ECG-Driven cardiovascular risk prediction
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Las enfermedades cardiovasculares (ECV) representaron aproximadamente el 32% de todas las muertes en el mundo en 2019, con proyecciones de 23,6 millones en 2030. Indicadores como el modelo de Framingham, SCORE y QRISK incorporan solamente covariables para estimar el riesgo cardiovascular, por lo que su capacidad predictiva se considera subóptima, subrayando la necesidad de estrategias más eficaces para la detección precoz y la estratificación del riesgo de ECV. El electrocardiograma (ECG) es una de las señales fisiológicas no invasivas más utilizadas para el diagnóstico de las ECV, ya que registra los patrones eléctricos del corazón asociados a distintas enfermedades cardíacas. Tras la aparición de la tecnología wearable, los avances en inteligencia artificial (IA) y la evolución de la salud digital, ha aumentado el interés por la detección precisa y automatizada de las ECV a partir del ECG, pero su aplicación en este ámbito aún es limitada.
El objetivo de este estudio es capturar características representativas del ECG mediante algoritmos de aprendizaje automático y asociarlas con el riesgo cardiovascular estimado por la puntuación de Framingham. Para ello, se utilizaron dos bases de datos: una pública proveniente de Physionet (PTB-XL) y otra del proyecto “Estimación del riesgo cardiovascular integrando tecnologías de la Industria 4.0 para la gestión, el procesamiento y el análisis de información clínica”. Las señales ECG de estas bases de datos se procesaron mediante una red neuronal convolucional entrenada para clasificar ECGs en tres categorías: control, síndrome coronario y otras patologías. A partir de esta red se extrajo el espacio latente, que constituyó la base de las etapas posteriores del estudio. Para estimar el riesgo cardiovascular con el modelo de Framingham, los datos clínicos se procesaron con dos variantes de la calculadora: una con el índice de masa corporal (IMC) y otra con los niveles de colesterol total y HDL. Sobre los embeddings obtenidos, se aplicaron distintas técnicas de agrupamiento, visualizando su distribución en el espacio mediante UMAP y analizando su asociación con las categorías de riesgo de Framingham. El método K-means mostró el rendimiento más consistente en cuanto a métricas de agrupamiento geométrico, mientras que el agrupamiento espectral logró la mayor correspondencia con las categorías de riesgo de Framingham, alcanzando valores de pureza global de 0,53 para el modelo basado en el IMC y de 0,59 para el modelo que incluía el colesterol total y el colesterol HDL. Sin embargo, la ausencia de seguimiento longitudinal limita las evaluaciones a las asociaciones con el riesgo cardiovascular estimado, en lugar de a los resultados cardiovasculares reales.
Los resultados sugieren que el ECG contiene información complementaria a las variables cl ́ınicas tradicionales, con potencial para mejorar los modelos de estratificación del riesgo actuales. (Texto tomado de la fuente)
Abstract
Cardiovascular diseases (CVD) accounted for approximately 32% of all deaths worldwide in 2019, with projections of 23.6 million by 2030. Indicators such as the Framingham equation, SCORE, or QRISK, incorporate only clinical covariates to estimate cardiovascular risk; therefore, their predictive ability is considered suboptimal, underscoring the need for more effective strategies for early detection and risk stratification of CVD. The electrocardiogram (ECG) is one of the most widely used non-invasive physiological signals for diagnosing CVD, as it captures the heart’s electrical patterns associated with various heart diseases. Following the emergence of wearable technology, advances in artificial intelligence (AI), and the evolution of digital health, interest has grown in the accurate and automated detection of CVD using ECG, but its application in this field remains limited.
This study aims to use machine learning algorithms (ML) to capture representative features of the ECG using machine learning algorithms and associate them with cardiovascular risk estimated by the Framingham score. To this end, two databases were employed: one from PhysioNet (PTB-XL) and one from the ”Estimation of Cardiovascular Risk Integrating Industry 4.0 Technologies for the Management, Processing, and Analysis of Clinical Information” project. The ECG signals from these databases were processed using a convolutional neural network trained to classify ECGs into three categories: control, coronary syndrome, and other pathologies. The latent space was extracted from this network, which formed the basis for the subsequent stages of the study. To estimate cardiovascular risk using the Framingham model, clinical data were processed using two variants of the calculator: one based on body mass index (BMI) and the other on total and HDL cholesterol. Various clustering techniques were applied to the resulting embeddings, visualizing their distribution in space using UMAP and analyzing their association with Framingham risk categories. K-means showed the most consistent performance in terms of geometric clustering metrics, while Spectral Clustering achieved the highest correspondence with Framingham risk categories, reaching overall purity values of 0.53 for the BMI-based model and 0.59 for the model including total and HDL cholesterol. However, the absence of longitudinal follow-up limits the evaluations to associations with estimated cardiovascular risk rather than actual cardiovascular outcomes.
The results suggest that the ECG contains information complementary to traditional clinical variables, with the potential to improve current risk stratification models.
Descripción
ilustraciones a color, diagramas, tablas