EVALUACIÓN DEL DESEMPEÑO DE TRES ALGORTIMOS EN LA DETECCIÓN TEMPRANA DE FIBRILACIÓN AURICULAR EN ELECTROCARDIOGRAMAS.

Abstract

La fibrilación auricular (FA) es una de las arritmias cardíacas más comunes y, a la vez, una de las arritmias más difíciles en términos de detección temprana. En los últimos años, el uso de redes neuronales ha impulsado el desarrollo de algoritmos capaces de diagnosticar esta condición a partir de electrocardiogramas (ECG). Sin embargo, aunque estos algoritmos alcanzan un desempeño competitivo en métricas como sensibilidad y especificidad, aún resulta necesario aplicar evaluaciones más profundas que permitan identificar diferencias en su funcionamiento interno.

El objetivo de este trabajo fue evaluar el desempeño de tres arquitecturas de redes neuronales para la detección temprana de FA en ECG, utilizando métricas como AUC, sensibilidad y especificidad junto con métricas complementarias como entropía cruzada, MSE, varianza de pesos y descomposición sesgo–varianza. El estudio se desarrolló en tres etapas metodológicas: implementación de los modelos en Python; entrenamiento y validación con la base de datos MIT-BIH Arrhythmia (Goldberger et al., 2000); y aplicación de las métricas de desempeño.

El modelo 2–espectrogramas mostró un rendimiento muy cercano, con un AUC del 99 \% y una sensibilidad elevada, aunque con una ligera reducción en la especificidad, lo que sugiere una menor discriminación de la clase negativa frente al escalograma. Por su parte, el modelo 2–atractores, si bien conservó un AUC alto, presentó mayores valores de entropía cruzada, MSE y varianza–sesgo, indicando una estabilidad inferior respecto a los otros enfoques del mismo modelo. En contraste, el modelo 3–CNN–BiLSTM evidenció limitaciones en generalización, reflejadas en una baja especificidad y valores elevados de error y varianza–sesgo, mientras que el modelo 1, aunque mostró buena especificidad y baja varianza, presentó una sensibilidad reducida, lo que restringe su aplicabilidad clínica.