Sistema de predicción de enfermedad renal crónica basado en Internet de las Cosas utilizando técnica de aprendizaje...

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en la Atención Sanitaria
• Ingeniería Biomédica

Sus antecedentes:

• El Internet de las Cosas Médicas (IoMT) genera una gran cantidad de datos de pacientes, lo que requiere métodos analíticos avanzados.
• La computación en la nube (CC) y el aprendizaje profundo (DL) son cada vez más vitales para procesar datos de atención médica.
• La predicción precisa de la enfermedad renal crónica (ERC) es crucial para la intervención oportuna y el manejo del paciente.

Objetivo del estudio:

• Proponer una técnica de aprendizaje profundo eficaz optimizada con el algoritmo de optimización de morsas para la predicción de ERC en entornos IoMT.
• Mejorar la precisión y la fiabilidad de los modelos de predicción de ERC aprovechando métodos avanzados de extracción y selección de características.

Principales métodos:

• El preprocesamiento de datos incluyó la imputación de valores faltantes, la conversión numérica y la normalización.
• Se utilizó la agrupación K-means (KM) para el equilibrio del conjunto de datos para evitar sesgos en la predicción.
• La red residual mejorada 50 (EResNet50) extrajo características discriminatorias, seguida de la optimización de morsas basada en la oposición de élite y la distribución de Cauchy (ECWOA) para la selección óptima de características.
• Se empleó el aprendizaje profundo bidireccional de memoria a largo plazo optimizado por morsas (WOBLSTM) para la clasificación final de ERC.

Principales resultados:

• El modelo propuesto ECWOA-EResNet50-WOBLSTM demostró un rendimiento superior en comparación con los métodos existentes.
• Se logró una alta sensibilidad del 99,89% para la predicción de la enfermedad renal crónica.
• El enfoque integrado manejó eficazmente los complejos datos de IoMT para una predicción precisa de la enfermedad.

Conclusiones:

• La técnica de aprendizaje profundo desarrollada ofrece una solución muy eficaz para la predicción de ERC utilizando datos de IoMT.
• Los algoritmos de optimización mejoraron significativamente la selección de características y la precisión de la clasificación.
• Este enfoque es prometedor para mejorar la detección temprana y el manejo de la enfermedad renal crónica.