Modelo bio-inspirado para la aproximación de nacimiento por cesárea

Fecha

Autor corporativo

Título de la revista

ISSN de la revista

Título del volumen

Editor

Compartir

Altmetric

Resumen

Cesarean delivery is one of the causes of maternal mortality with the highest percentage, in Colombia for 2021 it was 46.4%. To mitigate this, health professionals monitor pregnant women; however, the density of information and the volume of patients make it difficult to consider their symptoms in detail. Taking into account a public database that contains demographic information of 45 pregnant women and the recording of the electrohystereogram (EHG) biosignal, which is a non-invasive technique that represents the electrical activity of the cells of the uterus. A bio-inspired model is developed implementing the classifiers: K Nearest Neighbors (KNN), Multilayer Perceptron (MLP), Support Vector Machines (SVM) and Deep Learning (DP), to process data sets with demographic information, characteristics of the EHG biosignal, and their combination. Finally, the bio-inspired model is evaluated by calculating the performance indices: sensitivity, specificity and precision. The best performance in the analysis of demographic data is obtained with: KNN where the sensitivity is 100% and the specificity is greater than 80% together with SVM with a sensitivity of 75% and a specificity of 83.3%. The classifiers with the highest performance in the analysis of the EHG biosignal are: MLP with a sensitivity of 82.3% and a specificity of 85.7%, followed by PD with a specificity of 72.8%. The percentages with the highest accuracy are found when considering only the demographic data or the EHG biosignal, in contrast to that obtained with the combined data. The bio-inspired model allows for 90% accuracy with demographic information and 90.9% with EHG information.

Descripción

El parto por cesárea es una de las causas de mortalidad materna con mayor porcentaje, en Colombia para el 2021 fue del 46,4 %. Para mitigar esto los profesionales de la salud realizan seguimiento a la gestante, sin embargo, la densidad de información y el volumen de pacientes hacen complejo considerar su sintomatología en detalle. Teniendo en cuenta una base de datos pública que contiene información demográfica de 45 gestantes y el registro de la bioseñal electrohistereograma (EHG), la cual es una técnica no invasiva que representa la actividad eléctrica de las células del útero. Se desarrolla un modelo bio-inspirado implementando los clasificadores: K vecinos cercanos (KNN), perceptrón multicapa (MLP), máquinas de vectores de soporte (SVM) y aprendizaje profundo (DP), para procesar grupos de datos con información demográfica, características de la bioseñal EHG, y su combinación. Finalmente, se evalúa el modelo bio-inspirado calculando los índices de desempeño: sensibilidad, especificidad y precisión. El mejor rendimiento en el análisis de datos demográficos se obtiene con: KNN donde la sensibilidad es del 100 % y la especificidad es superior al 80 % junto a SVM con una sensibilidad del 75 % y una especificidad del 83,3 %. Los clasificadores de mayor desempeño en el análisis de la bio-señal EHG son: MLP con una sensibilidad del 82,3 % y una especificidad del 85,7 %, le sigue el DP con una especificidad de 72,8 %. Los porcentajes de mayor acierto se encuentran cuando se consideran solo los datos demográficos o la bioseñal EHG, en contraste con el obtenido con los datos combinados. El modelo bio-inspirado permite una precisión del 90 % con información demográfica y del 90,9 % con la información de la EHG.

Palabras clave

Cesárea, Inteligencia artificial, Mortalidad materna, Aproximación, Predicción

Materias

Maestría en Ingeniería - Énfasis en Ingeniería Electrónica -- Tesis y disertaciones académicas , Bioseñales , Inteligencia artificial médica , Mortalidad materna y prevención

Citación