Detección en tiempo real de enfermedades cardiovasculares basada en ECG mediante enfoques de aprendizaje automático...

Área de la Ciencia:

• Cardiología e Informática Médica
• Aprendizaje Automático en Atención Médica
• Procesamiento de Señales para Aplicaciones Biomédicas

Sus antecedentes:

• Las enfermedades cardiovasculares (ECV) siguen siendo la principal causa de mortalidad a nivel mundial.
• Existe una necesidad crítica de sistemas de diagnóstico fiables y precisos para las ECV.
• Los conjuntos de datos de electrocardiogramas (ECG) existentes pueden carecer de estandarización o diversidad suficiente para aplicaciones robustas de aprendizaje automático.

Objetivo del estudio:

• Crear un conjunto de datos estandarizado a gran escala de ECG de 12 derivaciones para clasificar seis enfermedades cardiovasculares importantes.
• Evaluar la eficacia de varios modelos de aprendizaje automático y aprendizaje profundo para la detección de ECV.
• Investigar técnicas de selección y extracción de características, incluido el impacto del abordaje del desequilibrio de clases utilizando SMOTE.

Principales métodos:

• Se recopilaron y preprocesaron 34.580 grabaciones de ECG de 12 derivaciones de un entorno clínico.
• Se extrajeron 14 características clínicamente informativas y se aplicó la Técnica Sintética de Sobremuestreo de Minorías (SMOTE) para equilibrar el conjunto de datos.
• Se entrenaron y probaron diez modelos de aprendizaje automático y aprendizaje profundo (por ejemplo, Random Forest, DNN, MLP, RNN) y se emplearon SHAP/LIME para la interpretabilidad.

Principales resultados:

• En el conjunto de datos sin procesar, Random Forest y Gradient Boosting lograron un rendimiento casi perfecto (99,88 % de precisión, precisión, recuperación, F1-score).
• Después de SMOTE, los modelos de aprendizaje profundo mostraron mejoras significativas: DNN (97,62 % de precisión) y MLP (98,49 % de F1-score), lo que demuestra una generalización mejorada.
• El conjunto de datos equilibrado y la aplicación de SMOTE demostraron ser eficaces para mejorar la estabilidad y el rendimiento del modelo, especialmente para redes profundas.

Conclusiones:

• El conjunto de datos de ECG estandarizado y los modelos de aprendizaje automático desarrollados proporcionan una herramienta altamente precisa e interpretable para la clasificación de ECV en tiempo real.
• SMOTE es una técnica crucial para mitigar el desequilibrio de clases, lo que aumenta significativamente el rendimiento de los modelos de aprendizaje profundo en el diagnóstico cardiovascular.
• Los hallazgos respaldan la utilidad clínica del sistema propuesto para el soporte de decisiones en el diagnóstico de enfermedades cardiovasculares.