Tres herramientas de clasificación ayudan a diagnosticar problemas cardiacos

Investigadores en el Colegio de Tecnología PSG (Coimbatore, India) investigaron si era posible, o no, detectar problemas del corazón e indicadores de paros cardiacos inminentes más rápido que con las técnicas actuales. Para ello, los investigadores buscaron datos desde las bases de datos de las enfermedades del corazón en la página web Physionet, un sitio dedicado a los datos médicos de diversas enfermedades y su estudio. A continuación, procesaron las señales usando tres métodos diferentes: Random Forests, Logistic Model Tree (LMT), y red neuronal perceptrón multicapa - para validar las conclusiones de diagnóstico.

Los investigadores utilizaron medidas, tanto lineales (dominio del tiempo y dominio de la frecuencia) y no lineales de la variabilidad del ritmo cardíaco para la clasificación exacta de algunas enfermedades cardíacas. Los resultados de la clasificación indicaron que la combinación de medidas lineales y no lineales es un mejor indicador de enfermedades del corazón que las medidas lineales o no lineales, solas, y en última instancia, los investigadores pudieron obtener una exactitud para la clasificación de la enfermedad cardíaca del 98,17%. El estudio se publicó en la edición de julio de 2010 en la revista Journal of Electronic Healthcare (IJEH).

"La frecuencia cardíaca y la variabilidad del ritmo cardíaco (HRV) son medidas importantes que reflejan el estado del sistema cardiovascular. El análisis de la HRV ha ganado importancia en el campo de la cardiología para la detección de anomalías cardíacas”, dijo el autor principal Vimal Kumar, Ph.D., del departamento de ingeniería biomédica. "La variabilidad a corto plazo en la frecuencia cardíaca, podría ser estudiada con los cambios eléctricos de baja y alta frecuencia; de hecho, se ha encontrado que la relación de baja frecuencia a alta frecuencia es el determinante HRV más influyente de la muerte y podría ayudar a identificar a los pacientes en riesgo”.

Random forest es un clasificador conjunto que se compone de árboles de decisión y le da salida a la clase que representa el modo mediante árboles individuales; un LMT es un algoritmo bajo la supervisión de las tareas de aprendizaje que se combina con la regresión lineal logística y la inducción de árboles, y un perceptrón multicapa es un modelo de red neuronal, feedforward artificial, que mapea la serie de datos de entrada en un conjunto de salida correspondiente.

Enlaces relacionados:

PSG College of Technology
Physionet