Modelos no supervisados para la visualización de pacientes en cuidados intensivos y con fibrilación auricular
Trabajo de grado - Maestría
2024
Escuela Colombiana de Ingeniería
La fibrilación auricular es una afección cardiaca caracterizada por pulsaciones cardiacas rápidas e irregulares (National Health Services, 2022). Esta es una de las arritmias cardiacas más conocidas en general y también en las unidades de cuidados intensivos. Su prevalencia en UCI es cercana al 10%, y en una UCI cardiaca de 50% (Malik, Candilio, & Hausenloy, 2013)
Sin embargo, las características físicas, clínicas o biológicas que puedan desempeñar una relación importante en el desarrollo de fibrilación auricular, no se conocen con certeza. Comprender estas características podría contribuir significativamente a la detección temprana de esta afección médica, especialmente si se pueden interpretar visualmente de manera rápida. Esto, a su vez, facilitaría su inclusión en las rutinas médicas de cuidados intensivos.
Con este objetivo en mente, hemos propuesto llevar a cabo un estudio centrado en el uso de modelos de aprendizaje no supervisados interpretables, como Autoencoders, PCA, T-SNE, GTM. Nuestra investigación se concentra en la exploración de modelos interpretables no supervisados que permitan una interpretación visual sencilla de los posibles biomarcadores asociados al desarrollo de fibrilación auricular en pacientes de cuidados intensivos. Atrial Fibrillation is a cardiac condition characterized by rapid and irregular heartbeats (National Health
Services, 2022). It is one of the most well-known cardiac arrhythmias both in general and in Intensive Care Units (ICUs). Its prevalence in ICUs is approximately 10%, and in a cardiac ICU, it can be as high as 50% (Malik, Candilio, & Hausenloy, 2013).
However, the specific physical, clinical, or biological characteristics that may play a significant role in the
development of Atrial Fibrillation are not definitively known. Understanding these characteristics could
significantly contribute to the early detection of this medical condition, especially if they can be visually interpreted quickly. This, in turn, would facilitate its integration into ICU medical routines. With this objective in mind, we have proposed to conduct a study focused on the use of interpretable unsupervised learning models, such as Autoencoders, PCA, T-SNE, and GTM. Our research is centered on the exploration of interpretable unsupervised models that allow for a straightforward visual interpretation of biomarkers that may be associated with risk factors for Atrial Fibrillation in ICU patients
Descripción:
1. TG-08 - Plantilla_de_Trabajos_de_Grado_v4 (1).pdf
Título: 1. TG-08 - Plantilla_de_Trabajos_de_Grado_v4 (1).pdf
Tamaño: 1.779Mb
PDFLEER EN FLIP
Descripción: 5. Autorización de publicación 1 (1)_annotated.pdf
Título: 5. Autorización de publicación 1 (1)_annotated.pdf
Tamaño: 344.1Kb
PDF
Título: 1. TG-08 - Plantilla_de_Trabajos_de_Grado_v4 (1).pdf
Tamaño: 1.779Mb
PDFLEER EN FLIP
Descripción: 5. Autorización de publicación 1 (1)_annotated.pdf
Título: 5. Autorización de publicación 1 (1)_annotated.pdf
Tamaño: 344.1Kb