Introducción: Este artículo, desarrollado entre 2022 y 2023 en el marco de Procesos Estocásticos Aplicados por el grupo SciBas de la Universidad Distrital Francisco José de Caldas, se enfoca en el papel de las cadenas de Markov ocultas (HMM) en la predicción de enfermedades cardiovasculares. 

Problema: El problema abordado es la necesidad de mejorar la detección temprana de enfermedades cardía-cas, y se destaca cómo las HMM pueden abordar la incertidumbre en los datos clínicos y detectar patrones complejos.

Objetivo: Evaluar el uso de modelos de Markov ocultos (HMM) en el análisis de electrocardiogramas (ECG) para la detección temprana de enfermedades cardiovasculares.

Metodología: La metodología incluye una revisión de la literatura sobre la relación entre las HMM y las enfermedades cardiovasculares, seguida de la aplicación de HMM para prevenir infartos y abordar la incertidumbre en los datos clínicos.

Resultados: Los resultados indican que las HMM son efectivas en la prevención de enfermedades cardíacas, pero su eficacia depende de la calidad de los datos. Estos resultados son prometedores, pero no universales en su aplicabilidad.

Conclusiones: En resumen, este estudio destaca la utilidad de las HMM en la detección temprana de infartos y  su  enfoque  estadístico  en  medicina.  Se  enfatiza  que  no  son  infalibles  y  deben  complementarse  con  otras  opciones clínicas y métodos de evaluación en situaciones reales.

Originalidad: Este trabajo destaca por su enfoque estadístico y probabilístico en la aplicación de modelos de Markov ocultos (HMM) en el análisis médico, aportando una perspectiva innovadora y facilitando la comprensión de su utilidad en el campo de la medicina.

Limitaciones: Se reconoce que existen limitaciones, como la dependencia de la calidad de los datos y la aplicabilidad variable en casos clínicos. Estas limitaciones deben considerarse en el contexto de su implementación en la práctica médica.