Clasificación automatizada del bloqueo de rama izquierda estricto mediante redes neuronales convolucionales

"Los pacientes con bloqueo de rama izquierda (BRI) son los principales beneficiarios de la terapia de resincronización cardíaca (TRC), utilizada para tratar la insuficiencia cardíaca. Sin embargo, hasta un 40 % de los pacientes sometidos a TRC no responden favorablemente, en parte debido a diagnósticos inexactos de BRI. Aunque la duración del complejo QRS (QRS) es un criterio diagnóstico clave, su medición se ve afectada por las alteraciones morfológicas del electrocardiograma (ECG) en estos pacientes, lo que limita su fiabilidad. Este estudio explora el uso de redes neuronales convolucionales (CNN) para mejorar la clasificación del BRI, con un enfoque particular en distinguir de manera precisa entre BRI estricto y otras presentaciones que no cumplen con los criterios estrictos, incluyendo tanto BRI no estricto como la ausencia de BRI. Se desarrollaron tres enfoques: una CNN unidimensional (CNN1D) que trabaja directamente con las señales temporales del ECG, y dos CNN bidimensionales (CNN2D) que utilizan representaciones espectrales de la señal mediante espectrogramas y transformada wavelet. Los modelos fueron entrenados con datos del estudio MADIT, logrando resultados prometedores. En el conjunto de prueba, la arquitectura basada en transformada wavelet alcanzó el mejor desempeño en todas las métricas evaluadas, obteniendo una exactitud de 90,98 %, precisión de 88,10 %, sensibilidad de 96,38 %, especificidad de 84,62 % y un F1-score de 92,05 %. La CNN con espectrogramas logró una exactitud de 89,02 %, precisión de 85,74 %, sensibilidad de 95,65 %, especificidad de 81,20 % y F1-score de 90,42 %. Por su parte, la CNN1D obtuvo una exactitud de 88,24 %, precisión de 86,00 %, sensibilidad de 93,48 %, especificidad de 82,05 % y F1-score de 89,58 %. Todos los modelos alcanzaron un AUC-ROC superior a 0,95, lo que indica una excelente capacidad de discriminación. Además, el análisis mediante SHAP (Shapley Additive Explanations) evidenció que los modelos se enfocaron en patrones morfológicos relevantes para el diagnóstico clínico, validando su aprendizaje desde una perspectiva médica. En conjunto, los resultados demuestran que las CNN, especialmente las basadas en transformada wavelet, son herramientas eficaces y clínicamente interpretables para la detección automatizada del BRI estricto."