Un modelo de clasificación de la insuficiencia cardíaca a partir de la onda de pulso de la arteria radial utilizando...

Área de la Ciencia:

• Ingeniería biomédica
• Inteligencia artificial en la salud
• Diagnóstico cardiovascular

Sus antecedentes:

• La insuficiencia cardíaca (IC) es un problema de salud mundial que requiere métodos de detección temprana accesibles.
• El aprendizaje profundo (DL) ofrece soluciones no invasivas, rápidas y rentables para la detección de HF.

Objetivo del estudio:

• Evaluar la eficacia de los algoritmos de aprendizaje profundo en la clasificación de la insuficiencia cardíaca (IC) utilizando datos de ondas de pulso de la arteria radial.
• Identificar el modelo de DL más efectivo para diferenciar entre individuos sanos, pacientes con enfermedad arterial coronaria (CAD) y pacientes con HF.

Principales métodos:

• Se utilizaron datos de ondas de pulso de la arteria radial de 462 participantes (sanos, CAD, HF).
• Se aplicaron y compararon cuatro modelos de DL: LSTM, CNN, GRU y Bi-LSTM después del preprocesamiento y el equilibrio de los datos.
• Utilizó una validación cruzada de 10 veces para una evaluación robusta del rendimiento y la estabilidad.

Principales resultados:

• El modelo de memoria larga a corto plazo (LSTM) logró la mayor precisión media (0,8595 ± 0,0522).
• LSTM demostró un rendimiento superior en todas las métricas clave, incluido el área bajo la curva.
• El marco SHAP se utilizó para la interpretabilidad del modelo y el análisis de la importancia de las características.

Conclusiones:

• Un modelo LSTM que analiza las ondas de pulso de la arteria radial distingue efectivamente entre los estados sano, CAD y HF.
• Este enfoque no invasivo y rentable muestra potencial para la detección temprana de insuficiencia cardíaca.
• Se recomienda una mayor validación clínica para confirmar la aplicabilidad de la herramienta en el mundo real.