Imputación de ECG de series temporales utilizando un marco de enmascaramiento basado en patrones

Área de la Ciencia:

• Ingeniería Biomédica
• Ciencia de Datos
• Cardiología

Sus antecedentes:

• La monitorización continua de electrocardiogramas (ECG) es crucial en los hospitales, pero los datos faltantes dificultan los sistemas predictivos en tiempo real.
• La investigación existente sobre la imputación de series temporales de ECG es limitada y la evaluación comparativa actual a menudo utiliza un enmascaramiento aleatorio poco realista.

Objetivo del estudio:

• Evaluar y comparar varios métodos de imputación para datos continuos de series temporales de ECG.
• Comparar el rendimiento en condiciones de enmascaramiento aleatorio y basadas en patrones realistas.

Principales métodos:

• Se extrajeron características del dominio del tiempo de grabaciones Holter de 12 derivaciones de 40 pacientes (cada una de 2.5-4 horas).
• Se introdujo la falta de datos utilizando enmascaramiento aleatorio y basado en patrones.
• Se compararon siete métodos de imputación: media global, interpolación lineal, KNN, MICE, softImpute, SMILES y SAITS.
• Se evaluó el rendimiento utilizando el Error Absoluto Medio (MAE).

Principales resultados:

• Todos los métodos de imputación mostraron un MAE más alto bajo el enmascaramiento basado en patrones en comparación con el enmascaramiento aleatorio.
• SAITS demostró el mejor rendimiento en ambos tipos de enmascaramiento.
• Métodos más simples como SoftImpute y KNN mostraron un rendimiento competitivo, especialmente en ciertos niveles de falta de datos.

Conclusiones:

• El enmascaramiento aleatorio puede subestimar la precisión en el mundo real de las técnicas de imputación de series temporales.
• Las estrategias de imputación específicas del contexto, que consideran el enfoque de enmascaramiento y el método, son vitales.
• Equilibrar la complejidad del modelo con factores prácticos es esencial para la implementación de datos de ECG en tiempo real.