Presentó Trabajo Final de Grado denominado «Detección de Anomalías Cardíacas a Partir de Electrocardiogramas Utilizando Redes Neuronales Profundas»

«Detección de Anomalías Cardíacas a Partir de Electrocardiogramas Utilizando Redes Neuronales Profundas», se denomina el Trabajo Final de Grado (TFG) presentado por el ahora ingeniero Diego Ricardo Amarilla Fariña, como prueba final para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el martes 16 de Diciembre del 2025 en la Institución.

Las enfermedades cardiovasculares continúan siendo la principal causa de morbilidad y mortalidad a nivel global, lo que subraya la necesidad de contar con herramientas diagnósticas precisas, accesibles y oportunas. El electrocardiograma (ECG) de 12 derivaciones constituye el estándar clínico para evaluar la actividad eléctrica cardíaca, permitiendo identificar arritmias, trastornos de conducción y alteraciones de la repolarización con alta sensibilidad diagnóstica. Su relevancia deriva de la estrecha relación entre la señal eléctrica del corazón y el estado fisiológico del miocardio, relación ampliamente documentada en la literatura clínica.

El diagnóstico temprano de estas condiciones tiene un impacto directo en la reducción de eventos agudos y en la mejora del pronóstico a largo plazo. En entornos reales de atención y en dispositivos portátiles es frecuente disponer de un número reducido de derivaciones de electrocardiograma (ECG), lo que limita la capacidad diagnóstica frente al estándar de 12 derivaciones.

En el Trabajo Final de Grado presentado se estudió un marco basado en redes neuronales profundas para la reconstrucción de derivaciones faltantes y la detección automática de anomalías cardíacas. Se utilizó el subconjunto CODE-15 % como base de datos, a partir del cual se entrenan modelos LSTM capaces de reconstruir derivaciones adicionales a partir de un conjunto reducido de tres derivaciones de entrada. Sobre las señales originales y reconstruidas se entrena y ajusta un clasificador ResNet1D para seis diagnósticos seleccionados. El desempeño se evalúa mediante métricas como AUROC, F1 macro y curvas precisión–recobrado, además de pruebas estadísticas sobre las diferencias entre modelos. Finalmente, se comparó el rendimiento del sistema automático con el de médicos en formación y cardiólogos, para analizar la viabilidad clínica de utilizar ECG reconstruidos en escenarios de recursos limitados.