Introducción
José M. de la Torre Hernández
Presidente del Comité Científico del Congreso. Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de selección de comunicaciones
Listado completo de comunicaciones
Índice de autores
Introducción y objetivos: La correcta clasificación de arritmias cardiacas representa un desafío clínico importante. A pesar de la amplia disponibilidad del electrocardiograma (ECG), la interpretación de estos registros puede ser compleja y susceptible a errores, especialmente entre ciertos tipos de arritmias. Este proyecto emplea autoencoders variacionales vector-quantizados (VQ-VAE), una arquitectura de inteligencia artificial no supervisada, como herramienta para extraer representaciones latentes compactas y clínicamente relevantes. Posteriormente, se desarrolla una segunda arquitectura neuronal con el objetivo de analizar su capacidad para clasificar distintos tipos de arritmias en registros de ECG procedentes de 1.192 pacientes hospitalarios.
Métodos: Se entrenó un modelo VQ-VAE sobre 99.000 registros de ECG de la base pública CODE-15%, con el objetivo de aprender representaciones robustas de la morfología eléctrica cardiaca. Tras esto, se reutiliza el codificador para tareas clínicas de clasificación, empleando datasets reales de nuestro centro para dos tareas principales: distinción entre taquicardias ventriculares (TV) y supraventriculares (TSV), y distinción entre ritmo sinusal (RS) y fibrilación auricular (FA). Para evaluar la capacidad discriminativa de las representaciones latentes generadas por el VQ-VAE, se probaron tres variantes como entrada a un clasificador XGBoost: la salida continua del codificador, su versión cuantizada y una combinación híbrida de ambas.
Resultados: El modelo logró una precisión del 97% en la clasificación de TV frente a TSV y del 88% en la diferenciación entre ritmo sinusal (RS) y fibrilación auricular (FA), usando únicamente las codificaciones aprendidas sin supervisión. Estos resultados fueron obtenidos sobre ECG reales hospitalarios, distintos en duración, calidad e incluso tipos de arritmia a los usados en el preentrenamiento, demostrando la enorme capacidad de generalización del VQ-VAE.

Modelos avanzados de inteligencia artificial con VQ-VAE: clasificación automática de arritmias en ECG.
Conclusiones: Los resultados muestran que los VQ-VAE son capaces de aprender representaciones latentes robustas de señales de ECG, útiles para tareas de clasificación automática de arritmias. Esta aproximación permite reducir la dimensionalidad del problema, mejorar la interpretabilidad y abre la puerta a sistemas de ayuda a la decisión clínica basados en IA que puedan complementar la labor diagnóstica del cardiólogo.