Clinical Evidence Morphology--Rhythm for ECG (CEMR-ECG): a traceable evidence framework for imbalanced heartbeat classification

Resumo Técnico: Morfologia–Ritmo de Evidência Clínica para ECG (CEMR-ECG)

Definição do Problema
Classificadores automáticos de batimentos cardíacos de eletrocardiograma (ECG) frequentemente enfrentam dificuldades com o desequilíbrio de classes, onde os batimentos normais dominam a distribuição, levando à perda de batimentos raros (supraventriculares, ventriculares e de fusão). Além disso, modelos padrão de aprendizado profundo geralmente fornecem evidências de decisão limitadas além das pontuações finais, tornando difícil interpretar por que um batimento específico foi classificado daquela forma. As abordagens existentes focam tipicamente na melhoria do codificador de forma de onda, no remodelamento dos dados de treinamento, na alteração das funções de perda ou no fornecimento de explicações pós-hoc. Existe uma lacuna para um framework de camada de decisão rastreável que insira evidências clínicas nomeadas e fixas entre a saída de probabilidade de um backbone e a classificação final, especificamente projetado para recuperar classes raras sem comprometer a interpretabilidade do processo de decisão.

Metodologia
Os autores propõem o CEMR-ECG, um framework de evidência rastreável que opera como uma interface de camada de decisão, em vez de substituir o backbone de forma de onda subjacente. O framework é projetado para ser compatível com qualquer classificador de batimento cardíaco do estilo AAMI que forneça um vetor de probabilidade sobre as classes padrão: Normal (N), Ectópico Supraventricular (S), Ectópico Ventricular (V), Fusão (F) e Desconhecido (Q).

1. Representação de Evidência:
   Para cada batimento anotado, um vetor de evidência fixo de 362 dimensões ($z_i$) é construído a partir de cinco grupos específicos de evidência clínica:

   • Ritmo RR: Intervalos R–R pré e pós, medianas locais/globais e razões.
   • Morfologia: 26 resumos de morfologia local por deriva retida.
   • Diferenças de Forma de Onda Inter-derivação: Diferenças pareadas entre duas derivações retidas.
   • Resumos de Derivada de Forma: Traços de forma de onda reamostrados e de primeira diferença.
   • Evidência de Protótipo: Métricas de similaridade de cosseno e distância contra protótipos de classe (calculados a partir da divisão de treinamento).

2. Arquitetura e Fusão:

   • Interface do Backbone: Um backbone candidato (aprendizado de máquina, aprendizado profundo específico para ECG ou modelos gerais de séries temporais) fornece um vetor de probabilidade bruta ($p^B_i$).
   • Codificador de Evidência: Um codificador Extremely Randomized Trees compartilhado mapeia o vetor de evidência $z_i$ para um vetor de probabilidade de evidência ($p^E_i$).
   • Adaptador: O framework forma um agrupamento geométrico ponderado normalizado das probabilidades do backbone e da evidência usando um parâmetro $\alpha$ (selecionado via grade através de validação interna).
   • Decodificador BioAdaptativo: Um decodificador limitado aplica multiplicadores de classe derivados da prevalência de treinamento (limitados para evitar inflação excessiva) e um parâmetro de potência $\gamma$. Seis políticas candidatas (ex: recuperação de S, recuperação de F, padrão conservador) são avaliadas.
   • Lógica de Seleção: O peso do adaptador ($\alpha$) e a política do decodificador ($k$) são selecionados com base no desempenho da validação interna (maximizando M-F1(4) com desempate). Crucialmente, "condições de guarda" impedem que o decodificador aplique uma recuperação agressiva se o suporte de validação for insuficiente (ex: se o ganho da classe F for baseado em menos de 10 batimentos de validação) ou se a acurácia cair significativamente.

3. Design Experimental:
   O estudo avaliou 20 backbones diversos (11 de aprendizado de máquina, 4 profundos específicos para ECG, 5 de séries temporais) através de três bancos de dados públicos (MIT-BIH, INCART, SVDB) usando cinco sementes aleatórias, resultando em 300 execuções pareadas. O desfecho primário foi o F1 macro-médio de quatro classes (M-F1(4)) sobre N/S/V/F. Um desfecho de suporte para três classes (M-F1(3-NSV)) foi usado como desfecho interpretativo para conjuntos de dados com suporte esparso de batimentos F.

Principais Contribuições

1. Camada de Evidência Rastreável: Uma camada de evidência de morfologia–ritmo fixa e nomeada, interposta entre qualquer backbone compatível com AAMI e a decisão final, permitindo a rastreabilidade computacional das decisões para componentes específicos de evidência clínica.
2. Decodificação BioAdaptativa Limitada por Validação: Um decodificador que utiliza multiplicadores derivados de prevalência e adaptação limitada por guarda, em vez de ajustes de limiar baseados no conjunto de teste, garantindo que a recuperação de classes minoritárias seja estável e limitada pelo suporte de validação interna.
   ³ Avaliação Pareada Abrangente: Uma avaliação rigorosa através de 20 backbones e três bancos de dados (300 execuções) demonstrando que o framework melhora o desempenho sem exigir o retreinamento dos codificadores de forma de onda subjacentes.

Resultos

• Ganhos de Desempenho: O CEMR-ECG melhorou a métrica primária M-F1(4) em todos os 60 resumos de conjunto de dados–backbone e em 297/300 execuções por semente.
  • O M-F1(4) médio aumentou em 11,48 pontos percentuais (de 48,32% para 59,80%).
  • A Acurácia média aumentou em 6,81 pontos percentuais (de 86,32% para 93,13%).
• Recuperação de Classe Específica:
  • S (Supraventricular): O F1 aumentou 17,53 pontos percentuais (28,11% para 45,64%).
  • V (Ventricular): O F1 aumentou 15,83 pontos percentuais (66,94% para 82,77%).
  • F (Fusão): A recuperação foi dependente de suporte. O MIT-BIH mostrou um ganho de +19,62 pontos; o INCART mostrou +5,58 pontos. No SVDB, onde existiam apenas 23 batimentos F, a recuperação de F não foi perseguida devido à falta de suporte de validação, e o framework permaneceu conservador.
• Análise de Componentes: Estudos de ablação indicaram que o ritmo RR foi o principal motor de melhoria (removê-lo causou uma queda de 5,06 pontos no M-F1(4)). Os componentes de morfologia e protótipo forneceram rastreabilidade e evidência secundária, mas contribuíram menos para o ganho de desempenho agregado quando removidos individualmente.
• Qualidade de Pontuação: O framework melhorou os escores de Brier (0,2313 para 0,1172) e o Erro de Calibração Esperado (0,0975 para 0,0689) através das interfaces de decisão.
• Sobrecarga (Overhead): O tempo de predição combinado foi aproximadamente 1,57 vezes o do backbone bruto, com uma mediana de 0,475 segundos por 10.000 batimentos de teste.

Significância e Alegações
O artigo afirma que o CEMR-ECG fornece uma camada de decisão reutilizável e computacionalmente rastreável que melhora a classificação de batimentos cardíacos desequilibrados sem substituir o codificador de forma de onda. Sua significância reside em:

• Interpretabilidade: As decisões podem ser vinculadas a componentes de evidência nomeados (ritmo RR, morfologia, etc.) em vez de pontuações opacas.
• Robustez ao Desequilíbrio: Alcança ganhos significativos na recuperação de classes minoritárias (S e V) mantendo alta acurácia para batimentos normais, sem depender de ajuste no conjunto de teste.
• Generalização: O framework é agnóstico à arquitetura, melhorando o desempenho em diversos backbones de aprendizado de máquina e aprendizado profundo.

Limitações e Escopo
Os autores declaram explicitamente que este é um estudo computacional retrospectivo utilizando bancos de dados públicos e desidentificados.

• O framework não é um novo classificador de forma de onda, mas uma interface de camada de decisão.
• As alegações são limitadas aos eixos N/S/V suportados; a recuperação de batimentos F é estritamente dependente de suporte de dados.
• Sem alegações de cuidado ao paciente: O estudo não inclui validação prospectiva, testes de fluxo de trabalho ou integração com detectores de QRS ascendentes em um ambiente clínico. Os autores enfatem que a validação prospectiva, de nível de paciente e orientada ao fluxo de trabalho é necessária antes de qualquer implementação clínica.