CardioGuard

CardioGuard anticipa riesgos cardíacos con IA y un sistema embebido que recopila y visualiza datos en tiempo real. Precisión, empatía e interfaz intuitiva para cuidar cada latido.

Comment 1

Inspiración

Nuestra chispa fue clara: la salud no debería ser reactiva, sino preventiva. Queríamos responder una pregunta poderosa: ¿y si pudiéramos anticipar los riesgos cardíacos antes de que aparezcan los síntomas? Así nació CardioGuard, con la visión de combinar inteligencia artificial y series temporales para construir una solución que escuche el corazón antes de que grite auxilio.

Qué hace

El proyecto CardioGuard es un sistema predictivo diseñado para analizar y anticipar variaciones en el ritmo cardíaco (BPM) utilizando técnicas avanzadas de modelado de series temporales. Su objetivo principal es servir como herramienta de apoyo en la salud preventiva, especialmente para pacientes con condiciones cardiovasculares.

Cómo lo construímos

Recolección de datos en tiempo real:Comenzamos conectando sensores analógicos (como pulsómetros y sensores de temperatura) para capturar datos fisiológicos relevantes. Estos se enviaron y almacenaron automáticamente en una base de datos MongoDB, permitiendo un registro estructurado y escalable. Limpieza y preprocesamiento de datos:Aplicamos pandas para limpiar el dataset, eliminando valores atípicos y entradas no relevantes. Se interpolaron huecos con técnicas temporales para asegurar la continuidad y calidad de las señales. Modelado predictivo con SARIMA: Utilizamos modelos SARIMA para capturar patrones estacionales en las señales fisiológicas. La selección de hiperparámetros se automatizó con pmdarima, asegurando el mejor ajuste sin prueba y error manual. Desarrollo en paralelo: Mientras se entrenaban los modelos, desarrollamos simultáneamente: El prototipo de interfaz web en Figma La aplicación móvil, conectada vía API construida con React: Esto permitió una experiencia fluida, amigable y centrada en el usuario final. Metodología ágil (SCRUM): Nos organizamos en sprints cortos y efectivos, dividiendo tareas entre front-end, back-end, ciencia de datos y hardware, permitiendo avances coordinados en tiempo récord. Validación y visualización:Contrastamos las predicciones del modelo con datos reales, evaluando su rendimiento con métricas como R² y RMSE, y visualizamos los resultados con gráficos interpretables y profesionales.

Retos técnicos

Sensores: Hubo algunas complicaciones con conectar los sensores con las bases de datos. Modelo Arima: Complicaciones ajustando el modelo autorregresivo a la serie de tiempo original. React: Aprender react para el desarrollo de la aplicación móvil. Tiempo Real: Complicaciones a la hora de procesar los datos en tiempo real

Logros de los que nos orgullecemos

Pronóstico real de serie temporal: El modelo SARIMA pudo adaptarse a la serie temporal y predecir con ello. Sensores: Lectura de datos de los sensores en tiempo real. React: se consiguió crear la app móvil.

Qué aprendimos

Modelado SARIMA para capturar estacionalidades reales en señales fisiológicas. Tratamiento experto de datos temporales, interpolando con inteligencia y ajustando frecuencias para máxima fidelidad. Optimización automática con auto_arima para elegir el mejor modelo sin adivinanzas ni prueba y error manual. Evaluación sólida usando R² y RMSE como brújula para validar la calidad predictiva. Visualización clara y científica, porque si no se entiende, no sirve (¡ni impresiona al jurado!). Desarrollo de una API con React, conectada a una app móvil que recibe, consulta y visualiza datos en tiempo real de forma fluida e intuitiva. Implementación de sensores analógicos (como pulsómetros y sensores de temperatura) para recolectar datos cardíacos en vivo, enviándolos al backend para su análisis predictivo.

Proyectos a futuro para CardioGuard

Adaptación a métodos móviles: como pulseras que puedan hacer lecturas de ritmo cardiaco para casas donde haya un adulto de edad avanzada dependiente. Implementación en otros ámbitos: la versatilidad de este modelo autorregresivo puede hacer que se pueda extrapolar a otros ámbitos como oxigenación en sangre, análisis de glucosa etc...

Built With

Share this project:

Updates