Arquitecturas de aprendizaje profundo para la detección de pulso en la parada cardiaca extrahospitalaria utilizando el ECG

La detección de la presencia de pulso durante la parada cardiorrespiratoria extrahospitalaria es crucial para la supervivencia del paciente. Se ha demostrado que la toma manual del pulso no es muy fiable y que consume demasiado tiempo, por lo que es necesario desarrollar métodos automáticos que ayuden en la identificación del retorno de la circulación espontánea del paciente en parada. En este trabajo se propone utilizar técnicas de aprendizaje profundo para la discriminación automática de ritmos con pulso (PR) y sin pulso (PEA) utilizando solamente información proveniente del ECG. Se ha utilizado una base de datos que contiene 3914 segmentos de 5 segundos (3372 PR y 1542 PEA), que se dividieron en dos bases de datos con pacientes disjuntos para la optimización y evaluación de los métodos. Los mejores resultados se han obtenido utilizando una red neuronal profunda que contiene dos etapas de convolución y una etapa recurrente para la extracción de características y a continuación un clasificador. El modelo se evalúa en términos de sensibilidad (SE, porcentaje de PRs correctamente detectados) y especificidad (SP, proporción de PEAs correctamente detectados). Sobre la base de evaluación se obtuvieron una SE/SP de 94.2%/91.0%, por lo que puede concluirse que la detección automática del pulso utilizando sólo el ECG es viable mediante técnicas de aprendizaje profundo.Este trabajo ha recibido apoyo económico conjunto del Ministerio de Economía y Competitividad Español y del Fondo Europeo de Desarrollo Regional (FEDER) a través del proyecto (TEC2015-64678-R), de la Universidad del País Vasco/Euskal Herriko Unibertsitatea mediante la ayuda a grupos de investigación GIU17/031, y del Gobierno Vasco a través de la beca PRE_2017_1_0112