Predicción de edad a partir de datos de ECG

Abstract

El electrocardiograma (ECG) es una herramienta esencial para el diagnóstico de enfermedades cardiovasculares. Es una opción recurrida por los profesionales sanitarios ya que es barata, rápida y eficaz. El aprendizaje automático es capaz de identificar patrones y características que no son detectadas en el análisis convencional. Por ello, en este Trabajo Fin de Grado se plantea la aplicación del aprendizaje automático, una tecnología que ha experimentado avances significativos en los últimos años. En este proyecto ha sido usado el aprendizaje automático para estimar la edad cardiaca del paciente a través del electrocardiograma que le ha sido realizado. Para lograr esta tarea se alimenta un modelo de aprendizaje automático con datos etiquetados provenientes de electrocardiogramas, a partir de los cuales es capaz de detectar patrones que asocia con la edad cardiaca. Conocer la edad estimada por el programa es útil para detectar la presencia de patologías cardiacas, ya que si la edad estimada es mucho mayor a la real se puede determinar que la persona presenta algún problema cardiaco y debe ser derivado a la consulta de un especialista para una evaluación en detalle. La discrepancia entre la edad estimada y la edad cronológica del paciente podría indicar la presencia de patologías cardiacas, lo que justifica su uso como una herramienta complementaria para identificar pacientes que podrían beneficiarse de una evaluación clínica especializada. Es también posible aplicar el aprendizaje automático para detectar patologías concretas, aunque este no es el objetivo del proyecto. Para resolver esta tarea se han empleado dos redes de aprendizaje profundo con diferentes arquitecturas: una red convolucional 2D que emplea las imágenes de los espectrogramas resultantes de las señales extraídas de los ECG como entradas y otra red convolucional 1D que emplea las señales crudas, las procesa y las pasa al modelo para estimar la edad cardiaca. El resultado de ambas redes es que la edad cronológica de un paciente se relaciona con la edad cardiaca predicha, por lo que ambos modelos sí son capaces de estimar la conocida como edad cardiaca. Al comparar ambas redes se concluye que el empleo de espectrogramas mejora la capacidad del modelo para aprender a detectar la información que contienen las señales. Investigaciones previas han resuelto este mismo problema. No obstante, las redes diseñadas en esos estudios ofrecían peores resultados cuando se entrenaban con la base de datos empleada en este mismo proyecto.

The electrocardiogram (ECG) is an essential tool for diagnosing cardiovascular diseases. It is a preferred option for healthcare professionals because it is inexpensive, fast, and effective. Machine learning can identify patterns and features that are not detected through conventional analysis. For this reason, this project proposes the application of machine learning, a technology that has undergone significant advancements in recent years. In this project, machine learning has been used to estimate the cardiac age of a patient through their electrocardiogram. To accomplish this task, a machine learning model is fed with labelled data from electrocardiograms, enabling it to detect patterns associated with cardiac age. Knowing the estimated age provided by the program is useful for detecting the presence of cardiac pathologies, as an estimated age significantly higher than the actual age can indicate that the person has a cardiac problem and should be referred to a specialist for a detailed evaluation. The discrepancy between the estimated age and the patient's chronological age could indicate the presence of cardiac pathologies, which justifies its use as a complementary tool to identify patients who might benefit from specialized clinical evaluation. It is also possible to apply machine learning to detect specific pathologies, although this is not the objective of this project. To address this task, two deep learning networks with different architectures were employed: a 2D convolutional network that uses spectrogram images derived from the signals extracted from ECGs as inputs, and a 1D convolutional network that processes raw signals and inputs them into the model to estimate cardiac age. The results from both networks indicate that the chronological age of a patient correlates with the predicted cardiac age, demonstrating that both models can estimate what is known as cardiac age. Comparing the two networks reveals that the use of spectrograms improves the model's ability to learn to detect the information contained in the signals. Previous research has addressed this same problem. However, the networks designed in those studies produced worse results when trained on the database used in this project.