Miguel Rodrigo Bort, profesor de la ETSE-UV e investigador de arritmias cardíacas, ha desarrollado un trabajo junto a A.J. Rogers, Prash Ganesan, M.I. Alhusseini, C. Krittanawong y S.M. Narayan coordinado con la Universidad de Starnford donde ha implementado Machine Learning para separar la fibrilación auricular de otras arritmias.
El proyecto fue presentado al Young Investigator Award del Colegio Americano de Cardiología, donde recibió una mención de honor. El trabajo está motivado por el hecho de que las arritmias cardíacas, en concreto la fibrilación auricular (FA), componen uno de los principales desafíos médicos. En él comparan diferentes clasificadores que permiten separar la FA de otras arritmias cardiacas. El estudio implica un avance profundo de la fibrilación auricular, ya que se proporcionan técnicas avanzadas para su identificación automática que pueden ser extendidos a otros usos clínicos como marcapasos o desfibriladores.
Para sacar adelante el proyecto, compararon los métodos clásicos de detección basados en características clínicas con los basados en el Machine Learning (en concreto, redes neuronales). Estos métodos de computación pueden clasificar la señal electrocardiográfica sin necesidad de extraer primero las características clínicas. “Comprobamos que ambos sistemas de calificación, cuando son entrenados con cientos de miles de señales (…), proporcionan resultados muy buenos”, afirma Miguel Rodrigo, quien añade que estos resultados son similares en la clasificación (AUC = 0.95).
Aun así, uno de los problemas a la hora de introducir estos tipos de clasificadores basados en aprendizaje profundo en la práctica clínica es la negativa de los expertos, quienes se muestran reticentes debido al desconocimiento de la banda de clasificación. Hay que tener en cuenta que el aprendizaje se materializa como pesos numéricos en capas internas de clasificador. Esto se ha descrito en varias ocasiones como ‘cajas negras’ cuyo comportamiento concreto es desconocido.
“Con el objetivo de ‘abrir’ esta caja negra, nos propusimos crear una serie de experimentos que nos permitiesen describir en base a qué características concretas estaban estos clasificadores de aprendizaje profundo identificando a los pacientes con FA”, continúa explicando Miguel Rodrigo.
Persiguiendo este objetivo, crearon una base de datos de señales ‘reconstruidas’, donde se modificaron parámetros clínicos de la señal de forma individual. Una vez llegado a este punto, sometieron esta base de datos ‘reconstruida’ a la clasificación por las redes neuronales ya entrenadas. El equipo ponderó su salida para comprobar como afectaban estos cambios en la clasificación proporcionada por la red neuronal.
Siguiendo este esquema, el equipo ha sido capaz de demostrar que la clasificación proporcionada por las redes neuronales estaba basada en parámetros clínicos tales como el ritmo de activación, la similaridad entre latidos o su frado de periodicidad. “Estos experimentos controlados nos han permitido definir como los clasificadores basados en aprendizaje profundo identifican la FA, y además proporcionar los parámetros y concretos”, concluye Miguel Rodrigo.
