Clasificación de enfermedades cardíacas a partir de los parámetros del modelo 3DFMMecg

Abstract

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.