RT info:eu-repo/semantics/bachelorThesis
T1 Clasificación de enfermedades cardíacas a partir de los parámetros del modelo 3DFMMecg
A1 Fernández Santamónica, Adolfo
A2 Universidad de Valladolid. Facultad de Ciencias
K1 ECG
K1 Modelo FMM
K1 Aprendizaje automático
K1 Clasificación
K1 PTB-XL
AB El electrocardiograma (ECG) es probablemente el método de diagnóstico no invasivo más importantede la medicina. Numerosos estudios han tratado el problema de la clasificación de enfermedadescardíacas mediante el uso de técnicas de deep learning generalmente, llegando a obteneruna alta precisión en muchos casos. Sin embargo, la interpretación clínica que ofrecen es bastantelimitada y el coste computacional llega a ser desorbitado.Se propone un enfoque interpretable a través de la descomposición de los latidos del ECG en suscinco ondas primordiales (P, Q, R, S y T) mediante el novedoso modelo 3DFMMecg, formuladosimultáneamente para las 12 derivaciones del ECG. A partir de estadísticos construidos sobrelos parámetros de dicho modelo y de distintas covariables demográficas, se han entrenado distintosmodelos 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 228variables, 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 delmodelo 3DFMMecg que permiten hacer un diagnóstico automático interpretable y eficaz en tiemporeal, de forma que pueda ser útil como apoyo en la toma de decisiones de los profesionales sanitarios.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/63234
UL https://uvadoc.uva.es/handle/10324/63234
LA spa
NO Departamento de Estadística e Investigación Operativa
DS UVaDOC
RD 16-jul-2024