Resumen Técnico: Utilización de Aprendizaje Automático para Clasificar el Tipo de Latido en Atletas a partir de Datos de Electrocardiograma

Declaración del Problema

Los eventos cardíacos súbitos en atletas, aunque son poco frecuentes, conllevan consecuencias graves, lo que requiere métodos de detección precisos y escalables. El análisis de electrocardiogramas (ECG) es el estándar para la evaluación cardíaca; sin embargo, su implementación generalizada en el cribado atlético se ve obstaculizada por la carga de trabajo clínica y la dificultad de distinguir las arritmias clínicamente significativas de las variaciones normales. Los modelos de aprendizaje profundo existentes para el análisis de ECG suelen enfrentar limitaciones en la generalización entre pacientes y en la interpretabilidad, y frecuentemente no logran capturar las adaptaciones fisiológicas específicas del deporte. Además, los conjuntos de datos estándar carecen a menudo de la granularidad necesaria para mapear anotaciones clínicas complejas a marcos de evaluación estandarizados. Este estudio aborda la necesidad de un marco de aprendizaje automático automatizado e interpretable capaz de identificar con precisión arritmias raras pero clínicamente significativas —específicamente latidos ectópicos supraventriculares (SVEB) y latidos ectópicos ventriculares (VEB)— para apoyar el cribado cardíaco en poblaciones atléticas.

Metodología

Fuente de Datos y Preprocesamiento

El estudio utilizó la Base de Datos de Arritmia de ECG de PhysioNet, un repositorio a gran escala que contiene 45,152 grabaciones de ECG de pacientes. Cada grabación es una señal de 12 derivaciones y 10 segundos muestreada a 500 Hz.

• Selección de Derivaciones: Se extrajeron tres derivaciones clínicamente informativas (I, II y V1) para equilibrar la información diagnóstica con la eficiencia del cribado.
• Preprocesamiento: Las señales se remuestrearon a 256 Hz. Los pasos de preprocesamiento incluyeron la eliminación de la deriva de la línea base (filtro Butterworth de paso alto de segundo orden, con un corte de 0.5 Hz), la eliminación de la tendencia lineal (detrending), la normalización z-score y el recorte de amplitud a ±8.0 mV. Los registros con segmentos de línea plana o valores faltantes fueron excluidos, resultando en una forma de entrada estandarizada de (2560, 3).

Mapeo de Etiquetas: SNOMED-CT a AAMI

Para asegurar la interpretabilidad clínica y la alineación con los estándares de evaluación, se mapearon las anotaciones detalladas de SNOMED-CT al estándar de la Asociación para el Avance de la Instrumentación Médica (AAMI).

• Clases Conservadas: Normal (N), Latido Ectópico Supraventricular (SVEB) y Latido Ectópico Ventricular (VEB).
• Clases Excluidas: Las clases de Fusión (F) y Desconocido/Estimulado (Q) fueron excluidas según los criterios de evaluación estándar.
• Distribución: El conjunto de datos resultante comprendió 69.3% Normal, 22.0% SVEB y 7.1% VEB, lo que resalta un desequilibrio significativo de clases.

División de Datos y Aumento

El conjunto de datos se particionó mediante muestreo estratificado en 70% de entrenamiento (30,411 registros), 10% de validación (4,345 registros) y 20% de prueba (8,690 registros).

• Aumento (Augmentation): Un generador de datos balanceado muestreó cantidades iguales de registros por clase. El aumento en tiempo real consciente del dominio incluyó desplazamientos temporales aleatorios (±12 muestras), escalado de amplitud (0.98–1.02), ruido gaussiano aditivo (σ 0.01–0.03) y modulación de línea base de baja amplitud.

Arquitecturas de Modelos

Se desarrollaron y entrenaron dos modelos de aprendizaje profundo utilizando pérdida focal (focal loss) (γ=2.0) con pesos de clase (0.15, 0.35, 0.50) para abordar el desequilibrio de clases.

1. CNN Residual con Atención de Derivación:

   • Arquitectura: Una capa convolucional 1D (64 filtros) seguida de un mecanismo de atención de derivación personalizado (inspirado en squeeze-and-excitation) que aplica agrupamiento de promedio global (global average pooling) y capas densas. El núcleo consistió en tres bloques residuales (128, 256, 512 filtros) con proyecciones de 1×1.
   • Salida: Tres capas totalmente conectadas (256, 128, 64 unidades) y una salida softmax.

2. Unidad de Recurrencia Gated Bidireccional (BiGRU):

   • Arquitectura: Una capa convolucional 1D (32 filtros) y una capa de max-pooling preceden a dos capas de GRU bidireccionales apiladas (128 y 64 unidades ocultas).
   • Regularización: Dropout (0.3) dentro de las capas recurrentes y capas densas (0.4 y 0.3).
   • Salida: Dos capas densas y una salida softmax.

Estrategia de Ensamble

Un ensamble ponderado combinó las salidas de la CNN y la BiGRU. Los pesos de fusión se derivaron del rendimiento de validación utilizando una fórmula de puntuación: 0.3 × macro-F1 + 0.7 × VEB-F1. Esta ponderación priorizó la clasificación de VEB debido a su asociación con el riesgo de muerte cardíaca súbita. Se aplicó un ajuste de umbral al proceso de probabilidad de VEB del ensamble en el conjunto de validación.

Resultados Clave

Los modelos fueron evaluados en el conjunto de prueba reservado utilizando precisión, recall, puntuación F1, exactitud y F1 promedio macro.

• CNN Residual: Logró una exactitud general del 90.5% y un F1 promedio macro de 0.820. Tuvo un desempeño sólido en las clases Normal (F1=0.954) y SVEB (F1=0.848), pero mostró un menor desempeño en VEB (F1=0.659) con una tendencia a sobrepredecir eventos VEB (334 falsos positivos).
• BiGRU: Superó a la CNN en todas las clases, logrando un 93.0% de exactitud y un F1 promedio macro de 0.844. Mejoró la precisión de VEB (0.637 vs. 0.585) manteniendo un alto recall, reduciendo los falsos positivos totales a 252.
• Ensamble Ponderado: El ensamble logró el mejor desempeño con un 93.5% de exactitud general y un F1 promedio macro de 0.855.
  • Desempeño de VEB: El ensamble alcanzó una puntuación F1 de 0.696 para la clase crítica VEB, clasificando correctamente 462 instancias mientras reducía los falsos positivos a 241.
  • Normal/SVEB: Las puntuaciones F1 mejoraron a 0.975 (Normal) y 0.894 (SVEB).

Significancia y Reivindicaciones

El artículo afirma que el marco de aprendizaje automático propuesto demuestra que el análisis automatizado de ECG puede proporcionar un cribado preciso, interpretable y escalable para poblaciones atléticas.

• Estandarización: Al mapear SNOMED-CT a los estándares AAMI, el estudio permite una clasificación clínicamente interpretable que se alinea con protocolos de evaluación establecidos.
• Eficacia del Ensamble: La estrategia de ensamble ponderado aprovecha con éxito las fortalezas de la extracción de características tanto espaciales (CNN) como temporales (BiGRU), superando a los modelos individuales y mejorando específicamente la detección de VEBs de alto riesgo.
• Utilidad Clínica: Los autores proponen integrar estos modelos como herramientas de apoyo a la decisión en los exámenes físicos de pretemporada. El sistema está diseñado para resaltar segmentos de ECG que requieren la revisión de un cardiólogo, mejorando así la eficiencia y la seguridad del cribado de atletas sin reemplazar el juicio clínico.
• Limitaciones: El estudio reconoce modestamente que la detección de VEB sigue siendo un desafío, persistiendo los falsos positivos. Señala que los modelos fueron entrenados en un conjunto de datos de investigación y aún no han sido validados contra ECG clínicos recolectados prospectivamente de poblaciones atléticas específicas, lo que limita las afirmaciones inmediatas sobre su generalizabilidad en el mundo real.

El trabajo concluye que la combinación de las pruebas de ECG con la clasificación de latidos basada en aprendizaje automático ofrece una vía para una identificación más precisa de la actividad cardíaca anormal, asegurando que los atletas reciban una evaluación clínica oportuna y apropiada.