Block Term Tensor Regression for Arrhythmia Detection and Prediction on Sinus Rhythms

Abstract

In de moderne gezondheidszorg zijn vroege identificatie en preventie van ernstige gezondheidsproblemen cruciaal. Onderzoek richt zich steeds meer op de ontwikkeling van AI-modellen die gezondheidsrisico's kunnen opsporen en voorspellen. Binnen de cardiovasculaire gezondheid spelen AI-modellen een belangrijke rol bij het voorspellen van risico's zoals atrial fibrillation (AF). Traditioneel worden neurale netwerken vaak toegepast op ECG's van patiënten om aritmieën te voorspellen of te herkennen. Deze thesis onderzoekt de effectiviteit van block-term tensor regressie (BTTR) met behulp van CP-decompositie als alternatief voor neurale netwerken. BTTR is nog een opkomende onderzoekstechniek, maar is veelbelovend. In tegenstelling tot neurale netwerken maakt BTTR gebruik van multilineaïre algebra en is het in staat om relaties tussen verschillende dimensies van de data vast te leggen. Dit is nuttig omdat ECG-data vaak gestructureerd is als een 3D-tensor. Bovendien biedt het een meer interpreteerbare 'glass-box' benadering, wat medisch onderzoek in de toekomst ten goede kan komen. Omdat deze techniek relatief nieuw is, blijft de nauwkeurigheid ervan bij het voorspellen van cardiovasculaire gezondheidsrisico's onzeker. Daarom is deze thesis een casestudie, gericht op het ontwikkelen van het meest effectieve BTTR-model voor het detecteren en voorspellen van AF met behulp van ECG-data. De prestaties van BTTR worden geëvalueerd om de bruikbaarheid ervan binnen dit onderzoeksgebied vast te stellen.