Executive Secretary

III Simposio Internacional Sobre “Generación y Transferencia de Conocimiento para la Transformación Digital

SITIC 2025

Estimación de Vectorcardiogramas mediante Electrocardiogramas

Resumen

Problemática: Los equipos de vectorcardiografía (VCG) son costosos e inaccesibles, limitando su uso en diagnóstico de enfermedades cardiovasculares (ECV), principal causa de muerte global.

Objetivo(s): Desarrollar un algoritmo híbrido para estimar VCG a partir de electrocardiogramas (ECG) estándar, mejorando la precisión en segmentos específicos.

Metodología:

• Evaluación de ocho algoritmos lineales (Dower inverso, Kors, Guillem, etc.) mediante error cuadrático medio y coeficiente de Pearson.

• Segmentación automática de ondas ECG (P, QRS, T) con redes neuronales convolucionales.

• Aplicación selectiva del mejor algoritmo por segmento cardíaco.

Resultados y discusión:

• El enfoque híbrido superó a métodos uniformes, reduciendo errores en ondas T (35%) y QRS (28%).

• Validación con registros reales demostró correlación de Pearson >0.92 en estimaciones VCG.

Conclusiones: La estrategia por segmentos incrementa la precisión diagnóstica, aprovechando equipos ECG existentes. Ofrece una alternativa viable para regiones con recursos limitados.

Abstract

Problem: Vectorcardiography (VCG) equipment is costly and inaccessible, hindering its use in diagnosing cardiovascular diseases (CVDs), the leading global cause of death.

Objective(s): To develop a hybrid algorithm estimating VCG from standard electrocardiograms (ECG), enhancing accuracy in specific waveform segments.

Methodology:

• Evaluation of eight linear algorithms (inverse Dower, Kors, Guillem, etc.) using mean square error and Pearson coefficient.

• Automated ECG waveform segmentation (P, QRS, T) via convolutional neural networks.

• Segment-specific application of optimal algorithms.

Results and Discussion:

• The hybrid approach outperformed uniform methods, reducing errors in T-waves (35%) and QRS complexes (28%).

• Validation with real datasets showed Pearson correlation >0.92 for VCG estimates.

Conclusions: Segment-based processing enhances diagnostic accuracy, leveraging existing ECG infrastructure. It provides a viable alternative for resource-limited regions.