Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Logrando predicción en tiempo real del inicio de la fibrilación auricular paroxística mediante red neuronal convolucional y ventana deslizante en secuencias de intervalos R-R
El diagnóstico temprano de la fibrilación auricular paroxística (FAP) podría motivar a los pacientes a recibir intervenciones oportunas en la práctica clínica. Diversos algoritmos de predicción del inicio de la FAP podrían beneficiarse de un análisis preciso de la variabilidad de la frecuencia cardíaca (VFC) y de la clasificación del aprendizaje automático, pero se ven desafiados por escenarios de monitoreo en tiempo real. El objetivo de este estudio es presentar un modelo PAFNet basado en aprendizaje profundo de extremo a extremo que integra una técnica de ventana deslizante en los intervalos R-R crudos de segmentos de electrocardiograma (ECG) para lograr una predicción en tiempo real del inicio de la FAP. Esta integración permite que la red neuronal convolucional profunda (CNN) sea personalizada como una arquitectura liviana que se adapta al tamaño de las ventanas deslizantes simplemente alterando la capa de entrada, y específicamente su efectividad para hacer una nueva predicción con cada nuevo latido. Para atender la posible influencia de los tamaños de entrada, se entrenaron tres modelos CNN utilizando 50, 100 y 200 intervalos R-R, respectivamente. Para cada modelo, el rendimiento de los algoritmos automatizados fue evaluado para la predicción de la FAP utilizando una validación cruzada de diez pliegues. Como resultado, se recopilaron un total de 56,381 segmentos de intervalos R-R de tipo PAFN y 56,900 de tipo N de bases de datos de ECG de acceso público, y se logró un rendimiento prometedor de la predicción automatizada con 100 intervalos R-R, con una sensibilidad del 97.12%, una especificidad del 97.77% y una precisión del 97.45%, respectivamente. Es importante destacar que el algoritmo automatizado con un paso de ventana deslizante de 1 pudo procesar una muestra en solo 23.1 milisegundos e identificar el inicio de la FAP al menos 45 minutos antes. Los resultados actuales sugieren que la técnica de ventana deslizante en secuencias de intervalos R-R crudos, junto con algoritmos basados en aprendizaje profundo, pueden ofrecer la posibilidad de proporcionar una herramienta clínica precisa, en tiempo real y de extremo a extremo para el monitoreo masivo de la FAP.
Autores: Chen, Wenjing; Zheng, Peirong; Bu, Yuxiang; Xu, Yuanning; Lai, Dakun
Idioma: Inglés
Editor: MDPI
Año: 2024
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Wenjing Chen, Peirong Zheng, Yuxiang Bu, Yuanning Xu y Dakun Lai para la revista Bioengineering, Vol. 11, Núm. 9. Publicación de MDPI. Contacto: bioengineering@mdpi.com
El diagnóstico temprano de la fibrilación auricular paroxística (FAP) podría motivar a los pacientes a recibir intervenciones oportunas en la práctica clínica. Diversos algoritmos de predicción del inicio de la FAP podrían beneficiarse de un análisis preciso de la variabilidad de la frecuencia cardíaca (VFC) y de la clasificación del aprendizaje automático, pero se ven desafiados por escenarios de monitoreo en tiempo real. El objetivo de este estudio es presentar un modelo PAFNet basado en aprendizaje profundo de extremo a extremo que integra una técnica de ventana deslizante en los intervalos R-R crudos de segmentos de electrocardiograma (ECG) para lograr una predicción en tiempo real del inicio de la FAP. Esta integración permite que la red neuronal convolucional profunda (CNN) sea personalizada como una arquitectura liviana que se adapta al tamaño de las ventanas deslizantes simplemente alterando la capa de entrada, y específicamente su efectividad para hacer una nueva predicción con cada nuevo latido. Para atender la posible influencia de los tamaños de entrada, se entrenaron tres modelos CNN utilizando 50, 100 y 200 intervalos R-R, respectivamente. Para cada modelo, el rendimiento de los algoritmos automatizados fue evaluado para la predicción de la FAP utilizando una validación cruzada de diez pliegues. Como resultado, se recopilaron un total de 56,381 segmentos de intervalos R-R de tipo PAFN y 56,900 de tipo N de bases de datos de ECG de acceso público, y se logró un rendimiento prometedor de la predicción automatizada con 100 intervalos R-R, con una sensibilidad del 97.12%, una especificidad del 97.77% y una precisión del 97.45%, respectivamente. Es importante destacar que el algoritmo automatizado con un paso de ventana deslizante de 1 pudo procesar una muestra en solo 23.1 milisegundos e identificar el inicio de la FAP al menos 45 minutos antes. Los resultados actuales sugieren que la técnica de ventana deslizante en secuencias de intervalos R-R crudos, junto con algoritmos basados en aprendizaje profundo, pueden ofrecer la posibilidad de proporcionar una herramienta clínica precisa, en tiempo real y de extremo a extremo para el monitoreo masivo de la FAP.
Descripción
El diagnóstico temprano de la fibrilación auricular paroxística (FAP) podría motivar a los pacientes a recibir intervenciones oportunas en la práctica clínica. Diversos algoritmos de predicción del inicio de la FAP podrían beneficiarse de un análisis preciso de la variabilidad de la frecuencia cardíaca (VFC) y de la clasificación del aprendizaje automático, pero se ven desafiados por escenarios de monitoreo en tiempo real. El objetivo de este estudio es presentar un modelo PAFNet basado en aprendizaje profundo de extremo a extremo que integra una técnica de ventana deslizante en los intervalos R-R crudos de segmentos de electrocardiograma (ECG) para lograr una predicción en tiempo real del inicio de la FAP. Esta integración permite que la red neuronal convolucional profunda (CNN) sea personalizada como una arquitectura liviana que se adapta al tamaño de las ventanas deslizantes simplemente alterando la capa de entrada, y específicamente su efectividad para hacer una nueva predicción con cada nuevo latido. Para atender la posible influencia de los tamaños de entrada, se entrenaron tres modelos CNN utilizando 50, 100 y 200 intervalos R-R, respectivamente. Para cada modelo, el rendimiento de los algoritmos automatizados fue evaluado para la predicción de la FAP utilizando una validación cruzada de diez pliegues. Como resultado, se recopilaron un total de 56,381 segmentos de intervalos R-R de tipo PAFN y 56,900 de tipo N de bases de datos de ECG de acceso público, y se logró un rendimiento prometedor de la predicción automatizada con 100 intervalos R-R, con una sensibilidad del 97.12%, una especificidad del 97.77% y una precisión del 97.45%, respectivamente. Es importante destacar que el algoritmo automatizado con un paso de ventana deslizante de 1 pudo procesar una muestra en solo 23.1 milisegundos e identificar el inicio de la FAP al menos 45 minutos antes. Los resultados actuales sugieren que la técnica de ventana deslizante en secuencias de intervalos R-R crudos, junto con algoritmos basados en aprendizaje profundo, pueden ofrecer la posibilidad de proporcionar una herramienta clínica precisa, en tiempo real y de extremo a extremo para el monitoreo masivo de la FAP.