Detección de inicio de QRS basada en IA en los ECG del sitio de activación ventricular temprana

Área de la Ciencia:

• Electrofisiología cardiovascular
• La inteligencia artificial en la medicina
• Procesamiento de señales

Sus antecedentes:

• La identificación precisa del inicio del QRS es vital para localizar el lugar de origen de los complejos ventriculares prematuros (PVC) y la taquicardia ventricular (VT).
• Los desafíos en la detección de inicio de QRS incluyen ruido de señal, desplazamiento de la línea de base, artefactos de movimiento y, especialmente, la superposición con la repolarización previa en VT.
• Los métodos existentes luchan con las complejas morfologías de la señal encontradas en los ECG clínicos.

Objetivo del estudio:

• Desarrollar y validar un algoritmo basado en IA para la detección precisa del inicio del QRS en las señales de ECG.
• Evaluar el rendimiento del algoritmo en un conjunto de datos de ECG de ritmo bipolar controlado y bases de datos públicas de ECG.
• Investigar la utilidad del entrenamiento previo auto-supervisado para mejorar la precisión de la detección del inicio del QRS.

Principales métodos:

• Una red neuronal Swin-Unet basada en la atención fue entrenada en 7706 ritmos bipolares de 384 sitios en 15 pacientes.
• Se empleó una técnica de entrenamiento previo auto-supervisado utilizando 88253 registros de ECG no anotados.
• El rendimiento del algoritmo se evaluó en un conjunto de datos de ECG de sitio bipolar, base de datos de QT (QTDB) y base de datos de electrocardiografía de la Universidad de Lobachevsky (LUDB).

Principales resultados:

• El modelo de IA logró una sensibilidad de 0,958 con un error de predicción de 1,924 ± 4,275 ms en el conjunto de datos del sitio de ritmo bipolar.
• En los conjuntos de datos públicos, los errores de predicción fueron de 1,518 ± 8,702 ms (QTDB) y 1,333 ± 7,575 ms (LUDB), con sensibilidades de 0,927 y 0,981, respectivamente.
• El entrenamiento previo auto-supervisado mejoró significativamente la precisión del detector, demostrando su eficacia con datos de ECG no anotados.

Conclusiones:

• El modelo de IA desarrollado detecta con precisión la aparición de QRS en ECGs acelerados, ofreciendo una herramienta confiable para aplicaciones clínicas.
• El rendimiento robusto del modelo en múltiples conjuntos de datos destaca su aplicabilidad práctica y generalización.
• El entrenamiento previo auto-supervisado es una estrategia viable para mejorar los algoritmos de análisis de ECG, permitiendo el uso de grandes conjuntos de datos no anotados.