Sistema de detección de fibrilación auricular a partir de procesamiento de señales de ECG e inteligencia artificial
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: la fibrilación auricular es el tipo de arritmia más común a nivel mundial, y ha sido considerada como un problema de salud pública por sus niveles de prevalencia. Esta cardiopatía puede derivar en complicaciones de alto riesgo como accidentes cerebrovasculares o infartos, que no solo ponen la vida del paciente en riesgo, sino que aumentan considerablemente las cargas económicas para empresas contributivas del régimen de salud. Conjuntamente, la fibrilación auricular se asocia con comorbilidades comunes como la hipertensión o la diabetes. Actualmente la patología es diagnosticada a partir de registros de electrocardiografía, que son tomados por un tiempo limitado, por lo que el evento podría no quedar consignado. En este trabajo se propone un sistema de detección de fibrilación auricular basado en inteligencia artificial, con el fin de abordar el problema desde una aproximación preventiva y así disminuir la ocurrencia de eventos adversos. En primer lugar, se realizó un preprocesamiento de señales de electrocardiografía y extracción de 23 características basadas en variabilidad cardíaca. La calidad de las señales fue evaluada antes y después del preprocesamiento. Posteriormente se hizo el procesamiento y análisis de los datos extraídos para entrenar modelos de aprendizaje de máquinas como SVM, Regresión Logística, RF, entre otros, ajustando sus hiperparámetros. Los modelos fueron evaluados y validados externamente con otro conjunto de señales mediante métricas como sensibilidad, precisión y exactitud; obteniendo para los cinco mejores modelos una exactitud superior al 92 %. Se eligió uno de los modelos con mejor desempeño y se evaluó el poder predictivo de cada característica en la clasificación que otorgaba el modelo, además, se redujo su dimensionalidad a solo 5 características. Este modelo fue evaluado nuevamente para determinar el efecto de reducir la dimensionalidad. Finalmente, fue embebido en un microcontrolador y probado con un simulador de pacientes, demostrando que es posible implementar el algoritmo de inteligencia artificial en un dispositivo con capacidad computacional limitada.
Resumen en inglés
ABSTRACT: Atrial fibrillation (AF) is the most common type of arrhythmia worldwide. Due to its prevalence rates, it has been considered a public health problem. AF can lead to high-risk complications, such as strokes or heart attacks, which endanger the patient's life. Additionally, people with comorbidities such as hypertension or diabetes frequently suffer from AF. Currently, the pathology is diagnosed using limited-duration electrocardiography records, which may not capture the arrhythmic event. In this work we propose an artificial intelligence-based AF detection system that could help prevent further complications. Initially, electrocardiography signals were pre-processed and 23 features based on heart rate variability were extracted. Signal quality was evaluated before and after pre-processing. Subsequently, the extracted data was processed, analyzed, and used to train Machine Learning models such as SVM, Logistic Regression, RF, among others, adjusting their hyperparameters. The models were evaluated and externally validated with another set of signals using metrics such as recall, precision, and accuracy. The top five models achieved an accuracy of over 92%. One of the best performance models was selected, and the predictive power of each feature in the model's classification was evaluated. Furthermore, the dimensionality was reduced to only five features. This model was re-evaluated to determine the effect of reducing dimensionality. Finally, it was embedded in a microcontroller and tested with a patient simulator, demonstrating the possibility of implementing an Artificial Intelligence algorithm in a device with limited computational capacity.