Modelos de aprendizaje profundo para la detección automatizada de arritmias en señales de electrocardiograma: revisión sistemática

• Autores: Galvez Otoya, Percy Junior, Garcia Davila, Miguel Angel
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17088
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17088
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Detección de arritmias; Electrocardiograma; Revisión sistemática; Inteligencia artificial; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta revisión sistemática tiene como objetivo proporcionar una visión estructurada y completa del panorama de la investigación sobre la aplicación de modelos de aprendizaje profundo para la detección automatizada de arritmias en señales de electrocardiograma. Se realizó un análisis bibliométrico siguiendo las dire ctrices PRISMA-2020, utilizando las bases de datos Scopus y Web of Science. Los hallazgos indican un notable crecimiento en el número de publicaciones, con un interés pico observado en 2021 y 2022. Se evidencia la predominancia de arquitecturas de Redes Neuronales Convolucionales (CNNs) y modelos híbridos (CNN LSTM), los cuales logran consistentemente altos niveles de precisión (>97%) en la clasificación de arritmias. Geográficamente, China e India lideran la producción científica, y la revista IEEE Access se destaca como la principal fuente de publicaciones de alto impacto. La evolución temática del campo muestra una transición desde la extracción de características hacia capacidades avanzadas de reconocimiento y predicción. A pesar de estos avances, persisten desafíos significativos relacionados con la generalización clínica, la interpretabilidad de los modelos y la eficiencia computacional. Se concluye que la investigación futura debe priorizar el desarrollo de soluciones más robustas, transparentes y eficientes para facilitar su adopción en la práctica clínica.