Plataforma en la nube para diagnóstico remoto de señales cardíacas

Fortunato Ramírez Arzate; Ángel Humberto Corral Domínguez; José Ricardo Cárdenas Valdez

doi:10.29057/icbi.v14iEspecial.15525

Autores/as

Fortunato Ramírez Arzate Instituto Tecnológico de Tijuana https://orcid.org/0009-0009-6107-1826
Ángel Humberto Corral Domínguez Instituto Tecnológico de Tijuana https://orcid.org/0000-0003-2009-6161
José Ricardo Cárdenas Valdez Instituto Tecnológico de Tijuana

DOI:

https://doi.org/10.29057/icbi.v14iEspecial.15525

Palabras clave:

Telemedicina, electrocardiograma, fonocardiograma, almacenamiento en la nube, diagnostico remoto

Resumen

Este artículo presenta el desarrollo de una plataforma médica basada en la nube para el almacenamiento y análisis remoto de señales cardiovasculares, enfocándose en electrocardiogramas (ECG) y fonocardiogramas (FCG). Su objetivo es favorecer la disponibilidad de diagnóstico médico especializado en contextos con limitaciones geográficas o institucionales, mediante una arquitectura cliente-servidor que utiliza una base de datos MySQL, backend en Node.js y un clasificador automático basado en aprendizaje automático. La plataforma incluye interfaces diferenciadas para médicos y pacientes, que permiten cargar, visualizar, comentar y clasificar archivos biomédicos. Las pruebas funcionales demostraron manejo eficiente de datos clínicos y una segmentación de señales validada, en un entorno simulado de telemedicina. Este sistema representa un componente funcional dentro de un ecosistema de salud conectada basado en tecnologías en la nube.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A., Lee, G., Patterson, D., Rabkin, A., Stoica, I., y Zaharia, M. (2010). A view of cloud computing. Communications of the ACM, 53(4):50–58.

Collaborators, G. R. F. (2024). Global burden of cardiovascular diseases and risk factors, 1990–2023. The Lancet, 403(10322):1269–1324.

INEGI (2024). Estadísticas de defunciones registradas (EDR) 2023. Comunicado de prensa. Las enfermedades del corazón fueron la primera causa de muerte en México en 2023, con 189,210 defunciones registradas.

INEGI (2025). Estadísticas de defunciones registradas (EDR): enero–junio 2024. Comunicado de prensa. Las enfermedades del corazón fueron la primera causa de muerte en México durante el primer semestre de 2024, con 100,710 defunciones.

Khan, S. y Gupta, R. (2025). The role and prospects of telemedicine in the treatment of heart failure. Eastern Mediterranean Health Journal. https://doi.org/10.12771/emj.2025.00360

Lee, K. y Park, M. (2024). Cloud-based platforms for health monitoring: A review. Informatics, 11(1):2.

Mell, P. y Grance, T. (2011). The NIST definition of cloud computing.

Ose, B., Sattar, Z., Gupta, A., Toquica, C., Harvey, C., y Noheria, A. (2024). Artificial intelligence interpretation of the electrocardiogram: A state-of-the-art review. Current Cardiology Reports, 26(6):561–580.

PhysioNet (2024). PhysioNet databases. Accedido el 15 de noviembre de 2025.

Rolim, C., Koch, F., Westphall, C., Werner, J., Fracalossi, A., y Salvador, G. (2010). A cloud computing solution for patient’s data collection in health care institutions. En Second International Conference on eHealth, Telemedicine, and Social Medicine, pp. 95–99.

Sivaraks, H. y Ratanamahatana, C. A. (2015). Robust and accurate anomaly detection in ECG artifacts using time series motif discovery. Computers in Biology and Medicine, 59:1–13.

Springer, D. B., Tarassenko, L., y Clifford, G. D. (2021). Logistic regression–HSMM-based heart sound segmentation. IEEE Transactions on Biomedical Engineering, 63(4):822–832.

Tan, S., Sumner, J., Wang, Y., y Yip, A. (2024). A systematic review of the impacts of remote patient monitoring (RPM) interventions on safety, adherence, quality-of-life and cost-related outcomes. npj Digital Medicine, 7:192.

University of Michigan (2025). Phonocardiogram dataset. Repositorio Deep Blue, University of Michigan. Accedido el 15 de noviembre de 2025. https://deepblue.lib.umich.edu/items/d9d03331-12f5-414e-9c19-3c5985bedb49

Varon, C., Acharya, R. U., Minchole, A., Llamedo, M., y Martínez, J. P. (2021). Deep learning for ECG analysis: Bench to bedside. Computers in Biology and Medicine, 132:104296.

Zhang, Q., Cheng, L., y Boutaba, R. (2010). Cloud computing: State-of-the-art and research challenges. Journal of Internet Services and Applications, 1(1):7–18.

Zhu, B., Zhou, Z., Yu, S., Liang, X., Xie, Y., y Sun, Q. (2024). Review of phonocardiogram signal analysis: Insights from the PhysioNet/CinC Challenge 2016 database. Electronics, 13(16):3222.