Tesis doctorales de la Escuela Internacional de Doctorado de la URJC desde el curso 2024/25
Intracardiac Activity Characterization in Atrial Fibrillation using Deep Learning
Autor
GUTIÉRREZ FERNÁNDEZ-CALVILLO, MIRIAM
Director
BARQUERO PÉREZ, ÓSCAR
Codirector
LÓPEZ-LINARES ROMÁN, KAREN
Fecha de depósito
24-03-2026
Periodo de exposición pública
25 de marzo a 15 de abril de 2026
Fecha de defensa
Sin especificar
Programa
Tecnologías de la información y las Comunicaciones (TICs)
Mención internacional
No
Resumen
La fibrilación auricular (FA) es la arritmia cardíaca sostenida más frecuente a nivel mundial y se asocia con un mayor riesgo de ictus, insuficiencia cardíaca y mortalidad. La restauración del ritmo sinusal constituye un objetivo clínico primordial, que a menudo se persigue mediante la ablación con catéter. Las estrategias de ablación se han centrado tradicionalmente en las venas pulmonares (PV), que se consideran, teóricamente, como la principal fuente de actividad ectópica en la FA paroxística. Sin embargo, a pesar de los avances tecnológicos y del refinamiento de las técnicas de ablación, las tasas de éxito a largo plazo siguen siendo subóptimas, especialmente en pacientes con FA persistente o persistente de larga duración. En estas poblaciones, el aislamiento de las PV por sí solo a menudo no logra prevenir las recurrencias, lo que indica que existen mecanismos adicionales, más allá de los desencadenantes pulmonares, que contribuyen al mantenimiento de la FA.
La eficacia limitada de las estrategias de ablación convencionales ha motivado una extensa investigación sobre los mecanismos electrofisiológicos que sostienen la FA. Se han propuesto diversos marcos mecanísticos, entre ellos la presencia de mecanismos mantenedores localizados como rotores, fuentes focales o regiones de reentrada funcional, así como la hipótesis de múltiples ondas, que plantea la existencia de una actividad reentrante compleja y autosostenida, medibles, teóricamente, de los electrogramas (EGMs).
El mapeo de activación constituye el estándar clínico de referencia para guiar la ablación con catéter, ya que tiene como objetivo identificar anomalías eléctricas que permitan a los electrofisiólogos inferir regiones potencialmente arritmogénicas susceptibles de ablación. No obstante, se han propuesto varias métricas complementarias basadas en señales para caracterizar adicionalmente la FA y apoyar las estrategias de ablación, entre ellas el mapeo de voltaje, que busca delimitar regiones de baja amplitud asociadas con remodelado estructural o fibrosis, y los EGMs auriculares complejos y fraccionados (CFAE), que identifican EGMs altamente fraccionados o rápidos que se considera reflejan áreas de conducción lenta o interacción de frentes de onda. Otras técnicas actualmente en investigación por su potencial uso clínico incluyen el análisis de la frecuencia dominante (DF), que pretende identificar regiones con las tasas de activación más elevadas como posibles mecanismos mantenedores de la FA, y el mapeo de fase, que proporciona una representación espacio-temporal de la dinámica de activación y permite la detección de actividad rotacional.
Las técnicas invasivas de mapeo actuales permiten la adquisición de EGMs con alta resolución temporal, proporcionando información local detallada sobre la activación auricular, el voltaje y la conducción. Sin embargo, estos métodos presentan limitaciones intrínsecas, entre ellas una resolución espacial restringida, una cobertura auricular incompleta y una fuerte dependencia del contacto del catéter, además de tiempos de procedimiento prolongados y dificultades para capturar la dinámica tridimensional completa de las aurículas. Como resultado, el mapeo invasivo suele ofrecer una visión incompleta y fragmentada de la organización de la FA, lo que dificulta la identificación de los mecanismos de mantenimiento y limita la robustez de los objetivos de ablación.
Los enfoques no invasivos basados en la imagen electrocardiográfica (ECGI) se han desarrollado para abordar algunas de estas limitaciones mediante la reconstrucción de la actividad eléctrica auricular a partir de mediciones de potenciales en la superficie corporal (BSPMs). El ECGI ofrece el potencial de proporcionar mapas globales de activación auricular de forma no invasiva, complementando así los procedimientos invasivos. Sin embargo, los métodos clásicos de ECGI están fundamentalmente limitados por la naturaleza mal planteada del problema inverso de la electrocardiografía, que requiere una regularización fuerte y depende en gran medida de geometrías torso-corazón específicas del paciente obtenidas mediante técnicas de imagen médica. En consecuencia, las reconstrucciones convencionales mediante ECGI suelen verse afectadas por un excesivo suavizado y una pérdida de información electrofisiológica de alta resolución, lo que limita su utilidad clínica para el mapeo funcional durante la FA. Estas dificultades se ven aún más acentuadas en el ECGI auricular: a diferencia del ECGI ventricular, que se beneficia de señales de mayor amplitud, una activación más sincrónica y un extenso número de trabajos en la literatura abordando este problema clínico, el ECGI auricular debe enfrentarse a señales intrínsecamente más débiles, patrones de propagación altamente variables y sustratos anatómicos complejos. En conjunto, estas limitaciones de las técnicas de mapeo invasivas y no invasivas tradicionales ponen de manifiesto la necesidad de desarrollar nuevas herramientas capaces de capturar y analizar la dinámica de la FA a escala espacio-temporal global, tanto para mejorar la comprensión mecanística de la FA como para apoyar el mapeo invasivo durante la toma de decisiones terapéuticas, permitiendo en última instancia una identificación más precisa de objetivos funcionales de ablación y mejores resultados de ablación.
Los avances recientes en aprendizaje profundo han introducido nuevas posibilidades para la caracterización no invasiva de la electrofisiología cardíaca, ofreciendo una alternativa basada en datos a los métodos clásicos de ECGI que dependen de información anatómica previa explícita y de técnicas de regularización. En particular, el aprendizaje profundo ha emergido como un marco prometedor para abordar tres desafíos interrelacionados que son centrales en la investigación sobre la FA: la detección de mecanismos mantenedores de la AF de mantenimiento, la estimación no invasiva de EGMs y el modelado y la síntesis de señales eléctricas auriculares. A diferencia de los enfoques tradicionales de ECGI, los métodos de aprendizaje profundo aprenden relaciones complejas y no lineales directamente a partir de los datos, lo que los hace especialmente adecuados para capturar la dinámica multiescala, no estacionaria y altamente heterogénea que caracteriza a la FA.
Los primeros esfuerzos en la detección de rotores se centraron en la identificación mecanística de mecanismos mantenedores de la AF de la FA mediante mapeo de fase, que detecta singularidades de fase, y mapeo de frecuencia dominante (DF), que se orienta a regiones con altas tasas de activación. Sin embargo, estos enfoques no invasivos están intrínsecamente limitados por la degradación de la señal en la superficie del torso, en particular por el suavizado espacial y las bajas relaciones señal-ruido (SNR), lo que dificulta el cálculo fiable de mapas de fase y DF mediante técnicas de regularización convencionales. Más recientemente, se han propuesto métodos de aprendizaje automático y aprendizaje profundo para la detección de mecanismos mantenedores de la AF de la FA, evitando métricas mecanísticas explícitas y aprovechando en su lugar la extracción de características basada en datos. Más allá de la localización de mecanismos mantenedores de la AF, la estimación directa y no invasiva de EGMs constituye un objetivo más granular y rico en información. Con este fin, se han propuesto diversas arquitecturas de aprendizaje profundo como alternativas al ECGI tradicional. Las redes neuronales convolucionales (CNNs) han demostrado un alto rendimiento en la captura de patrones espaciales en mapas de BSPMs, mientras que las arquitecturas recurrentes han mostrado eficacia en la reconstrucción de EGMs locales con preservación de características temporales y espectrales, particularmente en el contexto de la FA. Un cuello de botella importante en la aplicación del aprendizaje profundo a la electrofisiología auricular es la disponibilidad limitada de grandes conjuntos de datos intracardíacos bien anotados, especialmente en FA. Para mitigar este desafío, el modelado generativo basado en aprendizaje profundo ha surgido como una estrategia prometedora para la generación sintética de ECGs. Entre los enfoques más explorados se encuentran los autoencoders variacionales (VAEs), las redes generativas adversarias y los modelos de difusión. Estudios recientes han demostrado la eficacia de arquitecturas encoder-decoder en la generación de formas de onda de ECG de alta fidelidad a partir de representaciones latentes compactas. Estos modelos operan directamente sobre señales ECG unidimensionales crudas o sobre representaciones bidimensionales basadas en imágenes (por ejemplo, espectrogramas, transformadas wavelet o matrices derivación-tiempo), y han mostrado un elevado potencial para producir ritmos cardíacos sintéticos fisiológicamente plausibles.
El objetivo principal de esta Tesis Doctoral es evaluar el potencial de los métodos computacionales basados en datos para mejorar la caracterización no invasiva de la electrofisiología auricular durante la FA, con especial énfasis en superar las limitaciones metodológicas del ECGI clásico. A continuación, se definen dos objetivos específicos:
- Evaluar modelos espacio-temporales basados en datos para la caracterización de la actividad auricular a partir de BSPMs, con especial atención a su capacidad para aprender relaciones no lineales entre los BSPMs y los patrones subyacentes de propagación intracardíaca, incluyendo la localización de los mecanismos mantenedores de la AF o rotores y la discriminación de distintos regímenes de activación.
- Desarrollar y analizar marcos de aprendizaje profundo y modelos generativos para la reconstrucción y el modelado no invasivos de EGMs, evitando formulaciones explícitas del problema inverso e investigando el uso de datos sintéticos para mitigar la escasez de datos y mejorar la capacidad de generalización de los modelos.
Todos los estudios se llevaron a cabo utilizando modelos tridimensionales realistas de aurícula y torso que simulaban ritmo sinusal así como diferentes patrones de complejidad de propagación de la FA. Estos modelos capturan la complejidad anatómica de las aurículas y permiten realizar experimentación controlada en condiciones que resultan difíciles de alcanzar en entornos clínicos. Se simularon EGMs sobre la superficie auricular y posteriormente se proyectaron sobre el torso mediante la resolución del problema directo de la electrocardiografía para generar los BSPMs. Se añadió ruido gaussiano a los BSPMs con el fin de emular condiciones clínicas realistas de adquisición y mejorar la robustez de los métodos propuestos.
En el primer estudio se exploraron modelos de aprendizaje profundo espacio-temporales basados en redes de memoria a largo y corto plazo (LSTM) y capas convolucionales, con el objetivo de determinar si los BSPMs contienen información suficiente para inferir patrones regionales de activación. Con este objetivo, se diseñó una red de multi-clasificación empleando capas convolucionales, seguidas de unidades LSTM y capas densas, donde cada clase equivale a una región potencial donde se ubicaba el rotor. El rendimiento, que se evaluó mediante validación cruzada, empleó métricas típicas de clasificación como precisión y sensibilidad.
El segundo estudio se centró en la reconstrucción directa y no invasiva de EGMs auriculares a partir de BSPMs utilizando un marco de aprendizaje profundo basado en VAEs. A diferencia de los métodos clásicos de ECGI, este enfoque evita formulaciones explícitas del problema inverso y, en su lugar, aprende una representación latente que mapea los BSPMs a señales intracardíacas. Se entrenaron y evaluaron los modelos con subconjuntos de diferente complejidad de AF, así como ritmo sinusal. Para mitigar el sobreajuste, se evaluaron dos técnicas diferentes de regularización de la red neuronal: estratificación y sobre-muestreado para balancear los datos, y enmascarado temporal para forzar un entrenamiento robusto. La evaluación del modelo se realizó empleando métricas centradas en la reconstrucción morfológica y espectral de las señales. Asimismo, estas métricas se compararon con las obtenidas mediante Tikhonov de orden cero (ZOT), con el objetivo de cuantificar la mejora respecto al método de referencia del ECGI clásico.
En el último estudio se desarrolló un modelo generativo basado en VAEs con el objetivo de generar EGMs auriculares sintéticos y caracterizar la variabilidad de los patrones electrofisiológicos. Se investigaron dos esquemas de generación: uno no condicionado y otro condicionado por el tipo de ritmo (sinusal o fibrilación auricular, AF). En el enfoque no condicionado, el VAE se entrenó exclusivamente con señales en ritmo sinusal, mientras que en el enfoque condicionado se emplearon señales tanto en ritmo sinusal como en AF. Posteriormente, se analizó si la incorporación de señales sintéticas generadas permitía mejorar el rendimiento de la tarea de estimación de EGMs a partir de BSPMs basada en técnicas de deep learning.
En el abordaje de detección de mecanismos mantenedores, el rendimiento fue prometedor. Los resultados muestran una precisión media del 74,75%, con un mejor desempeño en la detección del ritmo sinusal y en la identificación de mecanismos mantenedores de la AF localizados cerca de las PV superior izquierda y derecha. Los valores medios de sensibilidad oscilaron entre el 84% y el 87% para estas regiones, con resultados particularmente sólidos en la vena pulmonar superior izquierda, donde la sensibilidad y la especificidad alcanzaron el 87% y el 83%, respectivamente. Estos hallazgos demuestran que los BSPMs contienen información espacio-temporal no lineal relevante para los mecanismos de la FA y que esta puede ser explotada por modelos basados en datos.
Por otro lado, el modelo propuesto para estimación no invasiva de EGMs reprodujo características temporales y espectrales clave con mayor precisión que el ECGI basado en regularización de Tikhonov, reduciendo el excesivo suavizado de los picos de activación. La precisión de la reconstrucción disminuyó en regiones con propagación altamente compleja, y el rendimiento dependió de forma significativa de la diversidad, la complejidad y el realismo del conjunto de datos de entrenamiento simulado. Se concluye que el mejor método de mitigación del sobreajuste fue la estratificación y el sobre-muestreado, mostrando mejores resultados para este caso. En conjunto, el modelo de aprendizaje profundo alcanzó una correlación significativamente mayor que el método ZOT en ritmo sinusal en el subconjunto de prueba (0.310 ± 0.240 frente a 0.130 ± 0.145), con una mejora estadísticamente significativa confirmada por un intervalo de confianza bootstrap del 90% de [0.0175, 0.3342].
En la tarea de generación sintética de EGMs, se observó que, en la posterior tarea de estimación no invasiva de EGMs, la incorporación de señales generadas mediante el VAE al conjunto de entrenamiento incrementó la correlación de reconstrucción de 0.16 a 0.21, manteniendo un error cuadrático medio (RMSE) comparable. Estos resultados evidencian la utilidad práctica de los EGMs sintéticos para mejorar el rendimiento del modelo sin comprometer la precisión global.
En conjunto, estos resultados indican que los enfoques computacionales basados en datos pueden extraer información electrofisiológica adicional a partir de los BSPMs y superar parcialmente las limitaciones conocidas del ECGI clásico. Al mismo tiempo, los resultados ponen de manifiesto importantes limitaciones inherentes a la caracterización no invasiva de la FA, ya que el rendimiento de los modelos sigue estando fundamentalmente condicionado por el realismo, la diversidad y la representatividad de los datos de entrenamiento.
