Los cardiólogos entrenados detectan la fibrilación auricular mediante la interpretación visual de ciertos segmentos de las líneas del electrocardiograma (EKG) conocidos como complejo QRS. Del mismo modo, los programas informáticos de electrocardiograma disponibles también evalúan las anomalías en las señales de las derivaciones del electrocardiograma que producen los trazos/líneas con el fin de señalar la fibrilación auricular. Nosotros y otros hemos demostrado anteriormente que los métodos de aprendizaje automático identifican con éxito a los pacientes con fibrilación auricular paroxística (FAP) basándose en su electrocardiograma durante el ritmo sinusal normal. En este trabajo, vamos más allá de los anteriores enfoques de caja negra e identificamos patrones específicos en el complejo QRS de un ritmo sinusal normal que están asociados con la fibrilación auricular. Implementamos la minería de patrones frecuentes en los datos de electrocardiograma en bruto discretizados para determinar los patrones que son específicos de los pacientes con FAP basados en grabaciones de electrocardiograma de 1 minuto de duración muestreadas a 128 Hz de 25 pacientes con FAP y 50 sujetos sanos de un repositorio de datos de Physionet. Discretizamos los trazos de EKG muestreados (16 Hz) con siete símbolos correspondientes a varios grados de variabilidad local dentro de los trazos y seleccionamos de los 1.306 patrones únicos de 4 símbolos existentes, los 850 patrones que ocurren al menos 5 veces (para mitigar los problemas relacionados con la dispersión). La matriz de frecuencia de patrones 75×850 resultante representó la frecuencia de cada patrón dentro de cada uno de los 75 pacientes y los sujetos con FAP se distinguieron en base a una regresión binaria del Operador de Selección y Reducción Absoluta Mínima con validación cruzada de 5 veces que seleccionó 50 de los patrones (AUC = 0,95; C.I. del 95% 0,88-1,00; 94% de especificidad, 88% de sensibilidad). Estos 50 patrones son candidatos a obtener la «huella digital» de la FAP dentro del ritmo sinusal normal: por ejemplo, uno de los patrones seleccionados en la Figura 1 se observó en el 76% de los pacientes con FAP, mientras que sólo estaba presente en el 30% de los pacientes sanos. Nuestro estudio es una prueba de concepto de que las técnicas de aprendizaje automático e inteligencia artificial no se limitan a los enfoques de caja negra y pueden utilizarse para obtener información interpretable que podría conducir a nuevos biomarcadores asociados con determinadas condiciones de salud.