Viabilidad de la integración de modelos basados en reglas con algoritmos de aprendizaje automático para la detección de falsas alarmas asociadas a arritmias cardíacas en unidades de cuidados intensivos (UCI)

Abstract

Las falsas alarmas por arritmias en Unidades de Cuidados Intensivos (UCI) pueden alcanzar hasta el 88.8%, generando fatiga por alarmas y retrasos en la atención. Este trabajo presenta una red siamesa multimodal liviana que integra señales fisiológicas crudas, metadatos de arritmias y salidas de un modelo basado en reglas. Utilizando el conjunto de datos PhysioNet/CinC 2015, el sistema aplica codificadores convolucionales multiescala, una función de pérdida adaptada al desbalance de clases y estrategias de preprocesamiento y aumento de datos. La validación cruzada de cinco pliegues confirma la relevancia del aumento de datos, los embeddings de arritmias y el conocimiento basado en reglas para mejorar la capacidad discriminativa. El modelo alcanza un puntaje Challenge de 0.8498±0.0686 y un F1-score de 0.9101±0.0406, superando los modelos base con casi tres veces menos parámetros (0.8789M vs. 3.28M). Este estudio demuestra que integrar sistemas basados en reglas con modelos de deep learning es viable y beneficioso, al incorporar conocimiento médico mediante capas embedding y funciones de pérdida especializadas. Los resultados evidencian un marco eficiente para reducir falsas alarmas en tiempo real en UCI, resaltando el potencial del aprendizaje multimodal y la optimización basada en conocimiento clínico en IA médica.