Automated ECG classification using deep neural networks to predict arrhythmia recurrence in patients with atrial fibrillation

João Duarte Alcântara Galvão

Key information

Authors:

João Duarte Alcântara Galvão (João Duarte Alcântara Galvão)

Supervisors:

Maria Teresa Ferreira Marques Pinheiro (Maria Teresa Ferreira Marques Pinheiro); Ilídio Pereira Lopes (Ilídio Pereira Lopes)

Published in

07/04/2023

Abstract

Nesta tese é feito um resumo teórico focado no coração e na sua eletrofisiologia, nomeadamente na onda P do eletrocardiograma de superfície, seguido de um estudo prospetivo acerca da possibilidade do uso de redes neuronais em R na previsão de recorrência em pacientes com fibrilação auricular sujeitos a uma ou mais ablações. A previsão é baseada quer em parâmetros eletrocardiográficos, principalmente da onda P como validação de conceito, quer em valores clínicos como o sexo e a idade. Os canais II, V1 e aVF do ECG, canais onde a onda P é mais acentuada, foram usados na extração dos primeiros parâmetros, inseridos posteriormente na rede neuronal. O modelo desenvolvido utiliza pacientes com arritmia e tem o potencial de identificar recorrência, ainda que o número de casos utilizados para treino e teste da rede neuronal seja reduzido. Este método não é ainda utilizado na prática clínica. Com o aumento da base de dados utilizada nas fases de treino e teste, é possível aumentar a eficácia do modelo. This thesis provides both a theoretical introduction to the heart and its electrophysiology, focusing on the P wave of the surface electrocardiogram, and a prospective study, using Deep Neural Networks (DNN) in R, on the possibility of predicting recurrence in patients with atrial fibrillation that underwent electrophysiological intervention procedure(s). The prediction is based on both ECG related parameters focusing on the P wave as a proof of concept and on clinical parameters such as sex and age. Channels II, V1 and aVF, the channels with the most visible and pronounced P wave, were used to extract the electrocardiographic parameters that were then used by the neural network. The model developed could identify atrial fibrillation patients, with potential to also identify recurrence despite the limited number of cases that were available for training and testing. Currently, this is not possible. By increasing the number of patients in the data base we can improve the accuracy of the developed DNN model.