PREDICTING BRUGADA SYNDROME USING DEEP LEARNING METHODS

Abstract

El síndrome de Brugada es un trastorno arrítmico hereditario asociado a arritmias ventriculares y muerte súbita cardiaca en pacientes sin cardiopatía estructural. Su diagnóstico se basa principalmente en patrones característicos del electrocardiograma, especialmente el patrón tipo 1 de Brugada en las derivaciones precordiales derechas, aunque este puede ser intermitente o difícil de reconocer.

Este Trabajo de Fin de Grado desarrolla un sistema basado en aprendizaje profundo para la predicción del síndrome de Brugada a partir de electrocardiograma estándar de 12 derivaciones. Se utilizó la base de datos Brugada-HUCA, disponible a través de PhysioNet. La metodología incluyó preprocesamiento, filtrado, detección de picos R, segmentación de latidos y estandarización de las señales. Posteriormente, se adaptó y reentrenó una red neuronal convolucional unidimensional para clasificar pacientes con Brugada y sin Brugada.

El modelo optimizado empleó reentrenamiento, aumento de datos y ponderación de clases para abordar el desbalanceo de la base de datos. Frente al modelo inicial, la exactitud mejoró de 0.7143 a 0.8857, la sensibilidad de 0.3571 a 0.7143, el F1-score de 0.3846 a 0.7143 y el ROC-AUC de 0.6750 a 0.7920.

Los resultados sugieren que el aprendizaje profundo puede apoyar la predicción del síndrome de Brugada basada en electrocardiograma. Sin embargo, debido al tamaño limitado de la base de datos y a la presencia de falsos negativos, el sistema propuesto debe considerarse un modelo experimental de apoyo a la decisión clínica, y no una herramienta diagnóstica clínicamente validada.