Programa del congreso

Los latidos ectópicos, anomalías del ritmo cardíaco, son indicadores importantes de arritmias. El electrocardiograma (ECG) de 12 derivaciones es una herramienta económica y no invasiva, ideal para el diagnóstico de estas patologías. Recientemente, las redes neuronales (RN) se han propuesto en cardiología para la predicción del riesgo cardíaco. Sin embargo, su uso sigue siendo limitado debido a la escasez de datos etiquetados. El objetivo de este proyecto es evaluar si el preentrenamiento autosupervisado mejora el rendimiento de las RN en una tarea de aprendizaje supervisado para la clasificación de tres tipos de latidos (normales, ectópicos supraventriculares aislados, o combinados con ventriculares), usando datos de entrenamiento limitados con una distribución desequilibrada de casos. Para ello, se han descargado y preprocesado señales ECG disponibles públicamente, dando lugar a 14.662.014 señales ECG. A continuación, se ha implementado una RN convolucional multicapa (CNN) para la clasificación de latidos. Después se ha desarrollado y preentrenado, de forma autosupervisada, una RN basada en codificación predictiva contrastiva. Los dos modelos han mostrado un buen rendimiento. Al utilizar una CNN simplificada junto con una RN preentrenada de forma autosupervisada, la precisión balanceada mejoró de 0,701 a 0,832, la puntuación F1 balanceada ascendió de 0,897 a 0,902, y la macro área bajo la curva aumentó de 0,835 a 0,966. De acuerdo a nuestros hallazgos, el método de aprendizaje supervisado basado en características autosupervisadas mejora el rendimiento y permite simplificar la arquitectura y el entrenamiento del modelo puramente supervisado.

La estratificación del riesgo de infarto de miocardio (IM) es fundamental para la intervención temprana y la prevención. Los modelos de redes neuronales profundas que toman como entrada el ECG se han mostrado prometedores a la hora de predecir eventos cardiovasculares. Sin embargo, estos métodos siguen limitados a periodos de seguimiento relativamente cortos y pueden no ser aplicables a una población general. Planteamos la hipótesis de que el rendimiento de estos modelos mejorará si los datos de entrada se presentan en un formato estructurado, lo que permitirá al modelo extraer características más relevantes de la misma señal de ECG. Diseñamos y comparamos el rendimiento de dos redes neuronales convolucionales, diseñadas para la predicción de IM en ocho periodos de seguimiento, de uno a doce años. El primer modelo se diseñó para tomar 3 segundos de un ECG de 1 derivación como entrada (1D), mientras que el segundo utiliza una representación matricial (2D) del mismo ECG de 1 derivación. Entrenamos ambos modelos utilizando 97.382 ECG de 1 derivación tomados de UKBiobank, utilizando señales de sujetos sin antecedentes previos de IM. Nuestro modelo 2D propuesto mostró un rendimiento ligeramente mejor, con un aumento medio del AUC de 0,008. Estos resultados sugieren que el modelo propuesto capta mejor la diferencia entre los sujetos con mayor riesgo de IM. Con este trabajo, buscamos mejorar la predicción del riesgo de IM para proporcionar a los profesionales sanitarios información precisa y oportuna para la toma de decisiones clínicas.

Intracardiac electrograms (EGMs) are fundamental for arrhythmia diagnosis, but their clinical utility is often compromised by noise and high dimensionality. This paper presents a deep learning framework for EGM denoising and dimensionality reduction. We developed a convolutional autoencoder to process 495,731 unipolar and bipolar EGMs from 29 persistent atrial fibrillation patients, compressing signals into a 64-dimensional latent representation. The model achieved excellent reconstruction fidelity, with test R² values of 0.8488 for unipolar and 0.6614 for bipolar signals. Furthermore, classification experiments using the latent features achieved F1-scores exceeding 0.97 for rhythm discrimination. These results suggest that deep learning-based dimensionality reduction can significantly enhance EGM interpretability while preserving clinically relevant information for improved arrhythmia analysis.

La infiltración fibrótica en el tejido auricular juega un papel muy relevante en la evolución, prognosis y diseño de terapias en pacientes con fibrilación auricular. Sin embargo, los métodos para cuantificarla clínicamente basados en imagen médica o señal intracavitaria son controvertidos. Este trabajo evalúa la posibilidad de cuantificar el nivel de infiltración fibrótica mediante la morfología de la señal intracavitaria, usando para ello modelos de aprendizaje profundo entrenados con señales de tejidos simulados con un porcentaje conocido de fibrosis. Se simuló la propagación eléctrica en un tejido bidimensional con 225 patrones fibróticos diferentes, de los que se extrajeron 106.336 muestras de electrogramas unipolares, 63.975 muestras bipolares y 30.769 muestras omnipolares, que se usaron en redes neuronales profundas para estimar la fibrosis según la morfología de la señal. El mejor modelo entrenado alcanzó un 71% de exactitud en predicciones individuales que ascendió al 91% de exactitud al agrupar predicciones de una misma simulación.

Los modelos predictivos mostraron una ligera ventaja en el uso de EGMs unipolares, pero que no fue significativa al agrupar las predicciones. Este modelo constituye un primer paso para mejorar la caracterización de la fibrosis auricular y su aplicación clínica en pacientes con fibrilación auricular.

El lupus eritematoso sistémico (LES) es una enfermedad autoinmune crónica asociada con carga cardiovascular, a menudo subclínica y difícil de detectar en fases tempranas. Disponer de un sistema de detección precoz basado en una prueba sencilla, no invasiva y de bajo coste como el electrocardiograma (ECG) podría facilitar un diagnóstico más temprano y mejorar el seguimiento clínico. En este estudio se analizaron registros de 12 derivaciones de ECG y vectorcardiogramas (VCG) reconstruidos de 64 pacientes con LES y 64 controles emparejados. Se extrajeron características derivadas de la morfología y dinámica eléctrica, y se aplicaron modelos de aprendizaje automático. Los resultados muestran que las variables relacionadas con la velocidad y la geometría de los segmentos ST y bucles T son altamente discriminantes, alcanzando un rendimiento de hasta un 96\% de precisión con Random Forest y un AUC cercano a 0.99 con Regresión Lineal. Aunque estos hallazgos se obtuvieron sobre una base de datos limitada, evidencian la factibilidad de este enfoque y abren la puerta al desarrollo de herramientas de detección temprana de afectación cardíaca en pacientes con LES, con el potencial de mejorar la valoración de riesgo y la toma de decisiones clínicas.

El flutter auricular (FLA) es una arritmia supraventricular de reentrada que requiere mapeo eléctrico invasivo para su caracterización. La diferenciación entre las principales variantes, común y perimitral, ambas en sentido horario o antihorario, resulta esencial para planificar la ablación. Información previa a partir del electrocardiograma convencional sería de gran ayuda para la planificación del tratamiento, a menudo una ablación en el circuito de macroreentrada.

Se propone un método no invasivo basado en el análisis del vectocardiograma (VCG), reconstruido a partir del electrocardiograma mediante la transformada inversa de Dower, sustentado en la hipótesis de que los subtipos de flutter auricular generan bucles de distintas características debido a la distribución de las zonas de conducción lenta y otros factores en relación a la reentrada. A partir de las métricas que diseñamos para caracterizar el VCG, junto con datos clínicos, proponemos un modelo multimodal de aprendizaje automático para la clasificación de las distintas variaciónes de FLA. Para los subtipos de común y perimitral horario y antihorario, se obtuvieron áreas bajo la curva (AUCs) de 0.91, 0.72, 0.88 y 0.88 respectivamente. De forma adicional, proponemos otras métricas y análisis estadísitcos para describir la capacidad del modelo en distintas dimensiones. Los resultados concluyen que nuestro modelo puede distinguir con alta precisión los distintos tipos de FLA utilizando métricas de la señal no invasiva, y personalizando el algoritmo al paciente a través de las variables clínicas. Esta metodología sienta las bases para futuros sistemas de apoyo al diagnóstico no invasivo en el contexto de arritmias cardiacas.