| Tesis Doctorales de la Universidad de Alcalá |
| CLINICAL SEVERITY OF NOISE CHARACTERIZATION IN LONG-TERM MONITORING ELECTROCARDIOGRAM SIGNALS USING LEARNING-BASED METHODS | | Autor/a | Holgado Cuadrado, Roberto | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Blanco Velasco, Manuel | | Fecha de depósito | 29-07-2025 | | Periodo de exposición pública | 30 de julio a 10 de septiembre de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Los electrocardiogramas (ECG) de monitorización prolongada (MP) registran la actividad eléctrica del corazón durante períodos largos—días, semanas o incluso meses—en la
rutina diaria de los pacientes. Estos registros son fundamentales para detectar anomalías
cardíacas intermitentes que podrían no aparecer en ECG de corta duración. Sin embargo,
debido a la duración y al carácter ambulatorio de estos registros, algunas partes
se ven muy afectadas por artefactos de ruido, lo que complica un diagnóstico preciso y
alarga el análisis. Aunque la caracterización del ruido es un paso inicial crítico en el
procesamiento de los ECG de MP, sigue siendo un problema sin resolver. Tradicionalmente,
el ruido en los ECG se evalúa mediante métricas como la relación señal a ruido,
que cuantifica la severidad del ruido. No obstante, estas evaluaciones cuantitativas no
siempre indican si el ECG es válido para realizar un diagnóstico. En cambio, la severidad
clínica del ruido se centra en valorar si la morfología del ECG—ondas P, Q, R, S y T—es
reconocible, siguiendo la manera en que los cardiólogos evalúan estas señales. Con las recomendaciones
de los cardiólogos, se definieron reglas que, al aplicarlas posteriormente,
demostraron que este paradigma no se correlaciona con las métricas cuantitativas tradicionales.
Resolver este problema requiere enfoques que reflejen la evaluación clínica.
Mientras que los métodos heurísticos no consiguen adaptarse a la variabilidad y el gran
volumen de datos de los ECG de MP, los enfoques basados en aprendizaje destacan
por su capacidad para realizar tareas que son sencillas para los humanos. Dado que los
clínicos evalúan fácilmente la calidad de los ECG basándose en su legibilidad, los métodos
de aprendizaje automático son muy adecuados para esta tarea. Por ello, esta tesis
propone estrategias de aprendizaje automático para caracterizar la severidad clínica del
ruido en ECG de MP. Se emplea un repositorio de datos que contiene ECG reales de
MP, etiquetados manualmente en función de su validez clínica. Sin embargo, persisten
dos desafíos: la disponibilidad limitada de datos etiquetados y el proceso laborioso
de etiquetado, que dificultan el desarrollo de estos enfoques. Para afrontar estas cuestiones,
se adopta un planteamiento escalonado en tres fases: (1) aprendizaje automático
basado en características para clasificar la severidad clínica del ruido; (2) aprendizaje
profundo para mejorar el rendimiento de clasificación; y (3) aprendizaje activo para
optimizar el etiquetado. Los modelos propuestos presentan un buen rendimiento, clasificando
de forma binaria la calidad clínica de los registros de ECG de MP. Además, el
esquema de aprendizaje activo demuestra ser efectivo para reducir la carga de trabajo
relacionada con el etiquetado y, al mismo tiempo, mejorar el rendimiento del modelo.
Esta tesis ofrece una solución para la caracterización del ruido en los sistemas de ECG
de MP, reduciendo el tiempo que los cardiólogos dedican al análisis y contribuyendo a
interpretaciones clínicas más precisas y eficientes. |
|
