Sistema inteligente de interpretación de datos Electrocardiográficos, basado en técnicas de aprendizaje automático para la detección de arritmias cardiacas

Abstract

Heart Analytics es un proyecto de investigación basado en el diseño de una herramienta de apoyo al diagnóstico electrocardiográfico, su importancia se fundamenta en el entender como una de las mayores causas de muerte por arritmias cardiacas van en aumento de acuerdo con la incidencia como factor al envejecimiento. En 2012, la Organización Mundial de la Salud (OMS) registró 17,5 millones de muertes por ECV, que representan el 31 % de todas las muertes registradas a nivel global, así mismo el tiempo de atención y el costo son altos. La búsqueda por diagnosticar enfermedades de manera oportuna ha impulsado el diseño de soluciones tecnológicas que buscan optimizar el trabajo de especialistas y médicos generales, muchas de estas soluciones requieren de aprendizaje previo y profundo. Se adelantó un diseño de sistema inteligente que permite el análisis de datos procesados de electrocardiogramas que aprovecha técnicas y métodos de machine learning para la identificación de detección de arritmias cardiacas. Su construcción se basa en la utilización de arquitecturas en Python con la ayuda de componentes y librerías como, MNE, pytorch que permiten la extracción y representación de los datos que se procesan usando algoritmos de búsqueda a nivel profundo, de forma que se logre obtener variables que permitan la medición y comparación de los diagnósticos que generalmente un especialista en el área puede determinar para detectar una falla cardiaca. Así determinar el comportamiento de las arritmias cardiacas por medio del diseño de un sistema inteligente, que, consumiendo bases de datos especializadas de lecturas de ECG, se obtenga un resultado que le permita al sistema tener aprendizaje automático. Este permite como objetivo brindar una herramienta de apoyo a médicos generales y/o especialistas en el área, de la misma forma brindar un mejor servicio en reducción de tiempos de espera. Los casos y muestras para el patente y procedimientos preexperimentales provienen de pacientes que tienen patologías cardiacas de arritmias de bases de datos (MIT BIH) “Malignant Ventricular Arrhytmia Data base” de la universidad de Massachussets o PhysioNet se usaran datos de estudio con derivaciones entre los 9 y 50 milisegundos. Se tomarán aproximadamente 460 registros de lecturas de ECG de tipo Holter. Se realizan mediciones de datos que contiene un electrocardiograma como lo es intervalos vectoriales QRS, T, R, Q, O, que se obtienen de las reacciones ventriculares del corazón. En la investigación el principal resultado es obtener el diseño de algoritmos de niveles profundos, con el apoyo de técnicas de machine learning, por medio de librerías como Pytorch y redes neuronales, se consume una base de datos con 280 parámetros del ECG, buscando en cada iteración reducir el margen de error, obteniendo un valor de precisión de detección de la patología cardiaca. Con este método se busca generar resultados en un 85% de detección de arritmias cardiacas, oscilando en un rango entre el 70 y 90%, según el tipo de patología cardiaca y en función de los factores externos.