El grupo de investigación Video and Image Processing (VIP) del Departamento de Arquitectura de Computadores de la Universidad de Málaga (UMA), junto con expertos del Laboratorio de Sistemas Embebidos en la École Polytechnique Fédérale de Lausana (Suiza), han desarrollado un sistema inteligente que detecta anomalías cardíacas en los electrocardiogramas con una precisión del 84% frente a los sistemas convencionales. Estos necesitan la interpretación manual de las señales de los gráficos de la actividad cardíaca, lo que requiere mucho tiempo y depende de la experiencia previa de los profesionales sanitarios. La combinación de la detección automatizada con la revisión de los sanitarios podría mejorar la precisión diagnóstica en los pacientes.
Hasta ahora, los modelos convencionales de inteligencia artificial aprendían a clasificar los electrocardiogramas como señales normales o anómalas partiendo de datos etiquetados por un profesional. La novedad de este sistema, denominado FADE, es que se entrena con electrocardiogramas normales, evitando así la necesidad de partir de extensos conjuntos de anomalías cardíacas etiquetadas por cardiólogos. De esta forma, el sistema predice la señal futura y detecta anticipadamente las anomalías cardíacas como arritmias, isquemia o infarto de miocardio.
Esta ventaja ahorra tiempo y costes, ya que no se necesita una persona experta que supervise los datos para el primer entrenamiento del sistema. “Entrenamos el modelo con una base de datos de señales normales, lo que le permite aprender cómo es un electrocardiograma sano sin necesidad de que un cardiólogo indique si existen irregularidades en las señales del electrocardiograma en esta fase. A continuación, para poder diferenciar con precisión una anomalía, establecemos un umbral de detección. Este parámetro se fija usando un pequeño subconjunto de muestras conocidas, tanto normales como anormales. El método nos permite determinar con fiabilidad cuándo una señal debe considerarse anómala”, explica a la Fundación Descubre, organismo dependiente de la Consejería de Universidad, Investigación e Innovación, la investigadora de la Universidad de Málaga y autora principal del estudio Paula Ruiz Barroso.
Según los expertos, FADE detecta eficazmente latidos cardíacos anormales. “Los resultados demuestran que nuestro sistema alcanza una precisión media del 83,84% en la detección de anomalías, al tiempo que clasifica correctamente las señales de ECG normales con una precisión del 85,46%”, precisa Ruiz.
Estas conclusiones se detallan en el estudio FADE: Forecasting for anomaly detection on ECG publicado en la revista Computer Methods and Programs in Biomedicine. El enfoque de la Universidad de Málaga demostró buen rendimiento en la detección temprana de cualquier tipo de anomalía cardíaca en las señales de electrocardiograma. “A diferencia de trabajos previos que solo detectan un pequeño número de anomalías, principalmente relacionadas con la frecuencia, nuestro enfoque es más robusto, ya que permite detectar tanto latidos cardíacos anormales como arritmias”, destaca la investigadora.
Predecir bioseñales
Al tratar el reconocimiento de anomalías del ECG, los modelos de última generación demuestran precisión y buen rendimiento dentro de conjuntos de datos controlados. Sin embargo, a menudo tienen dificultades para generalizar de manera efectiva a fuentes de datos nuevas. Esta brecha resalta una limitación para su implementación en el mundo real.
Según los expertos de la Universidad de Málaga, FADE supera estas limitaciones por su diseño. Por un lado, usa un modelo que emplea dos rutas de procesamiento paralelas, cada una optimizada para capturar distintos aspectos de la información (una capta los cambios más rápidos y la otra los más lentos). A eso le suman otro modelo, diseñado para reconstruir el electrocardiograma futuro.
Además, el equipo investigador aplica una fórmula de aprendizaje que considera las características específicas de la forma de onda de la señal de electrocardiograma. “Somos capaces de predecir mejor cómo sería la señal normal, porque consideramos por separado los picos y la banda central de la curva. Enseñamos al sistema a que aprenda a intuir las dos partes por separado”, explica Ruiz.
El sistema alcanza mayor precisión porque cuenta con un doble entrenamiento con dos bases de datos, formadas por 456 horas de grabación. “No es fácil que un modelo funcione en otra base de datos, hay que hacer un reentrenamiento para que vuelva a aprender y así se ajuste al nuevo contexto donde tiene que operar”, comenta la investigadora.
Entorno real
Los investigadores de la Universidad de Málaga están ya en contacto con un equipo médico que traslade su sistema a un entorno real para que los sanitarios lo prueben en consulta. En paralelo, siguen optimizando el modelo para usarlo en un dispositivo portable, que pueda llevar una persona. Para ello, además exploran cómo depurar la señal en caso de que aparezca ruido o pierda su forma, por ejemplo, con el movimiento del paciente.
Este trabajo ha sido financiado por la Consejería de Universidad, Investigación e Innovación, el Ministerio de Ciencia e Innovación de España y los fondos Next Generation de la Unión Europea.
