Clasificación de pacientes con síndrome de taquicardia postural ortostática basada en aprendizaje profundo utilizando...

Área de la Ciencia:

• Cardiología
• Neurociencia Autonómica
• Ingeniería Biomédica

Sus antecedentes:

• El síndrome de taquicardia postural ortostática (STPO) es un trastorno autonómico complejo que causa intolerancia ortostática.
• Los métodos de diagnóstico actuales, como las pruebas de inclinación, tienen limitaciones, incluida la incomodidad y la incapacidad de capturar la variabilidad de los síntomas en el mundo real.
• Existe la necesidad de herramientas de diagnóstico objetivas, no invasivas y escalables para el STPO.

Objetivo del estudio:

• Investigar la utilidad de los dispositivos portátiles para la recopilación continua de datos fisiológicos en pacientes con STPO.
• Desarrollar y evaluar un modelo de aprendizaje profundo para diferenciar a los pacientes con STPO de los controles sanos utilizando datos de sensores portátiles.
• Explorar el potencial de los diagnósticos impulsados por IA para el STPO en las actividades diarias de rutina.

Principales métodos:

• Recopilación continua de datos de electrocardiograma (ECG) y acelerómetro (ACC) mediante dispositivos portátiles durante la vida diaria.
• Identificación y procesamiento de características fisiológicas relacionadas con los cambios de postura.
• Entrenamiento y prueba de un modelo de aprendizaje profundo con los datos fisiológicos recopilados de pacientes con STPO y controles sanos.

Principales resultados:

• El modelo de aprendizaje profundo demostró una precisión prometedora en la distinción de pacientes con STPO de controles sanos.
• El modelo utilizó eficazmente datos de ECG y ACC para identificar patrones fisiológicos asociados con el STPO.
• Se estableció la viabilidad del uso de tecnología portátil e IA para el diagnóstico de STPO en una cohorte piloto.

Conclusiones:

• Los sensores portátiles combinados con el aprendizaje profundo ofrecen un enfoque no invasivo potencial para el diagnóstico de STPO.
• Esta tecnología podría complementar los métodos de diagnóstico tradicionales y facilitar la detección temprana.
• Se recomienda una mayor validación con cohortes más grandes y diversas para mejorar la robustez del modelo para el apoyo a la toma de decisiones clínicas.