Resumen

Introducción. La presión arterial (PA) ha sido un factor de riesgo potencial de enfermedades cardiovasculares. La medición de la PA es uno de los parámetros más útiles para el diagnóstico precoz, la prevención y el tratamiento de las enfermedades cardiovasculares. En la actualidad, la medición de la PA se basa principalmente en técnicas con manguito que causan molestias e incomodidad a los usuarios. Aunque algunos de los prototipos actuales de técnicas de medición de la PA sin manguito son capaces de alcanzar precisiones globales aceptables, requieren un electrocardiograma (ECG) y un fotopletismógrafo (PPG) que los hacen inadecuados para verdaderas aplicaciones portátiles. Por lo tanto, el desarrollo de un único algoritmo de estimación de la PA sin manguito basado en el PPG con suficiente precisión sería útil desde el punto de vista clínico y práctico. Métodos. Se accedió al conjunto de datos de constantes vitales de la Universidad de Queensland (base de datos en línea) para extraer señales de PPG sin procesar y sus correspondientes PA de referencia (PA sistólica y PA diastólica). La base de datos en línea consistía en formas de onda PPG de 32 casos de los que se extrajeron 8133 segmentos de señal (de buena calidad) (5 s para cada uno), se preprocesaron y se normalizaron tanto en anchura como en amplitud. Para entrenar y probar tres algoritmos de aprendizaje automático (árbol de regresión, regresión lineal múltiple [MLR] y máquina de vectores de apoyo [SVM]) se utilizaron las tres características de pulso más significativas (área de pulso, tiempo de subida del pulso y anchura del 25%) con sus correspondientes PA de referencia. Se aplicó una validación cruzada de 10 veces para obtener la precisión global de la estimación de los PS, por separado para los tres algoritmos de aprendizaje automático. Sus precisiones de estimación se analizaron además por separado para tres categorías clínicas de PA (normotensa, hipertensa e hipotensa). Por último, se compararon con la norma ISO para la validación de dispositivos de PA no invasivos (diferencia media no superior a 5 mmHg y DE no superior a 8 mmHg). Resultados. En términos de exactitud global de la estimación, el árbol de regresión alcanzó la mejor exactitud global para la PAS (media y DE de la diferencia: -0,1 ± 6,5 mmHg) y la PAD (media y DE de la diferencia: -0,6 ± 5,2 mmHg). MLR y SVM lograron una diferencia media global inferior a 5 mmHg tanto para la PAS como para la PAD, pero su DE de diferencia fue >8 mmHg. En cuanto a la exactitud de la estimación en cada categoría de PA, sólo el árbol de regresión alcanzó una norma ISO aceptable para la PAS (-1,1 ± 5,7 mmHg) y la PAD (-0,03 ± 5,6 mmHg) en la categoría normotensa. MLR y SVM no alcanzaron precisiones aceptables en ninguna de las categorías de PA. Conclusiones. Este estudio desarrolló y comparó tres algoritmos de aprendizaje automático para estimar la PA utilizando únicamente la PPG y reveló que el algoritmo de árbol de regresión era el mejor enfoque con una precisión global aceptable para la norma ISO de validación de dispositivos de PA. Además, este estudio demostró que el algoritmo de árbol de regresión alcanzó una precisión de medición aceptable sólo en la categoría normotensa, lo que sugiere que el desarrollo futuro de algoritmos para la estimación de la PA debería ser más específico para las diferentes categorías de PA.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:mmHg, algoritmo de árbol de regresión, árbol de regresión, SD, ±, DBP, MLR, SBP, SVM, algoritmos
• Keywords:mmHg, regression tree algorithm, regression tree, SD, ±, DBP, MLR, SBP, SVM, algorithms