Avanzando en la Detección de Fibrilación Auricular con Aprendizaje Automático

La Fibrilación Auricular (AFib) es una condición cardíaca común donde el corazón late de manera irregular. Esto puede llevar a problemas graves como accidentes cerebrovasculares y falla cardíaca. La gente con AFib puede sentir su corazón acelerado, experimentar palpitaciones o tener presión baja. Las características principales de AFib son la ausencia de patrones específicos en los latidos y señales eléctricas erráticas en las cámaras superiores del corazón. Esta irregularidad ocurre debido a una actividad eléctrica anormal.

Las señales eléctricas del corazón se registran en un electrocardiograma (ECG), y los doctores buscan dos signos principales para detectar AFib: la ausencia de ondas P (parte del ritmo cardíaco normal) y un patrón de latido errático conocido como "Irregular Irregularity". La onda P es mucho más pequeña que la onda R, que es el pico de la lectura del ECG. En nuestro estudio, decidimos enfocarnos en los Intervalos RR, que son las longitudes entre los latidos, ya que las ondas P a veces pueden pasarse por alto debido al ruido en las grabaciones.

#Los conjuntos de datos: MIT-BIH y el desafío 2017

Se utilizaron dos conjuntos de datos clave para el estudio: la base de datos MIT-BIH de fibrilación auricular y la base de datos del desafío 2017. La base de datos MIT-BIH incluye más de 230 horas de grabaciones de ECG de pacientes diagnosticados con AFib, ofreciendo una fuente detallada para entender los patrones de AFib. Por otro lado, el conjunto de datos del desafío 2017 consiste en grabaciones más cortas de dispositivos portátiles, que simulan mejor cómo funcionan los monitores de frecuencia cardíaca de consumo, pero presenta sus propios desafíos en la clasificación precisa de eventos AFib.

Los datos del MIT-BIH son generalmente más limpios y largos, lo que los hace útiles para entrenar modelos. Sin embargo, los datos del desafío 2017 reflejan más el rendimiento en el mundo real de los dispositivos, ya que se recopilaron a partir de dispositivos de monitoreo portátiles.

#El desafío de la detección de fibrilación auricular

Detectar AFib puede ser complicado debido a su naturaleza errática. Muchas veces, las personas ni siquiera saben que lo tienen hasta que experimentan problemas graves de salud. Dado que AFib aumenta el riesgo de accidentes cerebrovasculares en un 20% para adultos mayores de 45, la detección temprana es crucial. Nuestro objetivo era crear un modelo de detección simple y en tiempo real usando dispositivos comunes como relojes inteligentes y rastreadores de fitness.

Estos dispositivos de consumo a menudo utilizan Fotopletismogramas (PPGs), que rastrean cambios en el flujo sanguíneo en lugar de usar ECGS. Sin embargo, para desarrollar nuestro modelo, nos basamos en los datos de ECG más confiables para identificar patrones relacionados con AFib.

#Filtrando y limpiando los datos

Comenzamos revisando trabajos previos sobre la clasificación de AFib y luego procedimos a extraer y limpiar los datos de ambos conjuntos de datos. Para el conjunto de datos del desafío 2017, nos enfrentamos a una cantidad significativa de ruido debido a que se grabó usando dispositivos portátiles, lo que llevó a problemas en la detección precisa de los latidos.

Para hacer los datos utilizables, aplicamos varias técnicas de procesamiento de señales. Usamos filtros para eliminar el ruido y establecimos umbrales para identificar y eliminar valores atípicos, asegurando que los datos estuvieran lo más limpios posible para el análisis.

Una vez que abordamos el ruido y eliminamos los valores atípicos, nos enfocamos en estudiar los intervalos RR. Clasificamos cada intervalo RR como corto, normal o largo según criterios definidos. Esta clasificación fue esencial para desarrollar matrices de transición que nos ayudaron a analizar cómo cambiaban los patrones de latido con el tiempo.

#Explorando patrones del ritmo cardíaco

Al examinar los intervalos RR de los conjuntos de datos limpios, comenzamos a ver patrones. Se volvió evidente que los ritmos de AFib mostraban un patrón de transición único en comparación con los ritmos normales. Los datos mostraron que, durante episodios de AFib, el corazón podría alternar con más frecuencia entre intervalos cortos y normales en comparación con los patrones regulares del ritmo cardíaco.

El análisis de las matrices de transición ilustró cómo estos intervalos variaban entre diferentes sujetos. Era importante notar que las personas con alta variabilidad en sus intervalos RR a menudo experimentaban más episodios de AFib.

#Construyendo el modelo

Con nuestros datos refinados, nos propusimos encontrar el mejor modelo para predecir AFib. Se probaron varios modelos de Aprendizaje automático, incluyendo regresión logística, máquinas de soporte vectorial (SVM) y bosques aleatorios. El modelo SVM, particularmente con un núcleo radial, fue el que mejor funcionó, especialmente en cuanto a sensibilidad, un factor crítico al detectar una condición grave como AFib.

Al entrenar nuestros modelos en el conjunto de datos más confiable de MIT-BIH y luego probarlos en el conjunto de datos del desafío 2017, pudimos evaluar qué tan bien el modelo podía generalizar a nuevos datos. Descubrimos que el modelo SVM distinguía efectivamente entre ritmos de AFib y no AFib, pero el rendimiento bajó cuando incluimos múltiples tipos de clasificación del conjunto de datos del desafío 2017.

#Perspectivas de los resultados

Los resultados indicaron que las proporciones de transición de los intervalos RR podían predecir efectivamente AFib, aunque surgieron desafíos al aplicar estos conocimientos a conjuntos de datos variados. Cuando el modelo se entrenó solo para detectar AFib versus no AFib, obtuvimos resultados mucho mejores, lo que sugiere que las características basadas en intervalos RR eran de hecho prometedoras para clasificar AFib.

Nuestro análisis exploratorio mostró que los datos del MIT-BIH permitieron una clara separación entre AFib y ritmos cardíacos normales. Sin embargo, al cambiar a los datos del desafío 2017, esta separación fue menos distinta, lo que indica que la complejidad de la clasificación del ritmo cardíaco aumenta en entornos menos controlados.

#Direcciones futuras

Basándonos en nuestros hallazgos, hay una clara necesidad de seguir trabajando en aplicaciones en tiempo real, especialmente con datos de PPG, para crear un modelo de detección de AFib confiable. Nuestra investigación destacó la efectividad de las características de intervalo RR para la clasificación de AFib, pero también indicó limitaciones al clasificar todos los ritmos cardíacos.

De cara al futuro, los próximos pasos implican estudiar cómo aplicar nuestros hallazgos a datos de PPG y desarrollar modelos que puedan manejar ruido y variabilidad. El objetivo es crear un modelo efectivo en tiempo real para monitorear la salud del corazón y potencialmente salvar vidas al detectar AFib a tiempo.

Al mejorar los métodos de detección y asegurar un monitoreo preciso utilizando dispositivos cotidianos, podemos contribuir a mejores resultados de salud para aquellos en riesgo de desarrollar fibrilación auricular.