Detección de fibrilación atrial paroxística en electrocardiograma dinámico

Abstract

La detección temprana de esta condición es crucial para prevenir dichos efectos, aunque su identificación resulta complicada debido a su naturaleza frecuentemente asintomática. Este estudio se enfoca en evaluar un modelo de inteligencia artificial para la detección de episodios de fibrilación auricular paroxística en registros dinámicos de electrocardiogramas (ECG), utilizando algoritmos de aprendizaje profundo. Para este propósito, se emplean bloques residuales y un codificador Transformer, permitiendo la captura de patrones tanto locales como globales en las señales de ECG. El modelo fue entrenado y evaluado con varias bases de datos, incluyendo CPSC2021, MITDB, AFDB, LTAF, CinC2017 y PTB-XL, que ofrecen una amplia gama de registros en diversos escenarios. Durante el análisis, se preprocesaron las señales para reducir el ruido y ajustar la línea base, con el fin de optimizar la precisión del modelo. El proceso aplicado permitió la extracción y selección de características relevantes, mejorando la capacidad de detectar episodios de fibrilación auricular paroxística, incluso en condiciones de ruido. Los resultados fueron prometedores, con una precisión superior al 98% en algunos conjuntos de datos, lo que demuestra la robustez del modelo en condiciones adversas y su capacidad para diferenciar correctamente entre ritmos cardíacos normales y episodios de fibrilación auricular paroxística. La implementación de este sistema en dispositivos de monitoreo continuo podría ofrecer un valioso apoyo en el diagnóstico temprano y el seguimiento de pacientes con alto riesgo cardiovascular.