La cardiologia digital s'enfronta a un repte persistent: els registres d'electrocardiogrames (ECG) que arriben als sistemes d'intel·ligència artificial solen estar incomplets. Ja sigui per formats de visualització curts, pèrdua de derivacions, corrupció del senyal o simplement per haver estat digitalitzats a partir d'imatges, aquestes dades fragmentades limiten la capacitat dels models per realitzar diagnòstics precisos. En aquest context, el desenvolupament d'arquitectures de deep learning com ImputeECG representa un avenç significatiu, en permetre la reconstrucció completa d'ECG de 12 derivacions i 10 segons, preservant les mostres observades i omplint les regions faltants amb alta fidelitat.
ImputeECG es basa en un autoencoder Transformer condicionat per màscares, una aproximació que combina l'eficiència dels models seqüencials amb la capacitat d'atendre a contextos llargs. Entrenat sobre el repositori PTB-XL i validat en conjunts com CPSC2018 i una cohort clínica real de 43.633 registres de l'estudi Kailuan, el model redueix l'error absolut mitjà a les zones perdudes entre un 41 i un 51 %, i millora la reconstrucció de paràmetres crítics com el pic R, l'interval RR, la durada del QRS i les ones P, T i el complex QRS. Això no només restaura el senyal elèctric, sinó que recupera la utilitat diagnòstica: en classificació multietiqueta, els ECG completats assoleixen un AUROC del 92,28 % i un AUPRC del 33,88 % en els escenaris més extrems de pèrdua.
Darrere d'aquestes capacitats hi ha una necessitat real de processar volums massius de dades clíniques, molts dels quals provenen d'arxius analògics o sistemes heretats. Perquè una solució d'aquest tipus funcioni en producció, es requereix una infraestructura robusta que combini intel·ligència artificial, serveis cloud AWS i Azure i un enfocament de programari a mida que adapti els models a les particularitats de cada centre hospitalari. A Q2BSTUDIO entenem que la innovació en salut digital no pot limitar-se a l'algorisme; s'ha d'integrar amb sistemes de ciberseguretat que protegeixin dades sensibles, aplicacions a mida que connectin amb els fluxos de treball clínics i serveis d'intel·ligència de negoci com Power BI per visualitzar les reconstruccions i el seu impacte en la presa de decisions.
A més, la possibilitat de convertir registres incomplets en senyals llestes per a IA obre la porta a desplegaments d'agents IA que monitoritzin contínuament la qualitat dels senyals i autoritzin la recompletació en temps real. L'experiència de Q2BSTUDIO en IA per a empreses i en el desenvolupament de solucions d'intel·ligència artificial adaptades a entorns crítics ens permet acompanyar institucions sanitàries en tot el procés, des de la digitalització d'ECG fins a la posada en marxa de pipelines d'inferència que millorin la precisió diagnòstica sense afegir càrrega al personal mèdic.
En definitiva, ImputeECG demostra que la reconstrucció de senyals biomèdics incomplets no és només un exercici acadèmic, sinó una estratègia pràctica per allargar la vida útil dels arxius d'ECG i habilitar avaluacions cardíaques digitals més completes. Amb el suport adequat en termes d'infraestructura cloud, ciberseguretat i desenvolupament d'aplicacions a la mida de cada organització, aquesta tecnologia pot convertir-se en un estàndard clínic. A Q2BSTUDIO treballem perquè cada peça de l'ecosistema —des del model fins a la interfície d'usuari— estigui alineada amb les exigències reals de la pràctica mèdica.
