Leveraging the wearable 1-lead ECG signal: From cardiac rhythm to cardiac function assessment

Resumen Técnico: Aprovechamiento de ECG de 1 derivación portátiles para la evaluación de la función cardíaca

Planteamiento del problema
Las enfermedades cardiovasculares siguen siendo la principal causa de mortalidad mundial, lo que requiere herramientas de diagnóstico accesibles. Si bien el electrocardiograma (ECG) de 12 derivaciones es el estándar de oro clínico para evaluar la actividad eléctrica cardíaca y las anomalías estructurales, su utilidad se ve restringida a entornos clínicos debido a los requisitos de equipo y personal. Por el contrario, los ECG portátiles de 1 derivación (por ejemplo, relojes inteligentes) ofrecen portabilidad y permiten la monitorización remota, pero históricamente se han optimizado principalmente para el análisis del ritmo (como la detección de la fibrilación auricular) en lugar de la evaluación estructural o funcional. Aunque estudios recientes sugieren que los ECG de 1 derivación pueden detectar la disfunción ventricular izquierda (DVI), existe una falta de comparaciones directas, cara a cara, entre los ECG de 1 derivación basados en la muñeca y los ECG estándar de 12 derivaciones adquiridos de los mismos pacientes, particularmente dentro de la población post-infarto de miocardio (IM). Además, la aplicación de la IA explicable para interpretar cómo las señales de una sola derivación se correlacionan con la función ventricular izquierda (FVL) en este grupo de cohortes específico sigue sin explorarse suficientemente.

Metodología
El estudio utilizó una cohorte emparejada de pacientes tratados por síndrome coronario agudo en el Centro Médico Universitario de Leiden (2018–2023). El conjunto de datos comprendió:

• ECG de 1 derivación: 63.950 señales brutas de 30 segundos registradas en el hogar utilizando relojes inteligentes ECG Withings (300 Hz) de 708 pacientes.
• ECG de 12 derivaciones: 77.005 señales brutas de 10 segundos registradas en el hospital (500 Hz) de 6.703 pacientes.

Preprocesamiento y etiquetado de datos:
Las señales se segmentaron en latidos individuales (intervalos de 800 ms centrados en el pico R). La detección del pico R utilizó una red neuronal convolucional (CNN) basada en U-Net. Para abordar los problemas de calidad de los datos inherentes a las grabaciones en el hogar (por ejemplo, errores de orientación del dispositivo, estados de no reposo), se aplicó un filtro basado en la autocorrelación para excluir las señales de 1 derivación de baja calidad. Las etiquetas de FVL se derivaron de informes de ecocardiografía obtenidos dentro de los siete días posteriores al registro del ECG, clasificados en cuatro categorías ordinales (normal, deterioro leve, moderado, severo) utilizando un modelo de lenguaje de gran tamaño (LLM).

Arquitectura del modelo:
El estudio empleó un autoencoder variacional (VAE) beta parcial con siete bloques convolucionales recurrentes tanto en el codificador como en el decodificador. La arquitectura fue diseñada para separar las representaciones latentes en un componente de señal no lineal ($z_{nls}$) y un componente de señal lineal ($z_{ls}$) vinculado directamente a la predicción de la FVL. Se entrenaron y evaluaron cuatro configuraciones de modelos distintas:

1. Modelo de 12 derivaciones: Entrenado con ECG completos de 12 derivaciones.
2. Modelo de Derivación I: Entrenado con la Derivación I extraída de los ECG de 12 derivaciones.
3. Modelo de 1 derivación preentrenado: Preentrenado con la Derivación I de los ECG de 12 derivaciones, y luego ajustado con los ECG de 1 derivación portátiles.
4. Modelo de 1 derivación: Entrenado exclusivamente con los ECG de 1 derivación portátiles.

Para las entradas de 1 derivación, el canal único se duplicó a lo largo de la dimensión de la derivación para coincidir con la forma de entrada esperada ($12 \times 400$).

Interpretabilidad:
Para garantizar la transparencia, el estudio utilizó la manipulación de atributos. Al manipular el vector latente $z_{ls}$ para representar estados hipotéticos de FVL (desde el deterioro severo hasta la normalidad), el modelo reconstruyó formas de onda de ECG hipotéticas. Esto permitió la visualización de cambios morfológicos específicos (por ejemplo, amplitud del pico R, área de la onda T) asociados con diferentes niveles de deterioro de la FVL.

Resultados clave

• Desempeño predictivo: El modelo completo de 12 derivaciones alcanzó el mayor desempeño (AUC = 0,897). El modelo de 1 derivación portátil alcanzó un AUC de 0,863, mientras que el modelo de 1 derivación preentrenado alcanzó un AUC de 0,883. Estos resultados indican que los ECG de 1 derivación pueden predecir la FVL con una precisión casi comparable a la de los ECG de 12 derivaciones.
• Compensaciones de Sensibilidad/Especificidad: Con una sensibilidad de 0,90, las especificidades fueron de 0,64 para el modelo de 12 derivaciones, 0,71 para el modelo de 1 derivación preentrenado y 0,65 para el modelo estándar de 1 derivación.
• Beneficios de la agregación: Las predicciones a nivel de latido se agregaron mediante el promedio dentro de cada señal. Esta agregación temporal mejoró significamente el desempeño de los modelos de 1 derivación, lo que sugiere que la cancelación de ruido y la disponibilidad de más latidos en grabaciones más largas de 30 segundos compensan la reducción de la resolución espacial.
• Consistencia: Todos los modelos demostraron puntuaciones de consistencia de latido elevadas (HBC > 0,95 para la mayoría), lo que indica una estabilidad intra-registro robusta.
• Hallazgos de interpretabilidad: La manipulación de atributos reveló que el modelo de 12 derivaciones aprovechó un conjunto diverso de características a través de múltiples derivaciones (por ejemplo, picos R con muescas en derivaciones específicas). En contraste, los modelos de 1 derivación dependieron de características que se asemejan a la Derivación I (por ejemplo, amplitud del pico R, morfología de la onda T), confirmando que, si bien los modelos de una sola derivación capturan anomalías globales, carecen de la diversidad espacial de los sistemas de múltiples derivaciones.

Significancia y Reivindicaciones
El artículo sostiene que los ECG portátiles de 1 derivación, cuando se combinan con el aprendizaje profundo explicable, poseen la capacidad de ir más allá del análisis del ritmo para evaluar la función cardíaca estructural, específicamente la función ventricular izquierda en pacientes post-IM. El estudio demuestra que:

1. Viabilidad Clínica: Los ECG de 1 derivación pueden proporcionar información clínicamente significativa sobre la FVL, logrando un desempeño comparable al de los ECG de 12 derivaciones, particularmente cuando las predicciones se agregan en el tiempo.
2. La Explicabilidad como Facilitador: El uso de IA explicable (manipulación de atributos) proporciona una visión transparente del razonamiento del modelo, resaltando componentes específicos de la forma de onda (como la morfología de la onda T) que impulsan las predicciones. Esta transparencia es crucial para escalar estas herramientas a entornos con recursos limitados o cuidados basados en el hogar donde la experiencia cardiológica puede no estar disponible.
3. Aplicación Estratégica: Aunque los ECG de 1 derivación no pretenden reemplazar a los de 12 derivaciones, sirven como una herramienta práctica y escalable para el cribado y la monitorización longitudinal, actuando potencialmente como un sistema de alerta temprana para señalar pacientes que requieren revisión.

Los autores mantienen una postura modesta, reconociendo que los modelos de 1 derivación presentan una brecha de desempeño respecto a los de 12 derivaciones y que su efectividad puede variar según la ubicación del infarto de miocardio (por ejemplo, anomalías globales frente a regionales). Enfatizan que se requiere trabajo futuro para validar estos hallazgos en subtipos clínicos más amplios y para refinar el control de calidad de los datos en las adquisiciones basadas en el hogar.