Aplicación de Redes Neuronales de Grafos en Datos de ECG: Una Revisión Sistemática de la Literatura

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Procesamiento de Señales

Sus antecedentes:

• El Aprendizaje Profundo Geométrico (GDL) ofrece métodos novedosos para analizar datos estructurados.
• La representación de datos de electrocardiograma (ECG), especialmente multiderivación, presenta desafíos debido a las relaciones espaciales no euclidianas.
• Las Redes Neuronales de Grafos (GNNs), exitosas en el análisis de electroencefalogramas (EEG), se aplican cada vez más a los ECG.

Objetivo del estudio:

• Revisar sistemáticamente los enfoques de Aprendizaje Profundo Geométrico para el análisis de datos de ECG.
• Comparar los métodos existentes e identificar lagunas de investigación y direcciones futuras.
• Centrarse en los métodos basados en GNN debido a su prevalencia en la literatura.

Principales métodos:

• Revisión sistemática de la literatura de aplicaciones de Aprendizaje Profundo Geométrico en ECG.
• Análisis centrado en metodologías de Redes Neuronales de Grafos para el procesamiento de señales de ECG.
• Categorización de enfoques basada en el uso de derivaciones de ECG, aplicación y arquitectura de red.

Principales resultados:

• Las Redes Neuronales de Grafos son el enfoque predominante de GDL para el análisis de ECG.
• Diversidad limitada en aplicaciones para ECG de 12 derivaciones, centrándose principalmente en el reconocimiento de arritmias.
• Los enfoques existentes de una o dos derivaciones muestran un alto rendimiento, cuestionando el valor añadido del modelado espacial multiderivación complejo para este caso de uso específico.
• Falta de consenso sobre la topología óptima, conjuntos de características y arquitecturas de red para GDL en ECG.

Conclusiones:

• La investigación futura debe explorar una gama más amplia de aplicaciones para modelos GDL de ECG de 12 derivaciones.
• Se necesita una mayor investigación para determinar los beneficios del modelado espacial multiderivación para la detección de arritmias.
• El trabajo futuro propuesto incluye investigación aplicada para la explicabilidad e investigación fundamental para obtener información teórica e integración fisiológica.