Personalización de modelos auriculares electrofisiológicos mediante aprendizaje máquina

• M. Chen Bai ^[1] ; G.S. Romitti ^[1] ; M. Lozano ^[1] ; I. García-Fernández ^[1] ; M. Rodrigo ^[1] ; A. Liberos ^[1]
  1. [1] Universitat de València

     Universitat de València

     Valencia, España

     
• Localización: CASEIB 2024. Libro de Actas del XLII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, 2024, ISBN 978-84-09-67332-2, págs. 393-396
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • La fibrilación auricular es la forma más prevalente de arritmia cardíaca, afectando al 2% de la población mundial. Pese a su prevalencia, los tratamientos generales más comunes para la fibrilación atrial presentan un alto ratio de recurrencia, posiblemente debido a una alta variabilidad entre las condiciones de los pacientes. Se pueden simular los efectos de distintos tratamientos sobre un paciente mediante simulaciones personalizadas, pero los recursos necesarios para su desarrollo son computacionalmente costosos. Este estudio propone el uso de un flujo de trabajo basado en aprendizaje máquina para acelerar el desarrollo de modelos personalizados. Un modelo de tejido rectangular fue usado para simular ritmos cardíacos para N = 2100 perfiles iónicos distintos y obtener sus biomarcadores. A continuación, se entrenaron tres redes neuronales para estimar perfiles iónicos a partir de biomarcadores, la viabilidad de propagación a partir de perfiles iónicos y biomarcadores a partir de perfiles iónicos. Los resultados fueron más precisos al estimar biomarcadores (R²: 0,96 ± 0,02, N = 6) que al estimar perfiles iónicos (R²: 0,48 ± 0,38, N = 8). El aprendizaje máquina permite acelerar la implementación de perfiles iónicos personalizados mediante la estimación rápida y en masa de biomarcadores para un amplio rango de perfiles iónicos, seleccionando aquellos más representativos del paciente.