Atribución-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)Fajardo Ariza, Carlos AugustoSantos Ortiz, Camilo AndrésMoreno Jaimes, German DarioArdila Garnica, Karol Milena2024-05-222024-05-222024-05-182024-05-18https://noesis.uis.edu.co/handle/20.500.14071/42555En el entorno de la Unidad de Cuidados Intensivos (UCI), las falsas alarmas de arritmia se convierten en una perturbación constante que genera estrés tanto para el personal médico como para los pacientes. La elevada tasa de estos informes, unida a la incapacidad de los sistemas de monitorización para discernir con precisión entre señales cardiacas normales y arritmias, compromete la calidad de la atención y pone en riesgo la salud de los pacientes. El objetivo de esta investigación fue identificar falsas alarmas utilizando redes neuronales convolucionales (CNN) entrenadas con datos de la base de datos PhysioNet Computing in Cardiology Challenge 2015. Además, exploramos la eficacia de las técnicas de aumento de datos en el entrenamiento del modelo; las métricas de evaluación del rendimiento utilizadas incluyeron la tasa de verdaderos positivos (TPR), la tasa de verdaderos negativos (TNR), la puntuación F1, el área bajo la curva (ROC) y la puntuación final del PhysioNet Computing in Cardiology Challenge 2015. Nuestros resultados sugieren que el modelo propuesto genera una reducción de la tasa de falsos negativos (FN) al 5,9 % y revelan que las técnicas de aumento de datos no tuvieron un impacto significativo en la identificación de falsas alarmas.application/pdfenginfo:eu-repo/semantics/openAccessUnidades de Cuidados IntensivosArritmias cardiacasFalsas alarmasAprendizaje ProfundoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coIntensive Care UnitsCardiac ArrhythmiaFalse AlarmDeep Learninghttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)