Detección de convulsiones basado en electrocardiograma (ECG) mediante aprendizaje automático supervisado

Área de la Ciencia:

• * Neurología
• * Cardiología
• * Ingeniería biomédica

Sus antecedentes:

• * Explora la viabilidad de la detección automatizada de convulsiones utilizando datos de electrocardiograma (ECG) y aprendizaje automático.
• * Investiga la eficacia de varios algoritmos de aprendizaje automático para identificar eventos de convulsiones a partir de los componentes del ECG.

Objetivo del estudio:

• * Evaluar la viabilidad de un nuevo método automatizado de detección de convulsiones basado en señales de ECG.
• * Determinar el algoritmo óptimo de aprendizaje automático para maximizar la precisión de la detección de convulsiones.

Principales métodos:

• * Se analizaron las grabaciones de ECG de 32 pacientes con 47 convulsiones mediante el monitoreo por videoelectroencefalograma.
• * ECG modelado como latidos cardíacos P-Q-R-S-T, calculando las cantidades derivadas (δX, ΔX) dentro de ventanas correderas.
• * Se evaluaron seis algoritmos de aprendizaje automático (Random Forest, LightGBM, XGBoost, Decision Tree, K-Nearest Neighbors, Extra Trees) utilizando plataformas de aprendizaje automático.

Principales resultados:

• * El algoritmo Extra Trees exhibió un rendimiento superior de detección de convulsiones en todos los métodos de validación.
• * Un modelo que utiliza una ventana de 60 latidos y un disparador de 20 logró una sensibilidad del 86% y una especificidad del 99,9%.
• * Las ventanas de análisis más largas mejoraron la sensibilidad pero aumentaron el retraso de detección.

Conclusiones:

• * La delineación automática del ECG es un método fiable para la detección de convulsiones.
• * Las altas tasas de falsas alarmas (1,5 por hora) requieren una mayor investigación sobre los algoritmos de detección personalizados.