Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales

"Los pacientes con bloqueo de rama izquierda (BRI) son los principales beneficiarios de la terapia de resincronización cardíaca (TRC), utilizada para tratar la insuficiencia cardíaca. Sin embargo, hasta un 40 % de los pacientes sometidos a TRC no responden favorablemente, en parte debido a diag...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Cerrato Brown, Juan Marcos, Wood Niella, Axel Cesar
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: Instituto Tecnológico de Buenos Aires (ITBA) 2025
Materias:
ECG, BRI, CNN, ELECTROCARDIOGRAMA, BLOQUEO DE RAMA IZQUIERDA, REDES NEURONALES, SHAP, DEEP LEARNING,
Acceso en línea:https://hdl.handle.net/20.500.14769/5213
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-5213
record_format dspace
spelling I32-R138-20.500.14769-52132026-01-07T14:19:47Z Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales Cerrato Brown, Juan Marcos Wood Niella, Axel Cesar ECG, BRI, CNN, ELECTROCARDIOGRAMA, BLOQUEO DE RAMA IZQUIERDA, REDES NEURONALES, SHAP, DEEP LEARNING, "Los pacientes con bloqueo de rama izquierda (BRI) son los principales beneficiarios de la terapia de resincronización cardíaca (TRC), utilizada para tratar la insuficiencia cardíaca. Sin embargo, hasta un 40 % de los pacientes sometidos a TRC no responden favorablemente, en parte debido a diagnósticos inexactos de BRI. Aunque la duración del complejo QRS (QRS) es un criterio diagnóstico clave, su medición se ve afectada por las alteraciones morfológicas del electrocardiograma (ECG) en estos pacientes, lo que limita su fiabilidad. Este estudio explora el uso de redes neuronales convolucionales (CNN) para mejorar la clasificación del BRI, con un enfoque particular en distinguir de manera precisa entre BRI estricto y otras presentaciones que no cumplen con los criterios estrictos, incluyendo tanto BRI no estricto como la ausencia de BRI. Se desarrollaron tres enfoques: una CNN unidimensional (CNN1D) que trabaja directamente con las señales temporales del ECG, y dos CNN bidimensionales (CNN2D) que utilizan representaciones espectrales de la señal mediante espectrogramas y transformada wavelet. Los modelos fueron entrenados con datos del estudio MADIT, logrando resultados prometedores. En el conjunto de prueba, la arquitectura basada en transformada wavelet alcanzó el mejor desempeño en todas las métricas evaluadas, obteniendo una exactitud de 90,98 %, precisión de 88,10 %, sensibilidad de 96,38 %, especificidad de 84,62 % y un F1-score de 92,05 %. La CNN con espectrogramas logró una exactitud de 89,02 %, precisión de 85,74 %, sensibilidad de 95,65 %, especificidad de 81,20 % y F1-score de 90,42 %. Por su parte, la CNN1D obtuvo una exactitud de 88,24 %, precisión de 86,00 %, sensibilidad de 93,48 %, especificidad de 82,05 % y F1-score de 89,58 %. Todos los modelos alcanzaron un AUC-ROC superior a 0,95, lo que indica una excelente capacidad de discriminación. Además, el análisis mediante SHAP (Shapley Additive Explanations) evidenció que los modelos se enfocaron en patrones morfológicos relevantes para el diagnóstico clínico, validando su aprendizaje desde una perspectiva médica. En conjunto, los resultados demuestran que las CNN, especialmente las basadas en transformada wavelet, son herramientas eficaces y clínicamente interpretables para la detección automatizada del BRI estricto." 2025-12-15T17:45:00Z 2025-12-15T17:45:00Z 2025-11-19 Proyecto final de grado https://hdl.handle.net/20.500.14769/5213 es application/pdf Instituto Tecnológico de Buenos Aires (ITBA)
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic ECG, BRI, CNN, ELECTROCARDIOGRAMA, BLOQUEO DE RAMA IZQUIERDA, REDES NEURONALES, SHAP, DEEP LEARNING,
spellingShingle ECG, BRI, CNN, ELECTROCARDIOGRAMA, BLOQUEO DE RAMA IZQUIERDA, REDES NEURONALES, SHAP, DEEP LEARNING,
Cerrato Brown, Juan Marcos
Wood Niella, Axel Cesar
Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
topic_facet ECG, BRI, CNN, ELECTROCARDIOGRAMA, BLOQUEO DE RAMA IZQUIERDA, REDES NEURONALES, SHAP, DEEP LEARNING,
description "Los pacientes con bloqueo de rama izquierda (BRI) son los principales beneficiarios de la terapia de resincronización cardíaca (TRC), utilizada para tratar la insuficiencia cardíaca. Sin embargo, hasta un 40 % de los pacientes sometidos a TRC no responden favorablemente, en parte debido a diagnósticos inexactos de BRI. Aunque la duración del complejo QRS (QRS) es un criterio diagnóstico clave, su medición se ve afectada por las alteraciones morfológicas del electrocardiograma (ECG) en estos pacientes, lo que limita su fiabilidad. Este estudio explora el uso de redes neuronales convolucionales (CNN) para mejorar la clasificación del BRI, con un enfoque particular en distinguir de manera precisa entre BRI estricto y otras presentaciones que no cumplen con los criterios estrictos, incluyendo tanto BRI no estricto como la ausencia de BRI. Se desarrollaron tres enfoques: una CNN unidimensional (CNN1D) que trabaja directamente con las señales temporales del ECG, y dos CNN bidimensionales (CNN2D) que utilizan representaciones espectrales de la señal mediante espectrogramas y transformada wavelet. Los modelos fueron entrenados con datos del estudio MADIT, logrando resultados prometedores. En el conjunto de prueba, la arquitectura basada en transformada wavelet alcanzó el mejor desempeño en todas las métricas evaluadas, obteniendo una exactitud de 90,98 %, precisión de 88,10 %, sensibilidad de 96,38 %, especificidad de 84,62 % y un F1-score de 92,05 %. La CNN con espectrogramas logró una exactitud de 89,02 %, precisión de 85,74 %, sensibilidad de 95,65 %, especificidad de 81,20 % y F1-score de 90,42 %. Por su parte, la CNN1D obtuvo una exactitud de 88,24 %, precisión de 86,00 %, sensibilidad de 93,48 %, especificidad de 82,05 % y F1-score de 89,58 %. Todos los modelos alcanzaron un AUC-ROC superior a 0,95, lo que indica una excelente capacidad de discriminación. Además, el análisis mediante SHAP (Shapley Additive Explanations) evidenció que los modelos se enfocaron en patrones morfológicos relevantes para el diagnóstico clínico, validando su aprendizaje desde una perspectiva médica. En conjunto, los resultados demuestran que las CNN, especialmente las basadas en transformada wavelet, son herramientas eficaces y clínicamente interpretables para la detección automatizada del BRI estricto."
format Proyecto final de grado
author Cerrato Brown, Juan Marcos
Wood Niella, Axel Cesar
author_facet Cerrato Brown, Juan Marcos
Wood Niella, Axel Cesar
author_sort Cerrato Brown, Juan Marcos
title Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
title_short Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
title_full Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
title_fullStr Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
title_full_unstemmed Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
title_sort clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales
publisher Instituto Tecnológico de Buenos Aires (ITBA)
publishDate 2025
url https://hdl.handle.net/20.500.14769/5213
work_keys_str_mv AT cerratobrownjuanmarcos clasificacionautomatizadadelbloqueoderamaizquierdaestrictomedianteredesneuronalesconvolucionales
AT woodniellaaxelcesar clasificacionautomatizadadelbloqueoderamaizquierdaestrictomedianteredesneuronalesconvolucionales
_version_ 1854267362234073088

Ejemplares similares