Propuesta de plataforma en línea para generar conjuntos de datos anotados de señales biomédicas
Palabras clave:
conjunto de datos; desarrollo tecnológico; informática; inteligencia artificial; seguridad computacional; pacientesResumen
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
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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Julio Companioni Martínez, Denis Hernández Pacheco , Carlos Lázaro Jiménez Puerto, José Carlos Pernas Farray , Alberto Taboada Crispi

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes de la Licencia CC Attribution 4.0/ International/ Deed (CC BY 4.0):
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
- Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo las condiciones siguientes:
- Atribución — Usted debe dar crédito de manera adecuada , brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
La revista no se responsabiliza con las opiniones y conceptos emitidos en los trabajos, son de exclusiva responsabilidad de los autores. El Editor, con la asistencia del Comité de Editorial, se reserva el derecho de sugerir o solicitar modificaciones aconsejables o necesarias. Son aceptados para publicar trabajos científico originales, resultados de investigaciones de interés que no hayan sido publicados ni enviados a otra revista para ese mismo fin.
La mención de marcas comerciales de equipos, instrumentos o materiales específicos obedece a propósitos de identificación, no existiendo ningún compromiso promocional con relación a los mismos, ni por los autores ni por el editor.

















