Diagnóstico de la Fibrilación Auricular mediante el análisis inteligente de registros intracardiacos

Abstract

Las enfermedades cardíacas se encuentran entre las principales causas de muerte a nivel mundial. La Fibrilación Auricular es el trastorno cardiovascular más común y su diagnóstico no es sencillo: habitualmente su tratamiento conlleva el uso de marcapasos para regular el ritmo cardiaco y no existe un procedimiento estándar para diagnosticar el estado de la enfermedad más allá de la revisión de los datos capturados por estos dispositivos por parte de los especialistas.

La Inteligencia Artificial está muy presente en nuestra sociedad y está irrumpiendo en campos diversos, incluyendo el diagnóstico de enfermedades. Sin embargo, su presencia en el diagnóstico de trastornos cardíacos es limitada, mientras que el uso de algoritmos eficientes puede apoyar en gran medida a la interpretación de los datos de los pacientes. Este proyecto tiene como objetivo ofrecer una herramienta de apoyo a los especialistas médicos para el diagnóstico de la Fibrilación Auricular a partir de los datos intracardíacos capturados por marcapasos de individuos que padecen la enfermedad. Especialmente, se incide en la predicción de la característica más crítica de la Fibrilación Auricular, el punto de cambio entre arritmias paroxísticas y permanentes, con el objetivo de anticiparse prematuramente a una posible complicación en la situación del paciente.

Se explora el uso de un tipo de red neuronal conocida como Autoencoder Variacional (VAE). Estas redes tienen como objetivo aprender una representación simplificada de los datos de entrada, reduciéndolos a unas menores dimensiones, para después reconstruirlos nuevamente a la dimensión original. Se aprovecha esta capacidad de compresión de datos para crear a partir de arritmias ya diagnosticadas, que reflejan diferentes etapas de la Fibrilación Auricular, un mapa gráfico bidimensional. Con esto se consigue una herramienta que cuando analice datos de pacientes, es decir, sus registros cardíacos, aprenderá a situar su representación comprimida en la zona del mapa que mejor se adecúe a sus características, ofreciendo así una forma sencilla de diagnosticar el estado de la enfermedad del individuo en función de su cercanía a arritmias cuyo diagnóstico es conocido.