Year: 2025
Type: dissertation
Abstract: Las enfermedades cardiovasculares son la principal causa de muerte a nivel mundial, siendo las arritmias cardíacas una de las condiciones más frecuentes y difíciles de diagnosticar. El diagnóstico se basa tradicionalmente en electrocardiogramas (ECG) de 12 derivaciones, los cuales generan grandes volúmenes de datos que requieren interpretación experta y pueden saturar al personal clínico en entornos de alta demanda. Este estudio propone una red neuronal multimodal para la detección de arritmias a partir de ECG de 12 derivaciones, incorporando interpretabilidad para identificar las derivaciones más influyentes. El modelo se entrenó inicialmente con datos de los desafíos PhysioNet/Computing in Cardiology 2020 y 2021, utilizando una red neuronal convolucional basada exclusivamente en la señal del ECG, y se analizó mediante Shapley Additive Explanations para jerarquizar la importancia de las derivaciones. Posteriormente, se reentrenó y evaluó empleando configuraciones de 6, 4 y 2 derivaciones, tanto en modelos basados únicamente en la señal del ECG como en configuraciones multimodales que combinan el ECG con características demográficas y temporales. Los resultados muestran que los modelos de 4 y 6 derivaciones alcanzaron puntajes F1 comparables o superiores a la línea base de 12 derivaciones, mientras que el modelo de 2 derivaciones mantuvo un rendimiento estable. La métrica oficial del PhysioNet/Computing in Cardiology Challenge alcanzó un valor máximo de 0.9074. El enfoque multimodal no produjo mejoras significativas, lo que resalta la contribución limitada de las características adicionales. Estos hallazgos demuestran la viabilidad de los modelos con derivaciones reducidas como alternativas eficientes y accesibles para la clasificación de arritmias.
Institution: Universidad Industrial de Santander
Language: English
Topic: ECG Monitoring and Analysis
Subfield: Cardiology and Cardiovascular Medicine
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W7133461045
