Multi-DNBiTM: predicción de parto prematuro a partir de señales de electrohisterografía utilizando un marco de...

Área de la Ciencia:

• Ingeniería Biomédica
• Inteligencia Artificial en la Atención Médica
• Procesamiento de Señales

Sus antecedentes:

• La predicción oportuna del parto prematuro es fundamental para los resultados neonatales y la atención materna.
• Los métodos convencionales para predecir el parto prematuro utilizando señales de electrohisterografía (EHG) sufren limitaciones como baja sensibilidad y robustez.
• Las señales EHG ofrecen alta sensibilidad para analizar las contracciones uterinas, lo que presenta un enfoque prometedor para la detección del parto prematuro.

Objetivo del estudio:

• Desarrollar y validar un marco novedoso de aprendizaje profundo, multi-DNBiTM, para la predicción precisa del parto prematuro.
• Superar las limitaciones de los métodos existentes de predicción de parto prematuro.
• Mejorar el análisis de las variaciones sutiles en las contracciones uterinas para mejorar la predicción.

Principales métodos:

• Implementación de una red neuronal distribuida habilitada para atención de múltiples cabezas con memoria a largo plazo bidireccional (multi-DNBiTM).
• Utilización de características profundas de energía-entropía raíz (RMEn2D) para el análisis detallado de subbandas de frecuencia y contracciones menores.
• Aplicación de entrenamiento multinivel para mejorar la precisión de la predicción analizando señales en diferentes granularidades.

Principales resultados:

• El modelo multi-DNBiTM logró métricas de alto rendimiento: 96,93% de precisión, 98,45% de sensibilidad y 98,19% de especificidad.
• Demostró resultados superiores en comparación con los enfoques predominantes en la predicción de parto prematuro.
• Capturó eficazmente los patrones intrínsecos y los detalles finos en las señales EHG a través de la atención de múltiples cabezas y el entrenamiento multinivel.

Conclusiones:

• El marco propuesto multi-DNBiTM ofrece una solución robusta y sensible para la predicción de parto prematuro utilizando señales EHG.
• Las características RMEn2D y el mecanismo de atención de múltiples cabezas contribuyen a las capacidades predictivas mejoradas del modelo.
• Este enfoque avanzado de aprendizaje profundo tiene un potencial significativo para mejorar el manejo clínico del parto prematuro y la atención neonatal.