Jacinto Ríos 571 B° Gral. Paz. X5004FXS. Córdoba. Argentina. Tel.: (54) 351 4517299 / Correo:
methodo@ucc.edu.ar / Web: methodo.ucc.edu.ar| ARTICULO ORIGINAL Rev. Methodo 2022;7(2):80-93. 93
