Rol de un modelo de red neuronal convolucional basado en aprendizaje profundo para la clasificación de alarmas de...

Área de la Ciencia:

• Medicina de cuidados críticos
• Ingeniería biomédica
• Inteligencia artificial en la atención médica

Sus antecedentes:

• La taquicardia ventricular (TV) es un ritmo cardíaco peligroso que requiere una detección rápida en las unidades de cuidados intensivos (UCI).
• Los sistemas de monitorización actuales generan una alta tasa de falsas alarmas positivas, lo que provoca fatiga por alarmas entre los profesionales de la salud.
• La fatiga por alarmas puede provocar desensibilización, respuestas tardías y una mayor carga cognitiva para los médicos.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la clasificación precisa de alarmas de TV.
• Reducir la incidencia de falsas alarmas positivas en la monitorización cardíaca continua.
• Aliviar la fatiga por alarmas en el entorno de la UCI.

Principales métodos:

• Se desarrolló una red neuronal convolucional unidimensional (1D-CNN) basada en aprendizaje profundo.
• El modelo utilizó múltiples entradas de forma de onda cruda: dos derivaciones de electrocardiograma (ECG), fotopletismograma (PPG) y señales de presión arterial (ABP).
• El entrenamiento se realizó en el conjunto de datos de referencia de arritmias VTaC utilizando segmentos de forma de onda preprocesados de 10 segundos previos a las alarmas de TV.

Principales resultados:

• El modelo 1D-CNN logró un Área bajo la curva característica operativa del receptor (AUC) de 0.901 en el conjunto de prueba.
• Las métricas de rendimiento incluyeron una precisión general del 83.22%, una puntuación F1 del 73.3%, una sensibilidad del 77.53% y una especificidad del 85.63%.
• El modelo detectó con éxito más del 75% de las alarmas de TV y redujo sustancialmente las tasas de falsos positivos.

Conclusiones:

• El aprendizaje profundo, específicamente un modelo 1D-CNN, puede distinguir eficazmente las alarmas de TV verdaderas de las falsas.
• La utilización de segmentos cortos de datos de forma de onda cruda permite una clasificación robusta de las alarmas de TV.
• Este enfoque es prometedor para mejorar la fiabilidad de los sistemas de monitorización cardíaca en las UCI.