Propuesta de plataforma en línea para generar conjuntos de datos anotados de señales biomédicas

Autores/as

Palabras clave:

conjunto de datos; desarrollo tecnológico; informática; inteligencia artificial; seguridad computacional; pacientes

Resumen

Introducción: para que las herramientas diagnósticas y predictivas basadas en inteligencia artificial sean útiles y efectivas en el ámbito médico cubano, se requieren conjuntos de datos anotados de señales biomédicas con las características propias de la población local.

Objetivo: presentar una plataforma web orientada a la creación de conjuntos de datos de bioseñales con anotación diagnóstica, adaptada a las características de la población cubana, para soportar sistemas de apoyo a las decisiones médicas.

Métodos: investigación de desarrollo tecnológico, en cuatro fases: identificación de necesidades clínicas mediante talleres colaborativos con 12 médicos especialistas; diseño de la base de datos como almacén de las señales y sus anotaciones; definición de la tecnología informática de soporte, y protocolo piloto para recolectar electrocardiogramas de pacientes cubanos, con garantía de anonimato y seguridad de los datos.

Resultados: la plataforma incluyó 19 requisitos funcionales, 22 no funcionales, un modelo de datos validado por un colectivo de expertos. Su arquitectura de tres capas se basó en tecnologías de código abierto. Los prototipos con 100 señales de electrocardiogramas resultaron funcionales.

Conclusiones: el desarrollo y uso de una plataforma web para gestionar y anotar señales biomédicas de pacientes cubanos, basada en un modelo relacional normalizado y tecnologías de código abierto, es viable. Reduce la dependencia de datos externos, y mejora la equidad y precisión de los sistemas de apoyo clínico; todo bajo estándares éticos y de seguridad. El estudio en sí mismo es un aporte crucial porque pone a disposición de los especialistas datos biomédicos propios, anotados y contextualizados.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Julio Companioni Martínez, Universidad de Sancti Spíritus “José Martí Pérez”. Sancti Spíritus, Cuba.

Mastér en Informática. Ingeniero en Ciencias Informáticas. Profesor Asistente del Departamento de Informática-FABLAB, Facultad de Ciencias Técnicas y Económicas (FCTyE). 

Denis Hernández Pacheco , Universidad de Sancti Spíritus “José Martí Pérez”. Sancti Spíritus, Cuba.

Mastér en Ciencias de la Computación. Ingeniero en Telecomunicaciones y Electrónica. Profesor Instructor del Departamento de Informática-FABLAB, Facultad de Ciencias Técnicas y Económicas (FCTyE). 

Carlos Lázaro Jiménez Puerto, Universidad de Sancti Spíritus “José Martí Pérez”. Sancti Spíritus, Cuba.

Doctor en Ciencias de la Educación. Ingeniero en Ciencias Informáticas. Vicedecano de Investigación y Posgrado. Profesor titular del Departamento de Informática-FABLAB, Facultad de Ciencias Técnicas y Económicas (FCTyE). 

José Carlos Pernas Farray , Universidad de Sancti Spíritus “José Martí Pérez”. Sancti Spíritus, Cuba.

Ingeniero en Telecomunicaciones y Electrónica. Profesor del Departamento de Informática-FABLAB, Facultad de Ciencias Técnicas y Económicas (FCTyE). 

Alberto Taboada Crispi , Universidad Central de Las Villas “Marta Abreu”. Santa Clara, Cuba.

Doctor en Ingeniería Biomédica, Ingeniero Electrónico. Profesor Titular. Investigador Titular. Centro de Investigaciones de la Informática, Facultad de Matemática, Física y Computación. 

Citas

1. Dwivedi YK, Hughes L, Ismagilova E, Aarts G, Coombs C, Crick T, et al. Artificial intelligence (AI): multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. Int J Inf Manage [Internet]. 2021 [citado 18 Ene 2026];57:101994. Disponible en: https://www.sciencedirect.com/science/article/pii/S026840121930917X

2. Bajwa J, Munir U, Nori A, Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Future Health C J [Internet]. 2021 [citado 11 Ene 2026];8(2):e188-94. Disponible en: https://www.sciencedirect.com/science/article/pii/S2514664524005277

3. Hummel P, Braun M, Tretter M, Dabrock P. Data sovereignty: a review. Big Data Soc [Internet]. 2021 [citado 18 Ene 2026];8(1):2053951720982012. Disponible en: https://journals.sagepub.com/doi/full/10.1177/2053951720982012

4. Vega-Abascal JB, Piriz-Assa AR, Nápoles-Riaño DA, Guimará-Mosqueda MR. Predicción del riesgo cardiovascular con tablas de la Organización Mundial de la Salud y modelo predictivo diseñado con inteligencia artificial. Rev Cubana Med [Internet]. 2025 [citado 18 Ene 2026];64:e5019. Disponible en: https://revmedicina.sld.cu/index.php/med/article/download/5019/2627/15414

5. Celi LA, Cellini J, Charpignon ML, Dee EC, Dernoncourt F, Eber R, et al. Sources of bias in artificial intelligence that perpetuate health care disparities: a global review. PLOS Digit Health [Internet]. 2022 [citado 18 Ene 2026];1(3):e0000022. Disponible en: https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000022

6. Scheibner J, Raisaro JL, Troncoso-Pastoriza JR, Ienca M, Fellay J, Vayena E, et al. Revolutionizing medical data sharing using advanced privacy-enhancing technologies: technical, legal, and ethical synthesis. J Med Internet Res [Internet]. 2021 [citado 18 Ene 2026];23(2):e25120. Disponible en: https://www.jmir.org/2021/2/e25120

7. Merdjanovska E, Rashkovska A. A framework for comparative study of databases and computational methods for arrhythmia detection from single-lead ECG. Sci Rep [Internet]. 2023 [citado 18 Ene 2026];13:11682. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10356811/

8. Perez-Alday EA, Gu A, Shah AJ, Robichaux C, Wong AKI, Liu C, et al. Classification of 12-lead ECGs: the Physio Net/Computing in Cardiology Challenge 2020. Physiol Meas [Internet]. Ene 2021 [citado 18 Ene 2026];41(12):124003. Disponible en: https://physionet.org/content/challenge-2020/1.0.2/

9. Reyna MA, Sadr N, Perez-Alday EA, Gu A, Shah AJ, Robichaux C, et al. Will two do? Varying dimensions in electrocardiography: the PhysioNet/Computing in Cardiology Challenge 2021. Physiol Meas [Internet]. 2022 [citado 7 Feb 2026];43(8):084001. Disponible en: https://physionet.org/content/challenge-2021/1.0.3/

10. Wagner P, Strodthoff N, Bousseljot RD, Kreiseler D, Lunze FI, Samek W, el al. PTB-XL, a large publicly available ECG dataset. Sci Data [Internet]. 2020 [citado 4 Mar 2026];7:154. Disponible en: https://physionet.org/content/ptb-xl/1.0.3/

11. Liu H, Chen D, Chen D, Zhang X, Li H, Bian L, et al. A large-scale multi-label 12-lead electrocardiogram database with standardized diagnostic statements. Sci Data [Internet]. 2022 [citado 6 Mar 2026];9:272. Disponible en: https://www.nature.com/articles/s41597-022-01403-5

12. Zhang X, Zhang X, Huang Q, Chen F. A review of epilepsy detection and prediction methods base don EEG signal processing and deep learning. Front Neurosci [Internet]. 2024 [citado 12 Mar 2026];18:1468967. Disponible en: https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2024.1468967/full

13. Oftadeh-Balani S, Al-Hussainy A, Shalal A, Ubaid M, Aluquaily Z, Alamoori J, et al. Exploring brain activity in different mental cognitive workloads. Iran J Psychiatry [Internet]. 2024 [citado 11 Feb 2026];19(4):356-66. Disponible en: https://ijps.tums.ac.ir/index.php/ijps/article/view/3939

14. Matran-Fernández A, Poli R. Towards thea utomated localization of targets in rapid image-sifting by collaborative brain-computer interfaces. PLoS One [Internet]. 2017 [citado 18 Feb 2026];12(5):e0178498. Disponible en: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0178498

15. Rasheed K, Qayyum A, Qadir J, Sivathamboo S, Kwan P, Kuhlmann L, et al. Machine learning for predicting epileptic seizuresusing EEG signals: a review. IEEE Rev Biomed Eng [Internet]. 2021 [citado 11 Ene 2026];14:139-55. Disponible en: https://arxiv.org/abs/2002.01925

16. Indeewara W, Hennayake M, Rathnayake K, Ambegoda T, Meedeniya D. Chest X-ray dataset with lung segmentation. PhysioNet [Internet]. 2023 [citado 16 Feb 2026];SCR_007345. Disponible en: https://www.physionet.org/content/chest-x-ray-segmentation/1.0.0/

17. Reis EP, Paiva JPQ, Bueno-Da Silva MC, Sousa-Ribeiro GA, Fornasiero-Paiva V, Bulgarelli L, et al. BRAX, Brazilian labeled chest X-ray dataset. Sci Data [Internet]. 2022 [citado 1 Mar 2026];9:487. Disponible en: https://www.nature.com/articles/s41597-022-01608-8

18. Calamida A, Nooralahzadeh F, Rohanian M, Nishio M, Fujimoto K, Krauthammer M. Radiology report generation models evaluation dataset for chest X-rays (Rad Eval X) (versión 1.0.0). PhysioNet; [Internet]. 2023 [citado 11 Feb 2026]. Disponible en: https://physionet.org/content/rad-eval-x/1.0.0/

19. Chen LC, Kuo PC, Wang R, Gichoya J, Celi LA. Chest X-ray segmentation images based on MIMIC-CXR (versión 1.0.0). PhysioNet [Internet]. 2022 [citado 23 Ene 2026]. Disponible en: https://physionet.org/content/lung-segment-mimic-cxr/1.0.0/

20. Moukheiber M, Moukheiber L, Moukheiber D, Hao S, Celi LA, Lee HC. A temporal dataset for respiratory support in critically ill patients (versión 1.1.0). PhysioNet [Internet]. 2023 [citado 21 Ene 2026]. Disponible en: https://physionet.org/content/temporal-respiratory-support/1.1.0/

21. Guy EFS, Clifton JA, Caljé-Van der Klei T, Chen R, Knopp J, Moeller K, et al. Respiratory dataset from PEEP study with expiratory occlusion (versión 1.0.0). PhysioNet [Internet]. 2023 [citado 16 Feb 2026]. Disponible en: https://physionet.org/content/respiratory-dataset/1.0.0/

22. Clifton JA, Guy EFS, Caljé-Van der Klei T, Knopp J, Chase JG. Simulated obstructive disease respiratory pressure and flow (versión 1.0.0). PhysioNet [Internet]. 2023 [citado 1 Mar 2026]. Disponible en: https://physionet.org/content/simulated-obstructive-disease/1.0.0/

23. Porta-García MA, Quiroz-Salazar A, Abarca-Castro EA, Reyes-Lagos JJ. Bradycardia may decrease cardio respiratory coupling in preterm infants. Entropy [Internet]. 2023 [citado 25 Feb 2026];25(12):1616. Disponible en: https://www.mdpi.com/1099-4300/25/12/1616

24. Jacobson I, Booch G, Rumbaugh J. The unified software development process. IEEE Software [Internet]. 1999. [citado 25 Feb 2026].96-102 Disponible en: https://people.eecs.ku.edu/~hossein/810/Readings/rup-unified-process.pdf

25. Joglar JA, Chung MK, Armbruster AL, Benjamin EJ, Chyou JY, Cronin EM, et al. 2023 ACC/AHA/ACCP/HRS guideline for the diagnosis and management of atrial fibrillation. Circulation [Internet]. 2024 [citado 21 Feb 2026];149(1):e1-156. Disponible en: https://www.ahajournals.org/doi/10.1161/CIR.0000000000001193

26. Meta Open Source. React: reference of Hooks [Internet]. Menlo Park (CA): Meta Platforms; 2026 [citado 1 Mar 2026]. Disponible en: https://react.dev/reference/react/hooks

27. FastAPI [Internet]. Features. 2026 [citado 21 Ene 2026]. Disponible en: https://fastapi.tiangolo.com/features/

28. h5py [Internet]. HDF5 for Python. 2026 [citado 21 Ene 2026]. Disponible en: https://docs.h5py.org/en/stable/

29. Inau ET, Sack J, Waltemath D, Zeleke AA. Initiatives, concepts, and implementation practices of the findable, accessible, interoperable, and reusable data principles in health data stewardship: scopingreview. J Med Internet Res [Internet]. 2023 [citado 26 Mar 2026];25:e45013. Disponible en: https://www.jmir.org/2023/1/e45013

30. Asociación Médica Mundial. Declaración de Helsinki de la AMM. Principios éticos para las investigaciones médicas en seres humanos. Ratificada en la 75th WMA General Assembly, Helsinki, Finland, october 2024 [Internet]. Helsinki: 18ª Asamblea Mundial; 1964 [citado 15 Ene 2026]. Disponible en: https://www.wma.net/policies-post/wma-declaration-of-helsinki/

31. Ministerio de Justicia (Cuba). Protección de Datos Personales Ley No. 149 [Internet]. Gaceta Oficial de la República de Cuba, Edición Ordinaria No. 90; (25-08-2022). [citado 23 Mar 2026]. Disponible en: https://www.gacetaoficial.gob.cu/sites/default/files/goc-2022-o90_0.pdf

32. Shama DM, Venkataraman A. Bayesian uncertainty-aware deep learning with noisy labels: tackling annotation ambiguity in EEG seizure detection. PLoS One [Internet]. 2026 [citado 27 Mar 2026];21:e0352191. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC13289946/

33. Ji W, Yu S, Wu J, Ma K, Bian C, Bi Q, et al. Learning calibrated medical image segmentation via multi-rateragreement modeling. En: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) [Internet]. 2021 [citado 26 Mar 2026]. p. 12341-51. Disponible en: https://openaccess.thecvf.com/content/CVPR2021/papers/Ji_Learning_Calibrated_Medical_Image_Segmentation_via_Multi-Rater_Agreement_Modeling_CVPR_2021_paper.pdf

34. Engstrom N, Dobson GP, Ng K, Lander K, Win K, Gupta A, et al. Validation of Cal ECG software for primary prevention heart failure patients: reducing inter-observer measurement variability. J Electrocardiol [Internet]. 2022 [citado 25 Mar 2026];74:128-33. Disponible en: https://researchonline.jcu.edu.au/76198/

35. Somani S, Russak AJ, Richter F, Zhao S, Vaid A, Chaudhry F, et al. Deep learning and the electrocardiogram: review of the current state-of-the-art. Europace [Internet]. 2021 [citado 23 Mar 2026;23(8):1179-91. Disponible en: https://doi.org/10.1093/europace/euaa377https://academic.oup.com/europace/article/23/8/1179/6132071?login=false

36. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics [Internet]. 1977 [citado 27 Mar 2026];33(1):159-74. Disponible en: https://www.jstor.org/stable/2529310?origin=crossref

Publicado

10-11-2026

Cómo citar

1.
Companioni Martínez J, Hernández Pacheco D, Jiménez Puerto CL, Pernas Farray JC, Taboada Crispi A. Propuesta de plataforma en línea para generar conjuntos de datos anotados de señales biomédicas. Mediciego [Internet]. 10 de noviembre de 2026 [citado 18 de noviembre de 2026];32:e4345. Disponible en: https://revmediciego.sld.cu/index.php/mediciego/article/view/4345

Número

Sección

Artículo original