Použití strojového a hlubokého učení pro predikci úspěšnosti kardiochirurgické léčby srdeční fibrilace

Abstract

Fibrilácia predsiení predstavuje najčastejšiu pretrvávajúcu srdcovú arytmiu s vysokým rizikom recidívy aj po katétrovej ablácii. Táto bakalárska práca sa zaoberá využitím metód strojového a hlbokého učenia na predikciu úspešnosti kardiochirurgickej liečby fibrilácie predsiení. V práci boli analyzované rôzne architektúry neurónových sietí od jednoduchej 1D CNN, cez hybridné modely kombinujúce časové a frekvenčné domény, až po multimodálne modely integrujúce EKG signály a klinické premenné. Porovnaním výkonnosti modelov na základe metrík ako AUROC, presnosť, senzitivita či F1-skóre bolo preukázané, že fúzia signálových a klinických dát výrazne zvyšuje predikčnú presnosť oproti tradičným skórovacím schémam (APPLE, CHADS-VASc). Zároveň sú diskutované hlavné limitácie datasetu vrátane nevyvážených tried, veľkosti kohorty a interpretovateľnosti modelov. Práca poskytuje odporúčania pre budúci výskum v oblasti aplikácie AI v kardiológii.

Atrial fibrillation (AF) is the most common persistent cardiac arrhythmia and carries a high risk of recurrence even after catheter ablation. This bachelors thesis explores the application of machine learning and deep learning methods to predict the success of cardiac surgical treatment of AF. Various neural network architectures were analyzedranging from basic 1D convolutional neural networks (CNNs), through hybrid models combining time and frequency domains, to multimodal models integrating ECG signals and clinical variables. By comparing model performance using metrics such as AUROC, accuracy, sensitivity, and F1-score, it was demonstrated that fusing signal and clinical data significantly enhances predictive accuracy over traditional scoring schemes (APPLE, CHADS-VASc). The thesis also discusses key dataset limitations, including class imbalance, cohort size, and model interpretability. It concludes with recommendations for future research in applying AI to cardiology.