Análisis temporal multiventana para la mejora de la clasificación de arritmias: aprovechamiento de las dependencias a...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Ingeniería Biomédica

Sus antecedentes:

• El análisis de electrocardiogramas (ECG) para la clasificación de arritmias se enfrenta a desafíos con altas tasas de falsos positivos y una pobre generalización entre conjuntos de datos.
• Los modelos convencionales de aprendizaje profundo a menudo analizan segmentos de ECG cortos y aislados (30 segundos), perdiendo características diagnósticas de arritmias como la fibrilación auricular (FA) que se manifiestan durante períodos más largos.

Objetivo del estudio:

• Introducir S4ECG, una novedosa arquitectura de aprendizaje profundo que utiliza modelos de espacio de estados estructurados (S4), diseñada para capturar dependencias temporales a largo plazo en datos de ECG.
• Evaluar la eficacia del análisis de múltiples ventanas consecutivas de ECG (hasta 20 minutos) para mejorar la clasificación de arritmias multiclase y la generalización entre conjuntos de datos.

Principales métodos:

• Desarrollamos S4ECG, una arquitectura de aprendizaje profundo basada en modelos de espacio de estados estructurados (S4).
• Analizamos conjuntamente múltiples ventanas consecutivas de ECG, extendiendo la duración del análisis hasta 20 minutos.
• Evaluamos S4ECG en cuatro bases de datos públicas de ECG para la clasificación de arritmias multiclase, incluidas evaluaciones sistemáticas entre bases de datos para la robustez.

Principales resultados:

• El análisis multiventana superó consistentemente a los métodos de ventana única, aumentando el área bajo la curva característica operativa del receptor (AUROC) en un 1,0-11,6 %.
• Para la detección de FA, la especificidad mejoró de 0,718-0,979 a 0,967-0,998 a una sensibilidad fija, reduciendo los falsos positivos de 3 a 10 veces.
• La arquitectura S4 demostró un rendimiento superior en comparación con los modelos de referencia de redes neuronales convolucionales.

Conclusiones:

• La arquitectura S4 y el análisis multiventana mejoran significativamente la precisión de la clasificación de arritmias y la generalización entre bases de datos.
• Se identificaron ventanas diagnósticas óptimas de 10 a 20 minutos, lo que sugiere que estas reflejan las escalas de tiempo fisiológicas subyacentes de la dinámica arritmogénica.
• Los hallazgos ofrecen orientación práctica para el diseño de sistemas de monitorización de ECG, mejorando la detección de arritmias como la FA.