Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/63234
Título
Clasificación de enfermedades cardíacas a partir de los parámetros del modelo 3DFMMecg
Director o Tutor
Año del Documento
2023
Titulación
Grado en Estadística
Resumen
El electrocardiograma (ECG) es probablemente el método de diagnóstico no invasivo más importante
de la medicina. Numerosos estudios han tratado el problema de la clasificación de enfermedades
cardíacas mediante el uso de técnicas de deep learning generalmente, llegando a obtener
una alta precisión en muchos casos. Sin embargo, la interpretación clínica que ofrecen es bastante
limitada y el coste computacional llega a ser desorbitado.
Se propone un enfoque interpretable a través de la descomposición de los latidos del ECG en sus
cinco ondas primordiales (P, Q, R, S y T) mediante el novedoso modelo 3DFMMecg, formulado
simultáneamente para las 12 derivaciones del ECG. A partir de estadísticos construidos sobre
los parámetros de dicho modelo y de distintas covariables demográficas, se han entrenado distintos
modelos de machine learning y se ha llevado a cabo un análisis sobre la base de datos PTB-XL.
Se han obtenido resultados muy competitivos, de hasta 0,933 de macro AUC con tan solo 228
variables, algunas de las cuales han demostrado tener una gran nivel discriminante entre las clases.
En este trabajo, se han desarrollado diversos modelos construidos en base a los parámetros del
modelo 3DFMMecg que permiten hacer un diagnóstico automático interpretable y eficaz en tiempo
real, de forma que pueda ser útil como apoyo en la toma de decisiones de los profesionales sanitarios. The electrocardiogram (ECG) is probably the most important noninvasive diagnostic method in
medicine. Numerous studies have addressed the problem of classifying cardiac diseases by using
deep laerning techniques in general, achieving high accuracy in many cases. However, the clinical
interpretation they offer is quite limited and the computational cost becomes exorbitant.
An interpretable approach is proposed through the decomposition of ECG beats into their five
primordial waves (P, Q, R, S and T) by means of the novel 3DFMMecg model, formulated simultaneously
for all 12 ECG leads. Based on statistics constructed on the parameters of this model and
different demographic covariates, different machine learning models were trained and an analysis
was performed on the PTB-XL database.
Very competitive results of up to 0.933 macro AUC have been obtained with only 228 variables,
some of which have been shown to have a high discriminant level between classes.
In this work, several models built on the basis of the parameters of the 3DFMMecg model have
been developed to provide an interpretable and efficient automatic diagnosis in real time, so that
it can be useful as a decision support for health professionals.
Palabras Clave
ECG
Modelo FMM
Aprendizaje automático
Clasificación
PTB-XL
Departamento
Departamento de Estadística e Investigación Operativa
Idioma
spa
Derechos
openAccess
Aparece en las colecciones
- Trabajos Fin de Grado UVa [30756]
Ficheros en el ítem
