Rare-Class Collapse in ECG-Based Ventricular Tachycardia and Fibrillation Detection: A Systematic Benchmark of Class-Imbalance Mitigation from Reweighting to Cascade Classification

Resumen Técnico: Colapso de la Clase Rara en la Detección de Taquicardia Ventricular y Fibrilación Basada en ECG

Declaración del Problema
La detección automatizada de arritmias letales, específicamente la Taquicardia Ventricular (TV) y la Fibrilación Ventricular (FV), se ve críticamente obstaculizada por un severo desequilibrio de clases en los conjuntos de datos clínicos de ECG. En estos entornos, los eventos letales suelen constituir menos del 22% de los segmentos. Este desequilibrio conduce a un modo de falla denominado "colapso de la clase rara", donde los clasificadores estándar logran una alta precisión general al predecir predominantemente la clase mayoritaria (ritmo normal), mientras omiten una proporción significativa de eventos potencialmente mortales. Las métricas de evaluación convencionales, como la exactitud (accuracy) y el Área Bajo la Curva ROC (AUROC), a menudo ocultan este fallo clínico porque están dominadas por el gran número de muestras negativas. El estudio postula que, sin una evaluación específica en un punto operativo clínico fijo y el uso de métricas centradas en la clase minoritaria, la seguridad de estos sistemas de detección no puede evaluarse de manera fiable.

Metodología
El estudio llevó a cabo un benchmark sistemático de seis enfoques distintos para el manejo del desequilibrio utilizando un conjunto de datos agrupado de 15,614 segmentos de ECG derivados de tres bases de datos de PhysioNet: VTaC, VFDB y CUDB. La cohorte final exhibió una relación normal-letal de aproximadamente 3.6:1.

• Preprocesamiento de Datos: Las señales fueron muestreadas a 250 Hz, filtradas mediante paso de banda (0.5–40 Hz), normalizadas y segmentadas en ventanas no superpuestas de 6 segundos (1,500 muestras).
• Extracción de Características: Se computó un conjunto de 22 características manuales (handcrafted) por segmento, que abarcan estadísticas en el dominio del tiempo (p. ej., amplitud media absoluta, tasa de cruce por cero) y propiedades en el dominio de la frecuencia (p. ej., entropía espectral, frecuencia dominante, relaciones de potencia de banda).
• Marco de Evaluación: Para asegurar la relevancia clínica, todos los modelos fueron evaluados en un punto operativo fijo de 95% de especificidad (5% de tasa de falsas alarmas). El rendimiento se midió mediante el Recall (exhaustividad), el Área Bajo la Curva de Precisión-Recall (AUPRC) y la Tasa de Eventos Letales Perdidos (MLER). Se empleó el análisis de la curva de decisión para estimar el beneficio clínico neto.
• Modelos Evaluados:
  1. Línea Base Naive: Regresión logística con regularización L2 sin ponderación de clases.
  2. Reponderación por Frecuencia Inversa: Regresión logística con pesos inversamente proporcionales a la frecuencia de la clase.
  3. Pérdida LDAM: Un Perceptrón Multicapa (MLP) entrenado con una pérdida de margen consciente de la distribución de etiquetas (LDAM) para imponer márgenes de decisión más amplios para la clase minoritaria.
  4. Entrenamiento Sensible al Costo: Un MLP entrenado con pérdida de entropía cruzada donde omitir un evento letal se penaliza 10 veces más que una falsa alarma.
  5. Cascada de Dos Etapas: Un Random Forest de cribado (alto recall, peso de la minoría 20) seguido de un Random Forest balanceado para filtrar las falsas alarmas.
  6. Detección de Anomalías: Un Isolation Forest entrenado exclusivamente en segmentos normales para detectar TV/FV como anomalías.

Resultados Clave

• Fallo de los Enfoques Naive: El modelo de regresión logística naive alcanzó una exactitud del 84.1% y una AUROC de 0.822, pero sufrió de colapso de la clase rara, detectando solo el 45.1% de los eventos letales (MLER = 0.549). Omitió 564 de los 1,027 eventos letales en el conjunto de prueba.
• Eficacia Limitada de la Reponderación Simple: La reponderación por frecuencia inversa produjo una mejora insignificante, aumentando el recall solo al 45.5% y omitiendo 560 eventos.
• Superioridad de las Modificaciones Estructurales y Objetivas: Los métodos que alteraron el objetivo de aprendizaje o la arquitectura del modelo superaron significativamente a la reponderación simple.
  • LDAM mejoró el recall al 58.9%.
  • El Entrenamiento Sensible al Costo logró un recall del 61.8% y la mayor AUROC (0.927).
  • La Cascada de Dos Etapas logró el mejor rendimiento general con un 61.8% de recall y un AUPRC de 0.821. Este enfoque redujo el número de eventos letales perdidos en un 37% (de 564 a 357) en comparación con la línea base naive, manteniendo un recuento de falsas alarmas similar.
• Disparidad de Rendimiento según la Fuente: Un hallazgo crítico fue la divergencia en el rendimiento entre los tipos de arritmia. El modelo de cascada logró una detección casi completa para la FV (el recall alcanzó hasta 0.975 en el conjunto de datos VFDB) pero funcionó deficientemente para la TV organizada (el recall fue de solo 0.183 en el conjunto de datos VTaC).
• Limitaciones del Espacio de Características: El análisis de la discriminación de características (d de Cohen) reveló que la característica más discriminante (entropía espectral) tenía un tamaño de efecto de solo 0.52. El estudio atribuye la pobre detección de la TV a la similitud espectral entre la TV organizada y el ritmo sinusal rápido, sugiriendo que el conjunto de características manuales impone un techo al rendimiento independientemente del algoritmo de clasificación.

Significancia y Reivindicaciones
El artículo sostiene que la elección de las métricas de evaluación dicta fundamentalmente la visibilidad del fallo de la clase rara. Al desplazar el enfoque de la exactitud hacia el recall en una especificidad fija y la tasa de eventos letales perdidos, el estudio demuestra que las técnicas estándar de reponderación son insuficientes para la detección de arritmias letales. La contribución principal es la identificación de una limitación del espacio de características en lugar de una limitación del diseño del modelo para la detección de la TV; la superposición espectral entre la TV y el ritmo sinusal rápido impide que las características manuales alcancen un alto recall.

Consecuentemente, los autores argumentan que, para el despliegue clínico, los sistemas de detección deben evaluarse basándose en el número de eventos perdidos en lugar de la corrección general. Concluyen que, si bien las cascadas de dos etapas ofrecen el mejor rendimiento actual entre los métodos probados, la mejora futura en la detección de la TV probablemente requiera ir más allá de las características manuales hacia modelos que aprendan directamente de las formas de onda de ECG (por ejemplo, enfoques de aprendizaje profundo). El estudio sirve como una prueba de concepto metodológica, resaltando que los sistemas actuales basados en características tienen un techo práctico para distinguir la TV organizada de los ritmos normales.