| Tesis Doctorales de la Universidad de Alcalá |
| DEVELOPMENT OF LEARNING-BASED TECHNIQUES FOR THE CHARACTERIZATION OF LONG-TERM MONITORING ELECTROCARDIOGRAPHIC SIGNALS | | Autor/a | Plaza Seco, Carmen | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Blanco Velasco, Manuel | | Codirector/a | Rojo Álvarez, José Luis | | Fecha de defensa | 06-11-2025 | | Calificación | Sobresaliente | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | En los últimos años, la monitorización prolongada (MP) de señales electrofisiológicas se ha consolidado como una herramienta clave para la detección temprana de enfermedades cardiovasculares, la principal causa de mortalidad a nivel mundial. Los avances en tecnologías portátiles han hecho posible el registro continuo de electrocardiogramas (ECG) en entornos ambulatorios, abriendo nuevas oportunidades para el diagnóstico precoz y la estratificación del riesgo. Sin embargo, los datos de MP son altamente variables, ruidosos y voluminosos, lo que convierte su análisis manual en una tarea extremadamente laboriosa para los médicos. Los métodos tradicionales de procesamiento de señal, al no estar diseñados para condiciones tan dinámicas, suelen resultar insuficientes. Estas limitaciones evidencian la necesidad de técnicas avanzadas capaces de manejar la complejidad de los datos de MP, garantizando su relevancia clínica y la confianza del personal médico en los resultados.
Esta tesis se centra en la caracterización de señales ECG de MP mediante técnicas avanzadas de aprendizaje automático, con la interpretabilidad como eje central. En el ámbito de la inteligencia artificial (IA), los algoritmos de aprendizaje profundo (AP) han surgido como herramientas prometedoras, capaces de resolver problemas matemáticos complejos y de emular procesos de toma de decisiones similares a los humanos, lo que los convierte en una solución especialmente adecuada para el análisis de MP. No obstante, pese a los avances de la última década, estas técnicas aún no se han incorporado de forma rutinaria a la práctica clínica. Entre las principales barreras destacan la limitada adaptabilidad de los modelos a condiciones reales y la escasa interpretabilidad de los sistemas basados en IA, factores esenciales para cerrar la brecha entre la complejidad de los modelos y su aplicación clínica. La interpretabilidad resulta especialmente crítica en el ámbito sanitario, donde las decisiones repercuten directamente en la vida de los pacientes.
Por ello, este trabajo presenta la aplicación de técnicas de aprendizaje automático para abordar dos objetivos clave en el análisis de ECG de MP: la detección de ondas intra-latido (P, QRS y T) y la identificación de patologías, demostrada mediante la detección de alternancias de la onda T, un indicador fundamental en la estratificación del riesgo de muerte súbita. Las metodologías propuestas emplean arquitecturas de última generación, como autoencoders, redes convolucionales y transformers, para procesar señales de ECG en crudo o con un preprocesamiento mínimo. Estos enfoques eliminan la necesidad de una extracción exhaustiva de características, simplificando el proceso de detección y manteniendo alta precisión y robustez. Además, se incorporan mecanismos de interpretabilidad, como visualización de espacios latentes, mapas de atención y mapas de relevancia, que ofrecen información valiosa sobre los procesos de decisión de los modelos y mejoran la confianza clínica.
Las metodologías desarrolladas han sido validadas en múltiples conjuntos de datos, garantizando su reproducibilidad, y aplicadas a escenarios reales, incluyendo señales hospitalarias registradas con dispositivos portátiles. Para facilitar su implementación en análisis ambulatorios continuos, este trabajo pone especial énfasis en el desarrollo de técnicas robustas de postprocesamiento que aseguran adaptabilidad y generalización a condiciones diversas.
En conjunto, esta investigación demuestra la viabilidad de emplear técnicas avanzadas de AP para analizar registros de ECG de MP y su potencial de integración en los flujos de trabajo clínicos en un futuro próximo, facilitando la transición entre la investigación avanzada y las aplicaciones prácticas en entornos sanitarios. |
|
