Leveraging Artificial Intelligence in Electrocardiogram Interpretation for Enhance Arrhythmia Diagnosis and Management

Abstract

[spa] —Este artículo investiga el potencial de un modelo híbrido de red neuronal convolucional y memoria a corto plazo (CNN-LSTM) con un mecanismo de atención para mejorar la precisión y eficiencia de la interpretación de electrocardiogramas (ECG) para el diagnóstico de arritmias. Abordamos los retos planteados por la heterogeneidad de los datos, el desequilibrio de clases y la interpretabilidad del modelo aprovechando las capacidades de extracción de características espaciales de las CNN, las fortalezas de aprendizaje de secuencias temporales de las LSTM y las propiedades de mejora del enfoque del mecanismo de atención. El modelo se entrena y evalúa en el conjunto de datos público Chapman Shaoxing. Nuestros resultados demuestran un gran rendimiento en la detección de arritmias comunes como la bradicardia sinusal y el ritmo sinusal, al tiempo que destacan áreas de mejora en la identificación de condiciones como la fibrilación auricular. Discutimos las implicaciones clínicas de nuestros hallazgos y proponemos futuras direcciones para mejorar el rendimiento del modelo y su aplicabilidad clínica

[eng] This paper investigates the potential of a hybrid Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) model with an attention mechanism to enhance the accuracy and efficiency of electrocardiogram (ECG) interpretation for arrhythmia diagnosis. We address the challenges posed by data heterogeneity, class imbalance, and model interpretability by leveraging the spatial feature extraction capabilities of CNNs, the temporal sequence learning strengths of LSTMs, and the focus-enhancing properties of the attention mechanism. The model is trained and evaluated on a public available dataset Chapman Shaoxing. Our results demonstrate strong performance in detecting common arrhythmias like Sinus Bradycardia and Sinus Rhythm, while highlighting areas for improvement in identifying conditions such as Atrial Fibrillation. We discuss the clinical implications of our findings and propose future directions for enhancing the model’s performance and clinical applicability