Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco

Las enfermedades cardiovasculares son la principal causa de muerte en el mundo. Debido a esto, el diagnóstico rápido y eficiente es de vital importancia en los pacientes con riesgo de sufrir estas afecciones. El Síndrome Coronario Agudo (SCA) es una patología comprendida dentro de las enfermedades c...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Selleski, Franco
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2021
Materias:
Aprendizaje automático
Redes profundas
Machine learning
Patients
Pacientes
Electrocardiograms
Electrocardiogramas
[Acute coronary syndrome
Síndrome coronario agudo
Deep learning
Aprendizaje profundo]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/1114/1/1Selleski.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-1114
record_format dspace
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Aprendizaje automático
Redes profundas
Machine learning
Aprendizaje automático
Patients
Pacientes
Electrocardiograms
Electrocardiogramas
[Acute coronary syndrome
Síndrome coronario agudo
Deep learning
Aprendizaje profundo]
spellingShingle Aprendizaje automático
Redes profundas
Machine learning
Aprendizaje automático
Patients
Pacientes
Electrocardiograms
Electrocardiogramas
[Acute coronary syndrome
Síndrome coronario agudo
Deep learning
Aprendizaje profundo]
Selleski, Franco
Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
topic_facet Aprendizaje automático
Redes profundas
Machine learning
Aprendizaje automático
Patients
Pacientes
Electrocardiograms
Electrocardiogramas
[Acute coronary syndrome
Síndrome coronario agudo
Deep learning
Aprendizaje profundo]
description Las enfermedades cardiovasculares son la principal causa de muerte en el mundo. Debido a esto, el diagnóstico rápido y eficiente es de vital importancia en los pacientes con riesgo de sufrir estas afecciones. El Síndrome Coronario Agudo (SCA) es una patología comprendida dentro de las enfermedades cardiovasculares, cuyo diagnóstico inicial se realiza en base al análisis de la actividad eléctrica del corazón por medio de un electrocardiograma (ECG). Se estima que la sensibilidad del análisis del ECG es de entre 49 y 61 %, mas aumenta al 100% si se mantiene al paciente en observación entre 6 y 12 horas y se llevan a cabo estudios de laboratorio. Como consecuencia, resulta importante contar con herramientas basadas solamente en el análisis de registros ECG que ayuden al personal de guardia a estimar de forma rápida y confiable el riesgo que presenta un paciente de sufrir un SCA. Con este objetivo se diseñaron, desarrollaron e implementaron dos métodos de Deep Learning para predecir la posibilidad de que un paciente sufra un SCA a partir de una señal de ECG. El primer de método se basó en un autoencoder convolucional y para los datos de testing se obtuvo una exactitud del 57 %, con una sensibilidad del 55% y una especificidad del 60 %. El segundo método se basó en la estrategia de transfer learning, utilizando una red preentrenada para clasificar arritmias, y para los datos de testing se obtuvo una exactitud del 58 %, con una sensibilidad del 56% y una especificidad del 61 %. Los resultados de sensibilidad obtenidos en pacientes infartados son comparables a los obtenidos por especialistas al analizar sólo el registro de ECG, mas son inferiores a los obtenidos en los métodos analizados del estado del arte. Se encontró que la marginalidad de estos índices de desempeñó se debe a que el número de casos de la base de datos utilizada resultó insuficiente para que los métodos propuestos aprendieran a resolver satisfactoriamente el problema abordado. Sin embargo, es importante destacar que los métodos desarrollados podrán ser aplicados a medida que se registren nuevos casos en la base de datos local, y de esta manera definir en forma más precisa la cota inferior asociada al número de casos necesarios para obtener una mejora significativa en la capacidad de clasificación. Otro resultado relevante asociado a la comprensión del funcionamiento de los métodos de Deep Learning implementados se obtuvo mediante la aplicación de la técnica de Grad-CAM, para hallar las regiones de la entrada de mayor importancia al momento de realizar una predicción, de donde se pudo comprender que la red se enfoca en las mismas regiones para pacientes infartados y no infartados, y que no se enfoca en una de las regiones características del latido (segmento ST) que utilizan los cardiólogos para realizar un diagnóstico.
format Tesis
NonPeerReviewed
author Selleski, Franco
author_facet Selleski, Franco
author_sort Selleski, Franco
title Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
title_short Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
title_full Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
title_fullStr Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
title_full_unstemmed Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
title_sort desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco
publishDate 2021
url http://ricabib.cab.cnea.gov.ar/1114/1/1Selleski.pdf
work_keys_str_mv AT selleskifranco desarrolloeimplementaciondetecnicasavanzadasdeaprendizajeautomaticoyprocesamientodesenalesparaelanalisisderegistroselectrocardiograficosenpacientesderiesgocardiaco
_version_ 1794277896015052800
spelling I25-R131-11142022-09-07T17:28:04Z Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco Development and implementation of advanced machine learning and signal processing techniques for the analysis of electrocardiographic recordings in patients with cardiac risk Selleski, Franco Aprendizaje automático Redes profundas Machine learning Aprendizaje automático Patients Pacientes Electrocardiograms Electrocardiogramas [Acute coronary syndrome Síndrome coronario agudo Deep learning Aprendizaje profundo] Las enfermedades cardiovasculares son la principal causa de muerte en el mundo. Debido a esto, el diagnóstico rápido y eficiente es de vital importancia en los pacientes con riesgo de sufrir estas afecciones. El Síndrome Coronario Agudo (SCA) es una patología comprendida dentro de las enfermedades cardiovasculares, cuyo diagnóstico inicial se realiza en base al análisis de la actividad eléctrica del corazón por medio de un electrocardiograma (ECG). Se estima que la sensibilidad del análisis del ECG es de entre 49 y 61 %, mas aumenta al 100% si se mantiene al paciente en observación entre 6 y 12 horas y se llevan a cabo estudios de laboratorio. Como consecuencia, resulta importante contar con herramientas basadas solamente en el análisis de registros ECG que ayuden al personal de guardia a estimar de forma rápida y confiable el riesgo que presenta un paciente de sufrir un SCA. Con este objetivo se diseñaron, desarrollaron e implementaron dos métodos de Deep Learning para predecir la posibilidad de que un paciente sufra un SCA a partir de una señal de ECG. El primer de método se basó en un autoencoder convolucional y para los datos de testing se obtuvo una exactitud del 57 %, con una sensibilidad del 55% y una especificidad del 60 %. El segundo método se basó en la estrategia de transfer learning, utilizando una red preentrenada para clasificar arritmias, y para los datos de testing se obtuvo una exactitud del 58 %, con una sensibilidad del 56% y una especificidad del 61 %. Los resultados de sensibilidad obtenidos en pacientes infartados son comparables a los obtenidos por especialistas al analizar sólo el registro de ECG, mas son inferiores a los obtenidos en los métodos analizados del estado del arte. Se encontró que la marginalidad de estos índices de desempeñó se debe a que el número de casos de la base de datos utilizada resultó insuficiente para que los métodos propuestos aprendieran a resolver satisfactoriamente el problema abordado. Sin embargo, es importante destacar que los métodos desarrollados podrán ser aplicados a medida que se registren nuevos casos en la base de datos local, y de esta manera definir en forma más precisa la cota inferior asociada al número de casos necesarios para obtener una mejora significativa en la capacidad de clasificación. Otro resultado relevante asociado a la comprensión del funcionamiento de los métodos de Deep Learning implementados se obtuvo mediante la aplicación de la técnica de Grad-CAM, para hallar las regiones de la entrada de mayor importancia al momento de realizar una predicción, de donde se pudo comprender que la red se enfoca en las mismas regiones para pacientes infartados y no infartados, y que no se enfoca en una de las regiones características del latido (segmento ST) que utilizan los cardiólogos para realizar un diagnóstico. Cardiovascular diseases are the leading cause of death worldwide. Because of this, a rapid and efficient diagnosis is of vital importance in patients with suspected risk of suffering from these conditions. Acute Coronary Syndrome (ACS) is a pathology included within cardiovascular diseases, whose initial diagnosis is made based on the analysis of the heart’s electrical activity by means of an electrocardiogram (ECG). The sensitivity of the ECG analysis is estimated to be between 49 and 61%, but increases to 100% if the patient is kept under observation for 6 to 12 hours and specialized laboratory studies are performed. As a consequence, it is important to have tools based solely on the analysis of ECG recordings to help emergency personnel to quickly and reliably estimate a patient’s risk of suffering an ACS. With this objective in mind, two methods were designed, developed and implemented to predict the possibility of a patient suffering an ACS from an ECG signal. The first method was based on a convolutional autoencoder and for testing data had an accuracy of 57%, with a sensitivity of 55% and a specificity of 60%. The second method was based on a transfer learning strategy, using part of a network trained to classify arrhythmias, and for testing data had an accuracy of 58%, with a sensitivity of 56% and a specificity of 61%. The sensitivity results obtained for infarcted patients are comparable to those obtained by specialists when analyzing the ECG records alone, but are lower than those obtained in the state-of-the-art methods analyzed. It was found that the marginality of these performance indices was related to the reduced number of cases available in the local database. However, it is worth noting that the application of the proposed methods, as new cases are added to the local database, could pave the way to significantly improve the classification performance. Grad-CAM technique was applied to find the most important regions of the input at the time of making a prediction, from which it was possible to understand that the network focuses on the same regions for infarcted and non-infarcted patients, and that it does not focus on one of the characteristic regions of the heartbeat (ST segment) used by cardiologists to make a diagnosis. 2021-12-20 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1114/1/1Selleski.pdf es Selleski, Franco (2021) Desarrollo e implementación de técnicas avanzadas de aprendizaje automático y procesamiento de señales para el análisis de registros electrocardiográficos en pacientes de riesgo cardíaco / Development and implementation of advanced machine learning and signal processing techniques for the analysis of electrocardiographic recordings in patients with cardiac risk. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1114/

Ejemplares similares