Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/230477
Machine Learning-Based Prediction of Atrial Arrhythmia Recurrence After Atrial Fibrillation Ablation Using Clinical and Echocardiographic Variables
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[eng] Atrial fibrillation is one of the most common cardiac arrhythmias and may require catheter ablation when pharmacological treatment is insufficient. However, atrial arrhythmia recurrence after ablation remains frequent, affecting approximately one third of patients. Identifying individuals at higher risk is therefore essential to improve patient selection, guide clinical expectations, and optimize healthcare resources. This final degree project explores the use of machine learning techniques to predict atrial arrhythmia recurrence after atrial fibrillation ablation using clinical and echocardiographic data from 372 patients treated at the Arrhythmia Unit of the Hospital Clínic of Barcelona.
A Python-based machine learning pipeline was developed, including data exploration, preprocessing, model training, evaluation, feature selection, and interpretability analysis. Several supervised classification algorithms were trained and compared using the area under the receiver operating characteristic curve as the main performance metric. Different feature configurations were evaluated to assess the contribution of raw, indexed, clinical, and echocardiographic variables.
The best performance was achieved by a Random Forest model using raw echocardiographic measurements combined with clinical and anthropometric variables, reaching an AUC of 0.680.
Support Vector Machine models also improved after feature selection, achieving an AUC of 0.666. Feature analysis suggested that left atrial echocardiographic parameters were relevant predictors
of recurrence.
Overall, the results show that machine-learning-based approaches can moderately capture complex relationships between clinical and structural cardiac variables. Although predictive
performance remains limited, these methods may serve as complementary tools for recurrence risk assessment, highlighting the importance of data quality, rigorous preprocessing, and feature
selection in clinical prediction model.
[cat] La fibril·lació auricular és una de les arrítmies cardíaques més freqüents i pot requerir ablació amb catèter quan el tractament farmacològic és insuficient. Tanmateix, la recurrència d’arrítmies auriculars després de l’ablació continua sent freqüent i afecta aproximadament un terç dels pacients. Identificar els individus amb més risc és, per tant, essencial per millorar la selecció de pacients, orientar les expectatives clíniques i optimitzar els recursos sanitaris. Aquest treball de fi de grau explora l’ús de tècniques d’aprenentatge automàtic per predir la recurrència d’arrítmies auriculars després de l’ablació per fibril·lació auricular utilitzant dades clíniques i ecocardiogràfiques de 372 pacients tractats a la Unitat d’Arrítmies de l’Hospital Clínic de Barcelona.
Es va desenvolupar un flux de treball d’aprenentatge automàtic basat en Python, que inclou l’exploració de dades, el preprocessament, l’entrenament de models, l’avaluació, la selecció de variables i l’anàlisi d’interpretabilitat. Es van entrenar i comparar diversos algoritmes de classificació supervisada utilitzant l’àrea sota la corba ROC com a mètrica principal de rendiment. També es van avaluar diferents configuracions de variables per analitzar la contribució de les variables brutes, indexades, clíniques i ecocardiogràfiques. El millor rendiment es va assolir amb un model Random Forest que utilitzava mesures ecocardiogràfiques brutes combinades amb variables clíniques i antropomètriques, assolint una AUC de 0,680. Els models Support Vector Machine també van millorar després de la selecció de variables, aconseguint una AUC de 0,666. L’anàlisi de variables va suggerir que els paràmetres ecocardiogràfics de l’aurícula esquerra eren predictors rellevants de recurrència. En conjunt, els resultats mostren que els enfocaments basats en aprenentatge automàtic poden captar moderadament relacions complexes entre variables clíniques i estructurals cardíaques. Tot i que el rendiment predictiu continua sent limitat, aquests mètodes poden servir com a eines complementàries per a l’avaluació del risc de recurrència, destacant la importància de la qualitat de les dades, d’un preprocessament rigorós i de la selecció de variables en els models predictius clínics.
Descripció
Treballs Finals de Grau d'Enginyeria Biomèdica. Facultat de Medicina i Ciències de la Salut. Universitat de Barcelona. Curs: 2025-2026. Tutor/Director: Jean Baptiste Guichard, Josep Lluís Mont
Matèries (anglès)
Citació
Citació
PAYERAS CRESPÍ, Margalida. Machine Learning-Based Prediction of Atrial Arrhythmia Recurrence After Atrial Fibrillation Ablation Using Clinical and Echocardiographic Variables. [consulted: 24 of August of 2026]. Available at: https://hdl.handle.net/2445/230477