Desarrollo de un nuevo algoritmo de detección para identificar el síndrome coronario agudo utilizando biosensores electroquímicos para monitoreo a largo plazo en el mundo real
Autores: Redon, Pau; Shahzad, Atif; Iqbal, Talha; Wijns, William
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Desarrollo de un nuevo algoritmo de detección para identificar el síndrome coronario agudo utilizando biosensores electroquímicos para monitoreo a largo plazo en el mundo real
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Electroquímicamente
Biosensor
Algoritmo
Troponina
Sensores electroquímicos
Modelo de regresión logística
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Las tecnologías basadas en electroquímica están avanzando rápidamente desde el laboratorio a las aplicaciones en la cabecera y dispositivos portátiles, como en el campo de las enfermedades cardiovasculares. Los principales esfuerzos se han centrado en el componente biosensor en contraste con los empleados en la creación de algoritmos de detección más adecuados para soluciones de monitoreo a largo plazo en el mundo real. El procedimiento de curva de calibración presenta limitaciones importantes en este contexto. El objetivo es proponer un nuevo algoritmo, conforme a las directrices clínicas actuales, que pueda superar estas limitaciones y contribuir al desarrollo de soluciones confiables de monitoreo portátil o telemonitoreo para el cuidado en el hogar. Un total de 123 muestras de solución de buffer de fosfato fueron contaminadas con diferentes concentraciones de troponina, el método estándar de oro para el diagnóstico del síndrome coronario agudo. Estas fueron clasificadas como normales o anormales según los valores de corte clínicos establecidos. Se realizaron medidas con sensores electroquímicos serigrafiados listos para usar y voltametría cíclica (barrido entre -1 y 1 V en un paso de 5 mV) para caracterizar los cambios en la superficie del biosensor y medir la concentración de troponina en cada muestra. Se desarrolló un modelo de regresión logística para clasificar con precisión estas muestras como normales o anormales. El modelo presenta un alto rendimiento predictivo según la especificidad (94%), sensibilidad (92%), precisión (92%), recall (92%), valor predictivo negativo (94%) y F-score (92%). El área bajo la curva de precisión-recall es del 97% y las razones de probabilidad positiva y negativa son 16.38 y 0.082, respectivamente. Además, se observa un alto poder discriminatorio a partir de los valores del índice de probabilidad discriminante (201) y el índice de Youden (0.866). El rendimiento prometedor del algoritmo propuesto sugiere su capacidad para superar las limitaciones del procedimiento de curva de calibración y, por lo tanto, su idoneidad para el desarrollo de soluciones confiables de cuidado en el hogar.
Descripción
Las tecnologías basadas en electroquímica están avanzando rápidamente desde el laboratorio a las aplicaciones en la cabecera y dispositivos portátiles, como en el campo de las enfermedades cardiovasculares. Los principales esfuerzos se han centrado en el componente biosensor en contraste con los empleados en la creación de algoritmos de detección más adecuados para soluciones de monitoreo a largo plazo en el mundo real. El procedimiento de curva de calibración presenta limitaciones importantes en este contexto. El objetivo es proponer un nuevo algoritmo, conforme a las directrices clínicas actuales, que pueda superar estas limitaciones y contribuir al desarrollo de soluciones confiables de monitoreo portátil o telemonitoreo para el cuidado en el hogar. Un total de 123 muestras de solución de buffer de fosfato fueron contaminadas con diferentes concentraciones de troponina, el método estándar de oro para el diagnóstico del síndrome coronario agudo. Estas fueron clasificadas como normales o anormales según los valores de corte clínicos establecidos. Se realizaron medidas con sensores electroquímicos serigrafiados listos para usar y voltametría cíclica (barrido entre -1 y 1 V en un paso de 5 mV) para caracterizar los cambios en la superficie del biosensor y medir la concentración de troponina en cada muestra. Se desarrolló un modelo de regresión logística para clasificar con precisión estas muestras como normales o anormales. El modelo presenta un alto rendimiento predictivo según la especificidad (94%), sensibilidad (92%), precisión (92%), recall (92%), valor predictivo negativo (94%) y F-score (92%). El área bajo la curva de precisión-recall es del 97% y las razones de probabilidad positiva y negativa son 16.38 y 0.082, respectivamente. Además, se observa un alto poder discriminatorio a partir de los valores del índice de probabilidad discriminante (201) y el índice de Youden (0.866). El rendimiento prometedor del algoritmo propuesto sugiere su capacidad para superar las limitaciones del procedimiento de curva de calibración y, por lo tanto, su idoneidad para el desarrollo de soluciones confiables de cuidado en el hogar.