Framework para evaluación de modelos predictivos en señales electrocardiográficas con aplicación en la detección de arritmias

Abstract

Se ha demostrado que la supervisión remota, automática y no automática, puede influir positivamente en la disminución de la taza de hospitalizaciones y en el caso de que el paciente sea hospitalizado, disminuir la duración de esta. Comúnmente se utiliza en finanzas, meteorología, oceanografía, entre otros el uso, de técnicas de análisis de predicción de estado usando datos históricos, de esta forma se analizan diferentes implementaciones de minería de datos sobre estados o situaciones reales para luego comparar las predicciones con la realidad gestada. Sin embargo, a pesar de la existencia de una vasta documentación sobre como diferentes modelos y técnicas de minería de datos que son capaces de identificar problemas como arritmias, fibrilaciones auriculares, entre otros, esta tecnología no ha sido masificada, a pesar de su existencia en salas de emergencia, cuidados intermedios e intensivos. En el contexto descrito anteriormente que se gesta el proyecto de aplicar técnicas de minería de datos sobre mediciones fisiológicas, para la detección remota de problemas en pacientes. Y con esto la necesidad del desarrollo de un sistema de pruebas, que simule la aplicación en tiempo real de minería de datos sobre signos vitales capturados en tiempo real. Para esto se fue necesario crear un modelo de aprendizaje profundo, el que detectara el punto R del latido y clasificara éste como normal o anormal. Los resultados obtenidos luego del entrenamiento y prueba del modelo, muestran que es capaz de determinar certeramente cuando un latido es normal, sin embargo el modelo no entrega la misma seguridad al momento de clasificar un latido como anormal, ya que en ocasiones éste latido es normal. Por lo que no se pudo demostrar la hipótesis de que se pueden aplicar técnicas redes neuronales diseñadas para la detección de objetos en imágenes, sirvan para la clasificación de latidos cardíacos. Finalmente, tras el estudio de requerimientos del framework, la creación de un prototipo y su uso, se llegó a las siguientes conclusiones, el utilizar el framework posee notables falencias en el rendimiento en la etapa de entrenamiento y evaluación del modelo, el costo de elaboración y mantención de los requerimientos no cubiertos por el prototipo no se pueden justificar, haciendo el proyecto inviable, debido a la aparición de una alternativa gratuita de código libre que cubre gran parte de los beneficios del framework.