Logo de la Universitat de València Logo Escola Tècnica Superior d'Enginyeria Logo del portal

  • Cita Prèvia

Ús de Machine Learning per a separar la fibril·lació auricular d'altres arrítmies #esteuvinvestiga

  • 9 de juny de 2021
Ús de Machine Learning per a separar la fibril·lació auricular d'altres arrítmies #esteuvinvestiga

Miguel Rodrigo Bort, professor de la ETSE-UV i investigador d'arrítmies cardíaques, ha desenvolupat un treball juntament amb A.J. Rogers, Prash Ganesan, M.I. Alhusseini, C. Krittanawong i S. M. Narayan coordinat amb la Universitat de Starnford on ha implementat Machine Learning per a separar la fibril·lació auricular d'altres arrítmies.

El projecte va ser presentat al Young Investigator Award del Col·legi Americà de Cardiologia, on va rebre un esment d'honor. El treball està motivat pel fet que les arrítmies cardíaques, en concret la fibril·lació auricular (FA), componen un dels principals desafiaments mèdics. En ell comparen diferents classificadors que permeten separar la FA d'altres arrítmies cardíaques. L'estudi implica un avanç profund de la fibril·lació auricular, ja que es proporcionen tècniques avançades per a la seua identificació automàtica que poden ser estesos a altres usos clínics com a marcapassos o desfibril·ladors.

Per a tirar avant el projecte, van comparar els mètodes clàssics de detecció basats en característiques clíniques amb els basats en el Machine Learning (en concret, xarxes neuronals). Aquests mètodes de computació poden classificar el senyal electrocardiográfica sense necessitat d'extraure primer les característiques clíniques. “Comprovem que tots dos sistemes de qualificació, quan són entrenats amb centenars de milers de senyals (…), proporcionen resultats molt bons”, afirma Miguel Rodrigo, qui afig que aquests resultats són similars en la classificació (AUC = 0.95).

Així i tot, un dels problemes a l'hora d'introduir aquests tipus de classificadors basats en aprenentatge profund en la pràctica clínica és la negativa dels experts, qui es mostren reticents a causa del desconeixement de la banda de classificació. Cal tindre en compte que l'aprenentatge es materialitza com a pesos numèrics en capes internes de classificador. Això s'ha descrit en diverses ocasions com a ‘caixes negres’ el comportament concret de les quals és desconegut.

“Amb l'objectiu de ‘obrir’ aquesta caixa negra, ens vam proposar crear una sèrie d'experiments que ens permeteren descriure sobre la base de quines característiques concretes estaven aquests classificadors d'aprenentatge profund identificant als pacients amb FA”, continua explicant Miguel Rodrigo.

Perseguint aquest objectiu, van crear una base de dades de senyals ‘reconstruïts’, on es van modificar paràmetres clínics del senyal de manera individual. Una vegada arribat a aquest punt, van sotmetre aquesta base de dades ‘reconstruïda’ a la classificació per les xarxes neuronals ja entrenades. L'equip va ponderar la seua eixida per a comprovar com afectaven aquests canvis en la classificació proporcionada per la xarxa neuronal.

Seguint aquest esquema, l'equip ha sigut capaç de demostrar que la classificació proporcionada per les xarxes neuronals estava basada en paràmetres clínics com ara el ritme d'activació, la similitud entre batecs o el seu frado de periodicitat. “Aquests experiments controlats ens han permés definir com els classificadors basats en aprenentatge profund identifiquen la FA, i a més proporcionar els paràmetres i concrets”, conclou Miguel Rodrigo.