XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

El sueño no es simplemente una pausa en nuestro día; es un proceso biológico vital que restaura nuestros cuerpos y mentes. Cuando este descanso se ve interrumpido, las consecuencias pueden ser graves, desde la fatiga crónica hasta afecciones cardíacas serias. Una de las interrupciones más comunes y peligrosas es la apnea del sueño, una afección en la que la respiración de una persona se detiene y se reanuda repetidamente durante la noche. Durante décadas, la única forma fiable de diagnosticar este trastorno ha sido mediante una compleja prueba hospitalaria llamada polisomnografía. Este procedimiento consiste en colocar una docena de sensores al cuerpo de un paciente para monitorear las ondas cerebrales, la actividad muscular y los ritmos cardíacos mientras duerme. Aunque es eficaz, el proceso es engorroso, costoso y, a menudo, incómodo, lo que genera una situación en la que la gran mayoría de las personas que sufren de apnea del sueño no se diagnostican porque nunca se someten a la prueba.

Para resolver este problema, los investigadores han centrado su atención en una señal más simple: el electrocardiograma, o ECG, que registra la actividad eléctrica del corazón. El corazón no late con un ritmo perfectamente constante; su velocidad y fuerza cambian sutilmente en respuesta a la respiración y otras funciones corporales. En las personas con apnea del sueño, estos cambios sutiles siguen un patrón distintivo que difiere de los durmientes sanos. El desafío ha sido enseñar a una computadora a reconocer estos patrones automáticamente, sin la necesidad de que un experto humano revise manualmente horas de datos. Un nuevo estudio de la Politeknik Negeri Batam en Indonesia propone una solución que utiliza un solo cable para registrar el corazón y una poderosa herramienta matemática para interpretar los datos, ofreciendo un camino potencial hacia un cribado sencillo y basado en el hogar para los trastornos del sueño.

Los investigadores comenzaron reuniendo una gran colección de registros cardíacos de una base de datos pública, donde cada minuto de la señal ya había sido etiquetado por expertos médicos como "apnea" o "normal". Se centraron en grabaciones que duraban aproximadamente dieciséis minutos, una duración elegida para capturar suficiente detalle clínico para distinguir entre ambos estados. Antes de que la computadora pudiera aprender de estos datos, el equipo tuvo que limpiar las señales. Así como una fotografía puede arruinarse por el polvo o un pulso tembloroso, las grabaciones cardíacas pueden verse distorsionadas por la interferencia eléctrica o el movimiento del paciente. El equipo utilizó filtros digitales para eliminar estos ruidos no deseados, asegurando que el ritmo real del corazón fuera visible y claro.

Una vez que las señales estuvieron limpias, los investigadores se enfrentaron a la tarea de traducir los latidos cardíacos brutos a un lenguaje que la computadora pudiera entender. En lugar de observar solo la frecuencia cardíaca, descompusieron los datos en veintiséis características diferentes, o rasgos, que describen la forma y el comportamiento de las ondas eléctricas del corazón. Algunas de estas características medían el tiempo entre los latidos, mientras que otras analizaban la estabilidad del ritmo a lo largo del tiempo. También observaron la forma específica del pico principal en la onda eléctrica del corazón, conocido como complejo QRS, midiendo su altura y anchura. Para capturar patrones aún más profundos, aplicaron técnicas matemáticas avanzadas que examinaban cómo el ritmo cardíaco fluctuaba en periodos cortos y largos, tratando la señal como una estructura compleja y autosimilar en lugar de una simple línea. Este enfoque multifacético aseguró que la computadora tuviera una imagen completa del comportamiento del corazón, no solo una instantánea única.

Con estas características preparadas, el equipo entrenó un sofisticado algoritmo de aprendizaje automático conocido como XGBoost. Piense en este algoritmo como un equipo de muchos tomadores de decisiones simples trabajando juntos. Cada miembro del equipo observa una pequeña parte de los datos y hace una suposición sobre si el paciente está teniendo un evento de apnea. El equipo luego combina estas suposiciones, corrigiendo los errores de los miembros anteriores, hasta llegar a una conclusión única y altamente precisa. Los investigadores dedicaron un tiempo significativo a ajustar la configuración de este algoritmo, ajustando qué tan profundamente analizaba los datos y qué tan rápido aprendía, para asegurar que no simplemente memorizara los ejemplos de entrenamiento, sino que pudiera realmente reconocer nuevos patrones. También probaron cuáles de las veintiséis características eran más importantes, encontrando que el tiempo entre latidos y la forma específica de los picos eléctricos eran los indicadores más fiables.

Los resultados de este enfoque fueron sorprendentes. Al ser probado con datos que nunca había visto, el sistema identificó correctamente los eventos de apnea del sueño con una precisión del 96.1%. Fue excepcionalmente bueno descartando a los durmientes sanos, logrando una puntuación perfecta del 100% en la identificación de aquellos sin el trastorno, mientras que aun así detectó el 92.1% de los casos reales de apnea. Al compararse con otros métodos comunes utilizados en la investigación médica, como las redes neuronales estándar o los modelos estadísticos más simples, este sistema optimizado los superó a todos. El estudio demuestra que, al combinar un análisis detallado de la forma y el ritmo del corazón con un poderoso algoritmo de aprendizaje, es posible detectar trastornos del sueño con un nivel de precisión que rivaliza con las complejas pruebas hospitalarias de múltiples sensores. Esto sugiere que, en un futuro cercano, un dispositivo sencillo de una sola derivación podría proporcionar un primer paso fiable para diagnosticar la apnea del sueño, haciendo que el proceso sea accesible para muchas más personas que nunca.