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...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2021
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1114/1/1Selleski.pdf |
| Aporte de: |
| Sumario: | 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.
|
|---|