Sistemas de Soporte a las Decisiones Clínicas basado en Inteligencia Artificial Aplicada al Diagnóstico de los Síndromes Coronarios Agudos

1. 1
Sistemas de Soporte a las Decisiones Clínicas basado en Inteligencia
Artificial Aplicada al Diagnóstico de los Síndromes Coronarios Agudos
John Sprockel
Maestría de Ingeniería de Sistemas y Computación, Universidad Javeriana
jsprockel@javeriana.edu.co
Resumen. Los
Palabras Clave: inteligencia artificial, redes neuronales, lógica difusa, sistemas de soporte a la toma de
decisiones, dolor torácico, síndrome coronario agudo, infarto agudo del miocardio enfermedad coronaria.
1. Introducción
El dolor torácico representa aproximadamente entre el 8 al 15% de los motivos de consulta a urgencias y es causado
en su mayoría por condiciones benignas. Cuando éste pone en riesgo la vida, el éxito de su tratamiento depende
principalmente de con cuanta rapidez sea instaurado [1]. El síndrome coronario agudo (SCA) es una de las primeras
causas de muerte en todo el mundo, en una proporción importante de los casos puede ser difícil de diagnosticar. El
diagnóstico diferencial es amplio, pudiendo afectar muchos sistemas e incluye enfermedades que ponen en riesgo la
vida como el embolismo pulmonar, neumotórax a tensión y disección aórtica, necesitándose un diagnóstico rápido y
tratamientos que son diferentes a aquel del SCA [2].
En la tabla 1 podemos identificar los principales puntos fuertes y falencias de cada una de las herramientas de la
inteligencia artificial. Los sistemas híbridos buscan, complementar sus características en pos de optimizar algún
aspecto de su desempeño. Un modelo basado en sistemas de agentes racionales colaborativos podrían brindar una
aproximación diferente que valdría la pena explorar en la toma de decisiones.
--: malo, -: más bien mal, +: más bien bueno, ++: bueno
SBR: Sistemas Basados en Reglas, LD: Sistemas Difusos, ANN: Redes Neuronales y AG: Algoritmos Genéticos
*Modificado de Negnevitsky [2].
En las secciones que siguen se realizará una exposición, que pretende ser exhaustiva, acerca del uso de las diferentes
estrategias de los sistemas inteligentes en el diagnóstico de los SCA.
SBR LD ANN AG
Representación del conocimiento + ++ --
Tolerancia a la incertidumbre + ++ ++ ++
Tolerancia a la imprecisión -- ++ ++ ++
Adaptabilidad -- - ++ ++
Habilidad de aprendizaje -- -- ++ ++
Habilidad de explicación ++ ++ -- -
Descubrimiento del conocimiento
y mineria de datos
--
- ++ +
Mantenibilidad -- + ++ +
TABLA 1. Comparación entre: Sistemas Basados en Reglas, Sistemas Difusos,
Redes Neuronales y Algoritmos Genéticos

2. 2
2. Uso de Redes Neuronales para el Diagnóstico del Infarto Agudo del Miocardio
De acuerdo a la IEEE Computational Intelligence Society, las Redes Neuronales (RN): Son paradigmas
computacionales basados en modelos matemáticos con capacidad de un fuerte patrón de reconocimiento. Una Red
Neuronal es un algoritmo de cálculo que se basa en una analogía del sistema nervioso [4]. Se intenta imitar la
capacidad de aprendizaje de éste, haciendo que aprenda a identificar patrones de asociación entre las entradas
(variables predictivas) y los estados dependientes de ellas (salidas) [5 y 6]. La señal progresa desde las entradas
hasta obtener una respuesta traducida en el nivel de activación de los nodos de salida, los cuales predicen el
resultado de acuerdo a las variables de entrada [4].
En la tabla 2 se presenta un resumen de las principales características de diferentes ensayos para la evaluación de las
redes neuronales en el diagnóstico del infarto.
AUTOR/AÑO ESTRATEGIA PACIENTES RESULTADOS COMENTARIOS
Baxt, 1991 †
[7]
ANN para diagnóstico de infarto. 20
entradas, dos capas ocultas de 10
neuronas.
356 pacientes (178
entrenamiento y 178
pruebas), retrospectivo.
Evaluación prospectiva en
331 pacientes.
Sensibilidad: 97.2%
Especificidad: 96.2%
(sensibilidad: 92% y
especificidad: 96% en
las pruebas)
Comprueban la
utilidad de una
ANN previamente
creada. Vs médicos.
Baxt, 1996 †
[8]
ANN para diagnóstico de infarto. 20
entradas, dos capas ocultas de 10
neuronas (la misma).
1071 pacientes de urgencias
por dolor torácico con
sospecha de IAM.
Sensibilidad: 96%
Especificidad: 96%
Unicéntrico
Ellenius,
1997‡ [9]
ANN tipo SLP con algoritmo BP, para
diagnóstico de infarto. Usaron
fuzzificación para medir el tamaño del
infarto.
88 pacientes (50
entrenamiento y 38 pruebas).
Pertenecientes al estudio
BIOMACS.
Sensibilidad:100%
Especificidad: 93%
VPP: 85%
VPN: 100%
Se tuvo en cuenta
diferentes
arquitecturas de las
ANN.
Le fue mejor a los
médicos, pero en dx
fue más temprano.
Hedén, 1997†
[10]
ANN tipo MLP usando la variación de
Langevin de BP, para diagnóstico de
infarto basado en el EKG.
Capa de entrada 72, y una capa oculta de
15 neuronas.
1120 EKG de ptes en unidad
de dolor torácico
10452 EKG de control
La ANN mostró mayor
sensibilidad que la de los
criterios basados en
reglas convencionales y
que los cardiólogos.
Especificidad: 95.2%
Comparado con los
cardiólogos.
Ohno-
Machado,
1998‡ [11]
Se construyeron 100 ANN con 100
diferentes grupos de entrenamiento
removiendo datos progresivamente y la
compararon con la que tenía todos los
datos. Todas con 40 entradas, 30 en capa
oculta y 1 salida.
700 ptes para entrenamiento,
553 ptes pruebas con
sospecha de infarto y 500
ptes para validación.
La remoción de datos no
afecta el rendimiento de
la ANN hasta un umbral
del 40%.
Evalúa la remoción
de las
observaciones
redundantes para la
reducción del
tiempo de
entrenamiento
Cházaro,
1998‡ [12]
ANN usando BP, para diagnóstico de
infarto. 95 variables, una capa oculta y
dos salidas, se eligió la mejor
configuración entre 5 y 20 nodos ocultos.
563 ptes (422 entrenamiento
y 141 pruebas). 104 con
datos faltantes.
53 con infarto y 369 sin
infarto.
Sensibilidad: 85%
Especificidad: 91%
(ANN de 20 nodos)
(Md: 87 y 78% y RL: 81
y 86%)
Comparó con RL y
los médicos de
urgencias.
Ellenius,
2000a† [13]
ANN de múltiples tipos (9 en total),
centrados en mioglobina, troponina y
tiempo de los síntomas.
Ptes con sospecha de infarto
y EKG no conclusivo
Sensibilidad: 77 – 95%
Especificidad: 88 – 96%
Los mejores fueron 3:
MSLP y FSLP
Evalúa el
desempeño de
diferentes
estructuras de ANN.
Ellenius,
2000b† [14]
ANN tipo MSLP para diagnóstico de
infarto, análisis de Monte Carlo para
verificar la evolución con respecto a los
biomarcadores (series de tiempo.)
Ptes de los estudios IMACS
y FAST, 167 en total con
SCA y 790 sin SCA
Inició en la población A:
Sensibilidad: 93%
Especificidad: 92%
Encuentran una función
de corrección para
ajustar los resultados a
otra institución.
Se evaluó la
posibilidad de
trasferir los
resultados obtenidos
en un grupo de ptes
a otro distinto.
Baxt, 2002†
[15]
ANN feed-forward usando BP, para
diagnóstico de infarto, técnica de
varianza de jackknife.
Entrenamiento: 50 ptes con
IAM, 1000 sin IAM
Pruebas: 28 ptes con IAM,
200 sin IAM
Sensibilidad: 94.5%
Especificidad: 95.9%
(RL: 77.3% y 75%)
Comparado vs
regresión logística.
La ANN funciona
bien pese a un 5%

3. 3
2204 ptes evaluación
prospectiva
de datos perdidos.
Estudio de costos.
Hollander,
2004 † [16]
Dos ANN para diagnóstico de infarto y
de los SCA. Con 40 variables
Antes: 4492 ptes
Después: 432 ptes
IAM:
Sensibilidad: 95%
Especificidad: 96%
SCA:
Sensibilidad: 88%
Especificidad: 88%)
No afectó la decisión del
ingreso de ptes.
No evaluó el
rendimiento de la
ANN.
Uso en tiempo real.
De antes y después.
Evaluó la
apreciación de los
médicos.
Harrison,
2005‡ [17]
ANN para diagnóstico de infarto, usando
13 variables (fue la mejor entre 8, 13, 20
y 40 variables evaluadas). No la
describen muy bien.
Entrenamiento: 1253 ptes
(hospital 1). Pruebas 1904
ptes (de otros 2 hospitales).
Sensibilidad: 93%
Especificidad: 93%
VPP: 88%
VPN: 96%
Participaron 3
hospitales.
No incorporaron
biomarcadores.
Datos ingresados
por enfermeras.
Bigi, 2005†
[18]
ANN para pronóstico del infarto no
complicado. Multicapa feedforward con
BP. 5-40 neuronas, MACE a 200 días.
496 ptes en recuperación de
un infarto.
Precisión: 70%
Sensibilidad: 38%
Especificidad: 83%
Comparó con
clasificadores
Bayesianos.
Bulgiba,
2006‡ [19]
200 ANN tipo MLP probaron 2, 4, 8, 16,
32 y 64 neuronas en la capa oculta, con
modelos de 9, 11, 23, 64 y 94 entradas.
Dos algoritmos: gradiente desendente y
Fletcher-Reeves.
710 ptes. La mejor ANN tuvo un
área bajo la curva ROC
de 0.79 con 9 entradas,
igual que la regresión
logística con 64
variables.
Comparado con
regresión logística
Eggers, 2007†
[20]
Tres ANN: dos para dx: un MLP con dos
capas ocultas y un SLP. Y una para
medir el tamaño del infarto: SLP.
310 ptes con dolor torácico Sensibilidad: 86, 96,
94%
Especificidad: 86, 94,
89%
VPP: 85, 92, 85%
VPN: 100, 99, 100%
Buscó aumentar la
velocidad del
diagnóstico del
IAM
En tres centros
diferentes.
Al-Naima,
2008 ‡ [21]
ANN supervisada con algoritmo BP con
dos capas ocultas, para la interpretación
de ondas del EKG en diagnóstico de
infarto.
43 EKG de pacientes sanos y
con infarto.
FT-ANN: precisión:
85%, Sensibilidad: 80%.
WT-ANN: precisión:
90%, Sensibilidad: 90%.
Comparó dos
sistemas de
procesamiento de
señales: TF y WT.
Tabla 2. Redes neuronales en el diagnóstico del Infarto.
† Procedente de revista médica
‡ Procedente de revista de ingeniería
ANN: red neuronal artificial, BP: Back Propagation, MLP: perceptron de múltiples capas, SLP: perceptron de una sola capa, MSLP: múltiples
perceptrones de una sola capa, RL: regresión logística, TF: trasformada de Fourier, WT: trasformada de ondas discretas, MACE: Eventos
cardiovasculares mayores, CV: Cardiovascular, VPP: valor predictivo positivo, VPN: valor predictivo negativo.
3. Uso de Herramientas Evolutivas en el Diagnóstico de los Síndromes coronarios
Agudos
La computación evolutiva (CE) representa una estrategia de simulación para resolver problemas complejos sobre la
base de la Teoría de la Evolución Natural y Teoría de la Variación Genética [23]. El algoritmo genético (AG) es un
algoritmo de búsqueda de enjambre típico para optimización global, sin embargo, debido a que adopta la tecnología
de búsqueda de probabilidad, tiene un cierto grado de azar y algunos consideran que la convergencia local no es
buena.
A continuación se hace la exposición de los artículos encontrados (Tabla 3). Como podemos observar en la mayoría
se utiliza para optimizar el número de variables de entrada de otras técnicas, modificar los pesos o la arquitectura de
otras estrategias de sistemas inteligentes, quizá la forma directa de su aplicación involucra la técnica de
programación genética con la creación de árboles de decisiones.

4. 4
AUTOR Y AÑO ESTRATEGIA POBLACIÓN RESULTADO
Bojarczuk, 2000
[23]
PG para reglas comprensibles clasificación.
165 atributos para clasificar 12 enfermedades
138 pacientes (90
entrenamiento y
48 pruebas)
Precisión: 97%
Nugent, 2001
(duplicado) [24],
[25]
ANN, usando PG para elegir el número de
generaciones para evitar el overfitting.
6 parámetros electrocardiográficos en
diagnóstico de Infarto.
131 pacientes (97
entrenamiento y
44 pruebas)
Determinaron el mejor
punto para el cese del
entrenamiento
Sepulveda, 2002
[26]
AG para seleccionar el mejor subconjunto de
variables para ser aplicadas en el modelo de
SVM
726 pacientes con
angina
el AG redujo de 75 a 14
las variables
Sensibilidad= 66.67%
Especificidad= 79,77%
VPP = 79,12%
VPN = 97,87%
Ha, 2007 [27] modelo evolutivo de hiper-redes, usaron CE
para el reemplazo de los hiper-bordes,
buscando reducir la cardinalidad (pesos)
135 pacientes seleccionaron 150
aptameros (proteínas)
para dx, entre 3000.
No sirvió para infarto
Zhou, 2009 [28] AG con búsqueda local flotante embebida
(GA-LFE) niveles de mieloperoxidasa y
troponina en diagnóstico del infarto
60 casos y 60
controles
La precisión de 3, 5 y 7
biomarcadores son 67.50,
72.92 y 77.08%
respectivamente
Ming, 2010 [29] ANN, usando AG para determinar la mejor
distribución de la capa oculta.
13 características clínicas, electrocardiográficas
y de laboratorio
497 pacientes con
SCA (300
entrenamiento y
197 pruebas)
Disminuyeron de 537 a 37
las iteraciones de
aprendizaje
Precisión: 98.98%
Tabla 3. Resumen de los resultados de los estudios que exploran el uso de computación evolutiva en el diagnóstico
de los SCA. AG: Algoritmo Genético, PG: Programación Genética, ANN: Red neuronal artificial, SVM: máquina de
soporte de vectores.
4. Uso de Estrategias de Lógica Difusa para el Diagnóstico del Infarto Agudo del
Miocardio
Propuesto por Lotfi A. Zadeh en 19651
, la lógica difusa es una extensión de uno de los conceptos subyacentes
fundamentales de la Lógica Clásica proposicional: la dicotomización [30]. La creación de reglas difusas presentan
dos ventajas frente a las reglas nítidas (crisp) [31]: a) contienen información adicional y b) pueden definir más
fácilmente las fronteras de decisión en un eje no paralelo. La lógica difusa puede ser vista como una teoría para
manejar la incertidumbre de los sistemas complejos.
En la tabla 4 se describen las características generales de los estudios que emplearon estrategias de lógica difusa
para diagnosticar infarto y sus resultados principales.
1. L.A. Zadeh. Fuzzy Sets, Information and Control, 8:338–353. 1965.

5. 5
AUTOR/AÑO DESCRIPCIÓN DE LA
ESTRATEGIA
BASE DE DATOS Y
PACIENTES
RESULTADOS COMENTARIOS
Bozzola, 1996
[32]
Modelo neuro-fuzzy (FMLP) para la
clasificación del infarto y su
localización a partir del EKG. La
morfología fue 96-288-4, hubo una
poda del 67% de las conecciones.
RF: ND, FP: exploraron varias
distribuciones, PD: ND.
Una extensa librería de
EKG en la universidad
católica de Louvain,
Bélgica. Se seleccionaron
539 EKG: 179/404 para
entrenamiento y 60/135 para
pruebas (otros/infarto).
Sensibilidad: 86.7-97.8%
Especificidad: 96.9-
99.4%
Precisión: 93.2/82.2%
(entrenamiento/pruebas)
Se logró una mejoría
del 6% en la
precisión al
comparar el FMLP
vs la ANN.
Downs, 1996
[33]
Aplica un modelo de ANN tipo fuzzy
ARTMAP en el diagnóstico del infarto.
Se sometió a un proceso de poda.
RF: ND, FP: ND, PD: ND.
970 pacientes que
consultaron al Edinburgh
Royal Infirmary
(Edinburgh, UK), por dolor
torácico, 191 infartos. Tres
sets: predicción: 150,
entrenamiento 670 y
pruebas: 150.
Sensibilidad: 78.6-56.7%
Especificidad: 95.1-
95.8%
Precisión: 92/88%
(entrenamiento/pruebas)
Efectuaron distintos
procesos de poda
buscando mejorar la
sensibilidad o la
especificidad con
éxito relativo.
Pobre descripción
del proceso difuso.
Xue, 1998 [34] Se emplea un modelo neuro-fuzzy de
cuatro capas para la clasificación del
infarto y su localización basado en
hallazgos del EKG. Se usó el error
LMS con BP.
RF: Sugeno, FP: en campana, PD: ND.
Se usó una base de datos de
dolor torácico de un estudio
comunitario, con un registro
de 1161 pacientes, de los
cuales 285 tenían infarto
(123 anterior, 123 inferior y
50 lateral) y 322 angina.
Entrenamiento 70% y
pruebas 30%.
Antes de la adaptación:
Sensibilidad: 50%
Especificidad: 99%
Luego de la adaptación
(entrenamiento/pruebas):
Sensibilidad: 60/54%
Especificidad: 99/99%
Una ANN sola tuvo:
Sensibilidad: 38%
Especificidad: 98%
Desventajas de las
ANN: les hace falta
una base de
conocimiento
estructural y no
utilizan el
conocimiento previo
de los expertos
Lu, 2000 [35] Emplearon un modelo neuro-fuzzy con
cuatro capas, la segunda representó las
reglas fuzzy.
124 EKG, 20 normales y
104 con infarto.
Sensibilidad: 94.2/
84.6%
Especificidad: 100/90%
(entrenamiento/pruebas).
Se tuvo en cuenta la
localización del
infarto.
Lim, 2005 [36] Se propone una red neuronal híbrida
que comprende ARTMAP Fuzzy
Fuzzy Clustering y de clasificación de
patrones C-Medios con una formación
incompleta y datos de prueba. 16
variables.
RF: ND, FP: ND, PD: ND.
118 pacientes procedentes
del hospital de Penang,
Malasia. 79 para
entrenamiento y 39 para
pruebas. Datos perdidos
variaron entre 0 y 50%.
Precisión: 63.43% Se centran en el
problema de
información
incompleta.
Pobre descripción
del proceso difuso.
Ainon, 2010
[37]
Se utiliza un AG multiobjetivo (una
variante del algoritmo NSGA-II) para
disminuir el número de variables de
entrada de un sistema experto basado
en LD que luego fue optimizado por el
método Fuzzy C-Means Clustering.
RF: Mamdani, FP: Gaussianas, PD:
ND.
Hospital de Selayang,
Malasia. 887 pacientes con
dolor torácico en urgencias
Crean 10 modelos, el
mejor logra un AUC de
0.75 (mejoró con el AG
desde 0.56) vs 0.79 para
una ANN.
Lo comparan contra
una ANN obteniendo
una menor precisión
con mejor
trasparencia.
(Usan mediciones de
AST).
Chiang, 2010
[38]
Combinan las redes Bayesianas
dinámicas con LD para clasificación
del infarto basado en el EKG. En un
modelo difuso basado en restricciones.
Usan luego una técnica de gradiente
desendente para optimizar los modelos.
RF: Sugeno, FP: ND, PD: ND.
905 latidos obtenidos en un
EKG, de ellos 470
procedían de pacientes con
infarto.
Sensibilidad: 86.27%
Precisión: 78.32%
Se trata de un estudio
exploratorio con
pocos datos, con una
propuesta de
abordaje nueva y
promisoria.
Dingfei, 2010
[39]
Emplean una técnica de promedio
ponderado difuso (FWA) para mejorar
la precisión diagnostica del infarto a
partir de EKG ortogonal de alta
definición por tres derivaciones de
Frank. Construyeron un sistema
clasificador basado en SVM.
Se tomaron los datos de
Physionet. 70 registros para
entrenamiento y 70 para
pruebas.
Sensibilidad: 87.5%
Especificidad: 90%
La sensibilidad y
especificidad promedio
se pueden aumentar por
8.75% y 7.5 respectiva-
mente utilizando FWA.
Obtuvieron el EKG
ortogonal a partir de
la trasformación de
los EKG de 12
derivaciones
tradicionales
Cintra, 2011
Duplicado en
[40], [41], [42],
[43], [44]
Evalúan el diagnóstico de infarto a
partir de una nueva técnica de
procesamiento de señales de los EKG
(FPGA). Se hizo una poda de datos
empleando agrupamiento difuso (fuzzy
clustering).
RF: a partir de expertos, FP:
Gaussiana, PD: ND.
Se tomaron los datos de
Physionet. 90 EKG de 79
pacientes.
Sensibilidad: 90%
Precisión: 85%
VPP: 93%
Mostró una disminución
de los ciclos de
implementación en la
implementación.
Correlacionan las
señales adquiridas
con una librería que
contiene 20 patrones
(obtenidos por fuzzy
clusstering).

6. 6
Muthukaruppan,
2012 [31]
Se crea un sistema experto basado en
LD que es optimizado mediante PSO.
RF: Mamdani, FP: triangular, PD:
Centro de gravedad.
Instituto Húngaro de
Cardiología y Cleveland
Clinic. 597 datos con 13
atributos clínicos tenidos en
cuenta. El desenlace fue
angiográfico. Entrenamiento
con 478 (278 sanos y 200
con enfermedad coronaria),
pruebas 119 (74 y 45).
Sensibilidad: 93.2%
Especificidad: 93.3%
Precisión: 93.3%
Resaltan la creación
de un número
pequeño de reglas y
que éstas pueden ser
fácilmente
interpretadas.
Farahabadi,
2012 [45]
Evalúan una ANFIS para el diagnóstico
de infarto a partir de una nueva técnica
de procesamiento de señales (DTW).
RF: ND, FP: campana, PD: ND.
30 pacientes que
consultaron a urgencias por
dolor torácico y sospecha de
SCA
Sensibilidad: 93%
Especificidad: 93%
VPP: 93%
VPN: 93%
Buen diseño pero
pocos datos para
entrenamiento y
pruebas.
Tabla 4. Uso de diversas estrategias de lógica difusa en el diagnóstico del Infarto.
RF: regla de fuzzydificación, FP: función de pertenencia, PD: Proceso de defuzzicación, ND: No descrito, LD: Lógica difusa, ANN: red neuronal
artificial, ANFIS: sistema de inferencia neuro-fuzzy adaptativo, FMLP: perceptrón multicapa difuso, ARTMAP: mapeo de teoría de resonancia
adaptativa, AG: algoritmo genético, PSO: Particle swarm optimization, SVM: máquina de soporte vectorial, EKG: electrocardiograma, LMS:
mínimo cuadrático medio, AUC: área bajo la curva, RL: regresión logística, VPP: valor predictivo positivo, VPN: valor predictivo negativo.
5. Uso de Estrategias de Aprendizaje de Máquina en el Diagnóstico del Infarto Agudo
del Miocardio
6. Uso de Sistemas Multiagentes en el Diagnóstico del Infarto Agudo del Miocardio
7. CONCLUSIONES
La inteligencia artificial intenta emular la inteligencia humana: SBR por reglas e inferencia lógica, ANN por
procesamiento paralelo de datos. Mientras los SBR no pueden aprender si logran explicar su razonamiento, las ANN
operan de manera contraria. La interacción de herramientas logra mejorar el desempeño de estos aspectos. Los
sistemas híbridos combinan al menos dos tecnologías inteligentes. Estos sistemas favorecen el razonamiento y
aprendizaje en ambientes inciertos o imprecisos.
El SCA es un problema complejo, su diagnóstico implica tener en cuenta una amplia cantidad de datos que pueden
tener una presentación variada o que puede ser interpretada de distintas maneras por varios profesionales de la
medicina.
Referencias
[1] Erhardt L, Herlitz J, Bossaert L, Halinen M, Keltai M, Koster R, et al. (2002) European Society of Cardiology: Task
force on the management of chest pain. European Heart Journal, 23(15), 1153–1176.
[2] Blomkalns AL, Gibler WB. (2005) Chest Pain Unit Concept: Rationale and Diagnostic Strategies. Cardiol Clin, 23 (4),
411–421.
[3] Negnevitsky, M. (2005). Hybrid intelligent systems. In Artificial intelligence: a guide to intelligent systems (Second.,
pp. 259 – 298). Tazmania, Australia: Pearson Education Limited.

7. 7
[4] Sordo, M., Vaidya, S., & Jain, L. (2008). An Introduction to Computational Intelligence in Healthcare:
New Directions. In Advanced Computational Intelligence Paradigms in Healthcare - 3 (3rd ed., pp. 1 – 26).
Springer Berlin Heidelberg.
[5] Trujillano, J., March, J., & Sorribas, A. (2004). [Methodological approach to the use of artificial neural
networks for predicting results in medicine]. Medicina clínica, 122 Suppl 1, 59–67.
[6] Cross, S. S., Harrison, R. F., & Kennedy, R. L. (1995). Introduction to neural networks. Lancet, 346(8982),
1075–1079.
[7] Baxt, W G. (1991). Use of an artificial neural network for the diagnosis of myocardial infarction. Annals of
internal medicine, 115(11), 843–848.
[8] Baxt, W G, & Skora, J. (1996). Prospective validation of artificial neural network trained to identify acute
myocardial infarction. Lancet, 347(8993), 12–15.
[9] Ellenius, J., Groth, T., Lindahl, B., & Wallentin, L. (1997). Early assessment of patients with suspected
acute myocardial infarction by biochemical monitoring and neural network analysis. Clinical chemistry,
43(10), 1919–1925.
[10]Hedén, B., Öhlin, H., Rittner, R., & Edenbrandt, L. (1997). Acute Myocardial Infarction Detected in the
12-Lead ECG by Artificial Neural Networks. Circulation, 96(6), 1798–1802.
doi:10.1161/01.CIR.96.6.1798
[11]Ohno-Machado, L., Fraser, H. S., & Ohrn, A. (1998). Improving machine learning performance by
removing redundant cases in medical data sets. Proceedings / AMIA Annual Symposium. AMIA
Symposium, 523–527.
[12]Chazaro, A., Cravens, G., & Eberhart, R. (1998). Myocardial infarction diagnosis by a neural network (Vol.
3, pp. 1121–1124). Presented at the Engineering in Medicine and Biology Society, 1998. Proceedings of
the 20th Annual International Conference of the IEEE, IEEE. doi:10.1109/IEMBS.1998.747068
[13]Ellenius, J. (2000). Methods for selection of adequate neural network structures with application to early
assessment of chest pain patients by biochemical monitoring. International Journal of Medical Informatics,
57(2-3), 181–202. doi:10.1016/S1386-5056(00)00065-4
[14]Ellenius, J., & Groth, T. (2000). Transferability of neural network-based decision support algorithms for
early assessment of chest-pain patients. International Journal of Medical Informatics, 60(1), 1–20.
doi:10.1016/S1386-5056(00)00064-2
[15]Baxt, William G., Shofer, F. S., Sites, F. D., & Hollander, J. E. (2002a). A neural computational aid to the
diagnosis of acute myocardial infarction. Annals of Emergency Medicine, 39(4), 366–373.
doi:10.1067/mem.2002.122705
[16]Hollander, J. E., Sease, K. L., Sparano, D. M., Sites, F. D., Shofer, F. S., & Baxt, W. G. (2004). Effects of
neural network feedback to physicians on admit/discharge decision for emergency department patients with
chest pain. Annals of Emergency Medicine, 44(3), 199–205. doi:10.1016/j.annemergmed.2004.02.037
[17]Harrison, Robert F., & Kennedy, R. L. (2005). Artificial Neural Network Models for Prediction of Acute
Coronary Syndromes Using Clinical Data From the Time of Presentation. Annals of Emergency Medicine,
46(5), 431–439. doi:10.1016/j.annemergmed.2004.09.012
[18]Bigi, R., Gregori, D., Cortigiani, L., Desideri, A., Chiarotto, F. A., & Toffolo, G. M. (2005). Artificial
neural networks and robust Bayesian classifiers for risk stratification following uncomplicated myocardial
infarction. International Journal of Cardiology, 101(3), 481–487. doi:10.1016/j.ijcard.2004.07.008
[19]Bulgiba, A. M. (2006). Using neural networks and just nine patient-reportable factors of screen for AMI.
Health Informatics Journal, 12(3), 213–225. doi:10.1177/1460458206066665
[20]Eggers, K. M., Ellenius, J., Dellborg, M., Groth, T., Oldgren, J., Swahn, E., & Lindahl, B. (2007). Artificial
neural network algorithms for early diagnosis of acute myocardial infarction and prediction of infarct size
in chest pain patients. International Journal of Cardiology, 114(3), 366–374.
doi:10.1016/j.ijcard.2005.12.019
[21]Al-Naima, F. M., Ali, A. H., & Mahdi, S. S. (2008). Data acquisition for myocardial infarction
classification based on wavelets and Neural Networks (pp. 1–6). IEEE. doi:10.1109/SSD.2008.4632817

8. 8
[22] Dumitrescu D. Evolutionary Computation, CRC Press, 2000.
[23] Bojarczuk, C. C., Lopes, H. S., & Freitas, A. A. (2000). Genetic programming for knowledge discovery in chest-pain
diagnosis. IEEE Engineering in Medicine and Biology Magazine, 19(4), 38–44. doi:10.1109/51.853480
[24] Lopez, J. A., Nugent, C. D., Black, N. D., & Smith, A. E. (2001). Automated synthesis of prediction models for neural
network based myocardial infarction classifiers (Vol. 4, pp. 3803–3806). Presented at the Engineering in Medicine and
Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE, IEEE.
doi:10.1109/IEMBS.2001.1019667
[25] Nugent, C. D., Lopez, J. A., Smith, A. E., & Black, N. D. (2002). Prediction models in the design of neural network
based ECG classifiers: a neural network and genetic programming approach. BMC medical informatics and decision
making, 2, 1.
[26] Sepulveda-Sanchis, J., Camps-Valls, G., Soria-Olivas, E., Salcedo-Sanz, S., Bousono-Calzon, C., Sanz-Romero, G., &
Marrugat de la Iglesia, J. (2002). Support vector machines and genetic algorithms for detecting unstable angina (pp.
413–416). Presented at the Computers in Cardiology, IEEE. doi:10.1109/CIC.2002.1166797
[27] Ha, J., Eom, J., Kim, S., & Zhang, B. (2007). Evolutionary hypernetwork models for aptamer-based cardiovascular
disease diagnosis (p. 2709). Presented at the GECCO’07 Proceedings of the 2007 GECCO conference companion on
Genetic and evolutionary computation, Seoul: ACM Press. doi:10.1145/1274000.1274073
[28] Zhou, X., Wang, H., Wang, J., Wang, Y., Hoehn, G., Azok, J., Wong, S. T. C. (2009). Identification of biomarkers for
risk stratification of cardiovascular events using genetic algorithm with recursive local floating search. PROTEOMICS,
9(8), 2286–2294. doi:10.1002/pmic.200700867
[29] Ming, L., Yan-chun, L., Xin-min, W., & Xiao-gang D. (2010). The application of GA-BP algorithm to intelligent
diagnosis of coronary heart disease. Presented at the 2010 International Conference on Computer, Mechatronics,
Control and Electronic Engineering (CMCE), IEEE. doi:10.1109/CMCE.2010.5610139
[30]Yen, J. (1999). Fuzzy logic-a modern perspective. IEEE Transactions on Knowledge and Data Engineering,
11(1), 153–165. doi:10.1109/69.755624
[31]Muthukaruppan, S., & Er, M. J. (2012). A hybrid particle swarm optimization based fuzzy expert system
for the diagnosis of coronary artery disease. Expert Systems with Applications, 39(14), 11657–11665.
doi:10.1016/j.eswa.2012.04.036
[32]Bozzola, P., Bortolan, G., Combi, C., Pinciroli, F., & Brohet, C. (1996). A hybrid neuro-fuzzy system for
ECG classification of myocardial infarction. In Computers in Cardiology (Vol. 0, pp. 241–244). Presented
at the Computers in Cardiology. Retrieved from http://www.scopus.com/inward/record.url?eid=2-s2.0-
0030420077&partnerID=40&md5=ed0a74cdc3cf45da1198359a3c873d35
[33]Downs, J., Harrison, R. F., Kennedy, R. L., & Cross, S. S. (1996). Application of the fuzzy ARTMAP
neural network model to medical pattern classification tasks. Artificial Intelligence in Medicine, 8(4), 403–
428. doi:10.1016/0933-3657(95)00044-5
[34]Xue, Q., Taha, B., Reddy, S., & Aufderheide, T. (1998). An adaptive fuzzy model for ECG interpretation
(Vol. 20, No. 1, pp. 131–134). Presented at the Proceedings of the 20th Annual International Conference of
the ZEEE Engineering in Medicine and Biology Society, IEEE. doi:10.1109/IEMBS.1998.745847
[35]Lu, H. L., Ong, K., & Chia, P. (2000). Automated ECG classification system based on a neuro-fuzzy
system (pp. 387–390). Presented at the Computers in Cardiology 2000, Cambridge, MA, USA. Retrieved
from http://www.scopus.com/inward/record.url?eid=2-s2.0-
0034478015&partnerID=40&md5=39a9fd5d928a0d6106ed1edd0a106a20
[36]Lim, C.-P., Leong, J.-H., & Kuan, M.-M. (2005). A hybrid neural network system for pattern classification
tasks with missing features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(4), 648–
653. doi:10.1109/TPAMI.2005.64
[37]Ainon, R. N., Bulgiba, A. M., & Lahsasna, A. (2010). AMI Screening Using Linguistic Fuzzy Rules.
Journal of Medical Systems, 36(2), 463–473. doi:10.1007/s10916-010-9491-2
[38]Chiang, Y.-Y., & Hsu, W.-H. (2010). Integrating dynamic Bayesian networks and constraint-based fuzzy
models for myocardial infarction classification with 12-lead ECGS. In 2010 Conference on Precision
Electromagnetic Measurements (CPEM) (pp. 310–311). Presented at the 2010 Conference on Precision
Electromagnetic Measurements (CPEM). doi:10.1109/CPEM.2010.5543224

9. 9
[39]Dingfei, G., Lihui, S., & Xiaojun, W. (2010). Discrimination of Myocardial Infraction Using Orthogonal
ECG and Fuzzy Weighted Method. In 2010 4th International Conference on Bioinformatics and
Biomedical Engineering (iCBBE) (pp. 1–4). Presented at the 2010 4th International Conference on
Bioinformatics and Biomedical Engineering (iCBBE). doi:10.1109/ICBBE.2010.5516250
[40]Cintra, E. R. F., Pimenta, T. C., Carvalho, H., & Moreno, R. L. (2011). An FPGA system using fuzzy
clustering and correlation to diagnose angina. In 2011 18th IEEE International Conference on Electronics,
Circuits and Systems (ICECS) (pp. 121–124). Presented at the 2011 18th IEEE International Conference on
Electronics, Circuits and Systems (ICECS). doi:10.1109/ICECS.2011.6122229
[41]Cintra, E. R. F., Pimenta, T. C., & Moreno, R. L. (2011). An angina Diagnosing system using fuzzy
clustering and correlation in FPGA. In 2011 13th International Symposium on Integrated Circuits (ISIC)
(pp. 500–503). Presented at the 2011 13th International Symposium on Integrated Circuits (ISIC).
doi:10.1109/ISICir.2011.6132006
[42]Cintra, E. R. F., Pimenta, T. C., & Moreno, R. L. (2011). An angina diagnostic system using fuzzy
clustering and correlation. In 2011 IEEE International Workshop on Medical Measurements and
Applications Proceedings (MeMeA) (pp. 172–175). Presented at the 2011 IEEE International Workshop on
Medical Measurements and Applications Proceedings (MeMeA). doi:10.1109/MeMeA.2011.5966679
[43]Carvalho, H. H., Cintra, E. R. F., Pimenta, T. C., & Moreno, R. L. (2012). An electrocardiogram diagnostic
system implemented in FPGA. In Biosignals and Biorobotics Conference (BRC), 2012 ISSNIP (pp. 1–5).
Presented at the Biosignals and Biorobotics Conference (BRC), 2012 ISSNIP.
doi:10.1109/BRC.2012.6222184
[44]De Carvalho, H. H., Junior, Moreno, R. L., Pimenta, T. C., Crepaldi, P. C., & Cintra, E. (2013). A heart
disease recognition embedded system with fuzzy cluster algorithm. Computer methods and programs in
biomedicine, 110(3), 447–454. doi:10.1016/j.cmpb.2013.01.005
[45]Farahabadi, A., Farahabadi, E., Rabbani, H., Mahjoub, M. P., & Dehnavi, A. M. (2012). Ischemia detection
via dynamic time warping and fuzzy rules (pp. 166–169). Presented at the 2012 IEEE-EMBS International
Conference on Biomedical and Health Informatics (BHI), IEEE. doi:10.1109/BHI.2012.6211536
[46] Jones MT. (2008) Artificial Intelligence: A Systems Approach, INFINITY SCIENCE PRESS LLC.
[47]