Aprendizaje automático para la personalización de modelos electrofisiológicos en fibrilación auricular

• P. de Luna ^[1] ; M. Termenon-Rivas ^[1] ; G. S. Romitti ^[1] ; D. de Luis-Moura ^[1] ; M. Rodrigo ^[1] ; A. Liberos ^[1]
  1. [1] Universitat de València

     Universitat de València

     Valencia, España

     
• Localización: CASEIB 2025. Libro de Actas del XLIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica: Innovando en tecnología para la salud y calidad de vida / David Hernando (ed. lit.), Jesús Lazaro Plaza (ed. lit.), Pablo Laguna Lasaosa (aut.), Juan Pablo Martínez Cortés (aut.), 2025, ISBN 978-84-09-80259-3, págs. 760-763
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • La fibrilación auricular (FA) es la arritmia cardíaca más prevalente; sin embargo, los tratamientos tienen una eficacia limitada debido a la variabilidad entre sujetos. Si bien la personalización de los modelos cardíacos computacionales puede mejorar la selección de la terapia, el proceso se ve obstaculizado por costos computacionales y temporales. Este trabajo presenta un marco de aprendizaje automático (ML) diseñado para personalizar rápidamente modelos electrofisiológicos auriculares para pacientes con FA. La metodología implicó la creación de una población virtual de 2,100 perfiles iónicos. Estos perfiles se evaluaron mediante simulaciones electrofisiológicas con rotores para determinar la capacidad de sostener actividad reentrante y los biomarcadores de reentrada. Posteriormente, se entrenaron una serie de modelos de ML, para clasificar la capacidad de mantener la reentrada y para predecir los valores de los biomarcadores de reentrada correspondientes directamente a partir de las configuraciones de corrientes iónicas. Los modelos entrenados demostraron una alta precisión, con clasificadores que lograron puntuaciones F1 de 0.95. Los modelos de regresión predijeron con precisión los biomarcadores con un valor R² de hasta 0.97. Un caso de uso destacó la eficiencia del marco teórico, mostrando que podía identificar perfiles iónicos específicos del paciente entre 100,000 candidatos instantáneamente, una tarea que requeriría alrededor de 625 días usando simulaciones convencionales. En conclusión, el flujo de trabajo de ML desarrollado acelera drásticamente la creación de modelos cardíacos personalizados. Al estimar comportamientos electrofisiológicos complejos en segundos, este enfoque proporciona una vía viable para integrar gemelos digitales específicos del paciente en la investigación clínica y diseñar terapias personalizadas para la fibrilación auricular.