Detection of paroxysmal atrial fibrillation using artificial intelligence
Diagnosticar la fibrilación auricular paroxística (FAP) es difícil debido a que la afección se presenta de forma impredecible y los pacientes a menudo no experimentan síntomas durante los episodios. Este desafío se agrava en áreas con acceso limitado a la monitorización cardíaca. El aprendizaje auto...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Recursos: | Universidad de Jaén (UJA) |
| Repositorio: | CREA. Colección de recursos educativos abiertos |
| OAI Identifier: | oai:crea.ujaen.es:10953.1/26950 |
| Acesso em linha: | https://hdl.handle.net/10953.1/26950 |
| Access Level: | acceso abierto |
| Palavra-chave: | Inteligencia artificial Tecnologías de telecomunicaciones 1203.04 Inteligencia artificial 3325 Tecnologías de telecomunicaciones |
| Resumo: | Diagnosticar la fibrilación auricular paroxística (FAP) es difícil debido a que la afección se presenta de forma impredecible y los pacientes a menudo no experimentan síntomas durante los episodios. Este desafío se agrava en áreas con acceso limitado a la monitorización cardíaca. El aprendizaje automático supervisado ofrece una solución práctica al aprovechar la creciente disponibilidad de datos clínicos en entornos sanitarios. Esta tesis examina dos métodos de detección de FAP a partir de registros electrocardiográficos. El primero utiliza características diseñadas manualmente, como la frecuencia cardíaca, los índices de potencia espectral y la energía de la onda P, para entrenar modelos clásicos de aprendizaje automático, incluyendo regresión logística, árboles de decisión, bosques aleatorios, redes neuronales y máquinas de vectores de soporte. El modelo de bosque aleatorio obtuvo el mejor rendimiento, aunque por debajo de los umbrales clínicos. El segundo enfoque utiliza una red neuronal convolucional unidimensional entrenada de extremo a extremo con segmentos de ECG de diez segundos del conjunto de datos PhysioNet PAF Challenge, logrando una precisión diagnóstica del 97 %. Un prototipo con Raspberry Pi demostró su potencial para el cribado de bajo coste en entornos con recursos limitados. Los resultados muestran que el aprendizaje automático de extremo a extremo puede contribuir significativamente al diagnóstico de la PAF. |
|---|