Detección de enfermedades cardiovasculares a partir de parámetros clínicos utilizando una red neuronal convolucional unidimensional
Autores: Khan Mamun, Mohammad Mahbubur Rahman; Elfouly, Tarek
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección de enfermedades cardiovasculares a partir de parámetros clínicos utilizando una red neuronal convolucional unidimensional
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Enfermedades del corazón
Inteligencia artificial
Aprendizaje automático
Aprendizaje profundo
Electrocardiogramas
Red neuronal convolucional
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La enfermedad cardíaca es un problema importante de salud pública, y la detección temprana es crucial para un tratamiento y manejo efectivos. Las técnicas convencionales y no invasivas son engorrosas, consumen tiempo, son inconvenientes, costosas y no son adecuadas para mediciones o diagnósticos frecuentes. Con el avance de la inteligencia artificial (IA), nuevas técnicas invasivas emergentes en la investigación están detectando enfermedades cardíacas utilizando aprendizaje automático (ML) y aprendizaje profundo (DL). Los modelos de aprendizaje automático se han utilizado con el conjunto de datos disponible públicamente en internet sobre la salud cardíaca; en contraste, las técnicas de aprendizaje profundo se han aplicado recientemente para analizar electrocardiogramas (ECG) u otros datos vitales similares para detectar enfermedades cardíacas. Las limitaciones significativas de estos conjuntos de datos son su tamaño pequeño en cuanto al número de pacientes y características, y el hecho de que muchos son conjuntos de datos desequilibrados. Además, los modelos entrenados deben ser más confiables y precisos en entornos médicos. Este estudio propone una red neuronal convolucional unidimensional híbrida (1D CNN), que utiliza un gran conjunto de datos acumulado de encuestas en línea y características seleccionadas mediante algoritmos de selección de características. La 1D CNN demostró mostrar una mejor precisión en comparación con los algoritmos de aprendizaje automático contemporáneos y las redes neuronales artificiales. Los datos de validación de enfermedades cardíacas no coronarias (no-CHD) y CHD mostraron una precisión del 80.1% y 76.9%, respectivamente. El modelo se comparó con una red neuronal artificial, bosque aleatorio, AdaBoost y una máquina de vectores de soporte. En general, la 1D CNN demostró mostrar un mejor rendimiento en términos de precisión, tasas de falsos negativos y tasas de falsos positivos. Se aplicaron estrategias similares para otras cuatro condiciones cardíacas más, y el análisis demostró que el uso de la 1D CNN híbrida produjo una mejor precisión.
Descripción
La enfermedad cardíaca es un problema importante de salud pública, y la detección temprana es crucial para un tratamiento y manejo efectivos. Las técnicas convencionales y no invasivas son engorrosas, consumen tiempo, son inconvenientes, costosas y no son adecuadas para mediciones o diagnósticos frecuentes. Con el avance de la inteligencia artificial (IA), nuevas técnicas invasivas emergentes en la investigación están detectando enfermedades cardíacas utilizando aprendizaje automático (ML) y aprendizaje profundo (DL). Los modelos de aprendizaje automático se han utilizado con el conjunto de datos disponible públicamente en internet sobre la salud cardíaca; en contraste, las técnicas de aprendizaje profundo se han aplicado recientemente para analizar electrocardiogramas (ECG) u otros datos vitales similares para detectar enfermedades cardíacas. Las limitaciones significativas de estos conjuntos de datos son su tamaño pequeño en cuanto al número de pacientes y características, y el hecho de que muchos son conjuntos de datos desequilibrados. Además, los modelos entrenados deben ser más confiables y precisos en entornos médicos. Este estudio propone una red neuronal convolucional unidimensional híbrida (1D CNN), que utiliza un gran conjunto de datos acumulado de encuestas en línea y características seleccionadas mediante algoritmos de selección de características. La 1D CNN demostró mostrar una mejor precisión en comparación con los algoritmos de aprendizaje automático contemporáneos y las redes neuronales artificiales. Los datos de validación de enfermedades cardíacas no coronarias (no-CHD) y CHD mostraron una precisión del 80.1% y 76.9%, respectivamente. El modelo se comparó con una red neuronal artificial, bosque aleatorio, AdaBoost y una máquina de vectores de soporte. En general, la 1D CNN demostró mostrar un mejor rendimiento en términos de precisión, tasas de falsos negativos y tasas de falsos positivos. Se aplicaron estrategias similares para otras cuatro condiciones cardíacas más, y el análisis demostró que el uso de la 1D CNN híbrida produjo una mejor precisión.