Mejora de la clasificación de la atención médica con procesamiento de datos multimedia híbridos y el enfoque FCNN...

Área de la Ciencia:

• Tecnología de la atención médica
• Inteligencia artificial
• Seguridad de datos

Sus antecedentes:

• La proliferación del Internet de las cosas (IoT) en la atención médica genera una gran cantidad de datos multimodales de pacientes, lo que plantea desafíos para la clasificación precisa, el procesamiento en tiempo real y la seguridad de los datos.
• Los modelos de aprendizaje automático existentes tienen dificultades con la extracción de características, las demandas computacionales y la privacidad en entornos de atención médica descentralizados y con recursos limitados.
• La falta de mecanismos sólidos de enrutamiento e integridad de datos impide la implementación de soluciones actuales en aplicaciones de atención médica del mundo real.

Objetivo del estudio:

• Desarrollar un marco híbrido de aprendizaje profundo para la clasificación eficiente y segura de datos multimodales de atención médica de dispositivos IoT.
• Mejorar el enrutamiento de datos, la optimización de hiperparámetros y la protección de la privacidad en entornos de atención médica descentralizados.
• Optimizar el marco para la eficiencia energética, la escalabilidad y la monitorización en tiempo real en telemedicina y atención médica inteligente.

Principales métodos:

• Integración de la optimización bayesiana no lineal sintonizable (TNBO) para un enrutamiento eficiente y optimización de hiperparámetros.
• Utilización de una red neuronal totalmente conectada (FCNN) para la clasificación robusta de datos multimodales de pacientes.
• Incrustación de tecnología blockchain para garantizar la seguridad, transparencia e inmutabilidad de los datos en entornos IoT descentralizados.

Principales resultados:

• El modelo TNBO + FCNN propuesto logró métricas de alto rendimiento: 0.924 de precisión, 0.921 de sensibilidad y 0.926 de especificidad.
• Superó a los métodos existentes con una puntuación F1 de 0.915 y un AUC-ROC de 0.950.
• Demostró una eficiencia energética, escalabilidad y idoneidad superiores para la monitorización de la atención médica en tiempo real.

Conclusiones:

• El marco híbrido de aprendizaje profundo aborda eficazmente los desafíos en la clasificación, seguridad y procesamiento en tiempo real de datos de atención médica basados en IoT.
• La integración de TNBO y la tecnología blockchain ofrece una solución robusta para el análisis seguro y eficiente de datos multimodales en atención médica inteligente.
• La eficacia validada del modelo lo posiciona como un avance prometedor para la telemedicina y los sistemas de monitorización de pacientes en tiempo real.