Diagnóstico de la insuficiencia cardíaca y clasificación de la fracción de eyección mediante el modelo de fusión de...

Área de la Ciencia:

• Ingeniería biomédica
• Cardiología
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La balistocardiografía (BCG) muestra potencial para el monitoreo remoto de la insuficiencia cardíaca (IC).
• El análisis manual actual de las características de la BCG es insuficiente para caracterizar la dinámica de la fracción de eyección ventricular izquierda (LVEF), especialmente LVEF < 40%.
• Existe la necesidad de métodos avanzados para mejorar el diagnóstico de la HF y la clasificación de la LVEF utilizando BCG.

Objetivo del estudio:

• Desarrollar y validar un marco híbrido de fusión de funciones que integre las funciones de aprendizaje manual y profundo de las señales BCG y respiratorias.
• Para mejorar la precisión del diagnóstico de insuficiencia cardíaca y la clasificación de la fracción de eyección ventricular izquierda.
• Establecer un marco no clínico para la evaluación de la HF y la EFV en el hogar.

Principales métodos:

• Se reclutaron 83 participantes, clasificándolos en grupos sanos, HF (LVEF ≥ 40%) y HF (LVEF < 40%).
• Se recogieron signos vitales sin contacto utilizando sensores piezoeléctricos, aislando las señales de BCG y respiratorias.
• Desarrolló un modelo híbrido que combina características manuales con características profundas de una red ResNet-BiLSTM de múltiples escalas para el análisis de señales.

Principales resultados:

• El método híbrido propuesto logró un rendimiento superior al de los métodos manuales tradicionales.
• Se han logrado altas precisiones de clasificación: 98,20% para la clasificación de dos clases (sanas frente a HF) y 98,76% para la clasificación de tres clases (sanas, HF LVEF ≥ 40%, HF LVEF < 40%).
• Los resultados se validaron mediante una validación cruzada de cinco veces.

Conclusiones:

• El marco desarrollado orientado a la atención médica permite un diagnóstico efectivo en el hogar de la HF y la clasificación LVEF.
• Facilita el cribado preliminar rápido y el diagnóstico auxiliar en entornos no clínicos.
• Demuestra el potencial de los enfoques híbridos de aprendizaje profundo para el monitoreo remoto de la salud cardiovascular.