Publication:

Machine Learning no supervisado para el estudio de fibrilación auricular a nivel poblacional

La fibrilación auricular, una arritmia común, afecta a 1 de cada 100 personas, aumentando a 1 de cada 10 en ancianos. Esta condición puede llevar a complicaciones como infartos y fallas cardiacas. A pesar del alto costo para los servicios de salud, la prevención sigue siendo insuficiente. En la última década, la inteligencia artificial específicamente machine learning, ha emergido y madurado rápidamente, dando paso a múltiples aplicativos y usos en diversos campos. Como resultado de esto, se han probado exitosamente aplicaciones de machine learning no supervisado para el análisis de la fibrilación auricular. Este trabajo propone una herramienta para analizar señales electrocardiográficas, más allá de la inspección visual, facilitando el análisis médico y la toma de decisiones. Se presentará un enfoque innovador para modelar datos con técnicas de visualización avanzadas, permitiendo el análisis conjunto de señales y la identificación de variables clave en casos de fibrilación auricular. Aunque los datos usados en este proyecto contaban con algunas restricciones tales como la aleatoriedad de los individuos que participaron en la toma de muestras, y los ECG son de un canal con 60 segundos de duración, mediante el uso de Uniform Manifold Approximation and Projection (UMAP) se demostró que los datos modelados contienen información relevante para identificar los casos que presentan fibrilación auricular de los casos normales. Mientras que con el uso de Generative Topographic Mapping (GTM) se encontró que las características como el pNN50, pNN20 y SD1 mostraron ser determinantes para agrupar las muestras que corresponden a fibrilación auricular.