Mejorar la predicción de convulsiones basada en dispositivos portátiles mediante la fusión de características...

Área de la Ciencia:

• Ingeniería biomédica
• La neurociencia
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• La imprevisibilidad de los ataques de epilepsia supone una carga significativa para los pacientes y los cuidadores, lo que afecta a la salud y la calidad de vida.
• Los dispositivos portátiles ofrecen una vía prometedora para la predicción no estigmatizante y fácil de usar de las convulsiones utilizando datos fisiológicos.

Objetivo del estudio:

• Desarrollar y evaluar un método de predicción de convulsiones independiente del paciente que utilice patrones a nivel de grupo a partir de datos de varios pacientes.
• Mejorar la precisión de la predicción de convulsiones mediante la fusión de múltiples técnicas de aprendizaje automático y aprendizaje incremental.

Principales métodos:

• Empleó una red supervisada a largo plazo (LSTM) combinada con un autoencoder sin supervisión profundamente correlacionado canónicamente (DCCAE) y análisis de patrones de hora del día.
• Funciones fusionadas de estos modelos utilizando una red neuronal en crecimiento para el aprendizaje incremental.
• Se utilizaron explicaciones aditivas de Shapley (SHAP) para analizar las contribuciones de las características y se evaluó el impacto de la calidad de los datos y las variables clínicas.

Principales resultados:

• El método propuesto logró una precisión de predicción promedio del 81,7%, una mejora del 7,3% con respecto al LSTM de referencia (74,4%).
• El método superó al LSTM en el 84% de los pacientes, con la fusión de red en crecimiento mejorando la precisión en un 9,5% en comparación con la fusión de todos a la vez.
• El análisis reveló la influencia de la duración de los datos previos, la calidad de los datos portátiles y las variables clínicas en el rendimiento de la predicción.

Conclusiones:

• Un método de predicción de convulsiones independiente del paciente que utiliza dispositivos portátiles puede mejorar significativamente la precisión de la predicción.
• La fusión de LSTM, DCCAE y patrones temporales a través de una red neuronal en crecimiento ofrece un enfoque sólido para el manejo de la epilepsia.
• Esta tecnología tiene el potencial de mejorar la seguridad del paciente y la calidad de vida de las personas con epilepsia.