Detección de CAD basada en el aprendizaje automático utilizando características integradas de parámetros de ECG y PCG

Área de la Ciencia:

• Cardiología
• Ingeniería biomédica
• Procesamiento de señales

Sus antecedentes:

• La detección no invasiva de la enfermedad arterial coronaria (CAD) es crucial para la intervención oportuna.
• El análisis combinado de las señales del electrocardiograma (ECG) y el fonocardiograma (PCG) es prometedor para el diagnóstico de CAD.
• El valor diagnóstico de los parámetros patológicos cardíacos específicos (puntuación EMD, LVET, PEP, SDI) en CAD utilizando el análisis combinado ECG-PCG no está bien establecido.

Objetivo del estudio:

• Investigar la eficacia de la combinación de parámetros derivados de ECG y PCG para el diagnóstico inteligente de CAD.
• Evaluar la contribución del retraso electromecánico (EMD), el tiempo de eyección ventricular izquierda (LVET) y el período de preyección (PEP) a los modelos de detección de CAD.
• Comparar el rendimiento de los modelos de aprendizaje automático entrenados con conjuntos de características tradicionales frente a los mejorados.

Principales métodos:

• Utilizó un algoritmo mejorado de Pan-Tompkins para la detección precisa del complejo QRS en las señales de ECG.
• Desarrolló un método de segmentación de umbral de ventanas de dominio de frecuencia para la detección de picos S1, S2 y S3 en señales de PCG.
• Las características de las series temporales extraídas, incluidos el intervalo RR, la puntuación EMD, LVET, PEP y SDI, empleando métodos no lineales para la extracción de características en el dominio temporal, el dominio de frecuencia.
• Se han entrenado y comparado los modelos de clasificación Support Vector Machine (SVM) y XGBoost utilizando diferentes combinaciones de características.

Principales resultados:

• La incorporación de las características EMD, LVET y PEP mejoró significativamente el rendimiento de clasificación de los modelos SVM y XGBoost.
• Los modelos que utilizan estas características mejoradas demostraron una precisión, sensibilidad, especificidad y AUC superiores en comparación con los modelos de características tradicionales.
• Se observaron mejoras de precisión del 21% y 23% con la inclusión de EMD, LVET y PEP.
• El análisis de la importancia de las características destacó la PEP como la característica más crítica, validando la integración de EMD, PEP y LVET para la detección no invasiva de CAD.

Conclusiones:

• La combinación de señales de ECG y PCG, aumentadas con parámetros de EMD, LVET y PEP, ofrece un enfoque altamente efectivo para el diagnóstico inteligente de CAD.
• Este conjunto de características integradas mejora significativamente la precisión y la fiabilidad de los sistemas de detección de CAD basados en el aprendizaje automático.
• Los hallazgos apoyan fuertemente la utilidad clínica de este enfoque multiparámetro para la evaluación no invasiva de CAD.