Avanzar en la identificación de murmullos en el punto de atención: evaluar la eficacia de las redes de conversación y...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Salud pediátrica

Sus antecedentes:

• Los proveedores de atención primaria (PCP) luchan por identificar con precisión el soplo de Still.
• Los métodos de aprendizaje profundo (DL) existentes carecen de enfoque en el soplo de Still pediátrico.
• Se necesita una base de datos de sonido cardíaco pediátrico especializada para el desarrollo de modelos de IA.

Objetivo del estudio:

• Para crear un conjunto de datos de sonido cardíaco pediátrico.
• Evaluar los métodos DL para la identificación del soplo de Still en niños mediante el uso de fonocardiogramas (PCG).
• Para evaluar la eficacia de la plataforma de auscultación digital StethAid.

Principales métodos:

• Se recogió un gran conjunto de datos de sonido cardíaco pediátrico (más de 2 horas) utilizando StethAid y Littmann 4100.
• Entrenó varios modelos de DL, incluidos SQ-NET, ResNet18, AST, DeiT, transformador Swin y DINO.
• Utilizó sonidos segmentados del corazón para el entrenamiento, con AST como excepción.

Principales resultados:

• Los modelos DL alcanzaron un alto rendimiento: sensibilidad del 90,7% al 100%, especificidad del 75% al 98,2% y precisión del 91,3% al 98,5%.
• El entrenamiento previo en un conjunto de datos específico mejoró el rendimiento del modelo en al menos un 2%.
• Tanto las redes neuronales convolucionales (ConvNets) como los transformadores demostraron una alta eficacia.

Conclusiones:

• Desarrolló modelos eficaces de DL para la identificación del soplo de Still en pacientes pediátricos.
• La plataforma StethAid y la IA pueden ayudar a los PCP a distinguir el soplo de Still.
• Esta solución puede reducir las derivaciones innecesarias y la ecocardiografía, mejorando las habilidades de auscultación.