Sim-ECG: plataforma computacional de código aberto para classificação de patologias cardíacas

Helder Alves Pereira

ORCID iD Universidade Federal de Campina Grande (UFCG), Campina Grande, Paraíba, Brasil

João Pedro dos Santos Silva

ORCID iD Universidade Federal de Campina Grande (UFCG), Campina Grande, Paraíba, Brasil

Pedro Henrique dos Santos Almeida

ORCID iD Universidade Federal de Campina Grande (UFCG), Campina Grande, Paraíba, Brasil

Letícia Chaves Lima Cananéa

ORCID iD Universidade Federal de Campina Grande (UFCG), Campina Grande, Paraíba, Brasil

Resumo

Técnicas de inteligência artificial vêm sendo utilizadas no auxílio ao diagnóstico de patologias. Com elas, torna-se possível analisar automaticamente uma grande quantidade de dados complexos. Dessa forma, patologias podem ser detectadas em estágios menos avançados. Neste artigo, apresenta-se uma plataforma computacional de código aberto que analisa sinais obtidos por meio de exames de eletrocardiograma. Para isso, foram utilizadas bases de dados públicas que possibilitaram analisar e classificar as informações, considerando diversos métodos de inteligência artificial. Os resultados obtidos demonstram a viabilidade da plataforma para estudos e desenvolvimento de ferramentas computacionais para auxílio no diagnóstico precoce de patologias cardíacas.

Palavras-chave


aprendizagem de máquina; aprendizagem profunda; classificação; eletrocardiograma; inteligência artificial


Texto completo:

Referências


ASSEN, M. V.; MUSCOGIURI, G.; CARUSO, D.; LEE, S. J.; LAGHI, A.; DE CECCO, C. N. Artificial intelligence in cardiac radiology. La Radiologia Medica, v. 125, p. 1186-1199, 2020. DOI: https://doi.org/10.1007/s11547-020-01277-w.

BOCK, S.; WEIß, M. A proof of local convergence for the Adam optimizer. In: 2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), 2019, Budapest. Proceedings […]. Budapest: IEEE, 2019. p. 1-8. DOI: https://doi.org/10.1109/IJCNN.2019.8852239.

BOUSSELJOT, R.-D. Physionet PTB Diagnostic ECG Database. 2004. Disponível em: http://www.physionet.org/content/ptbdb/1.0.0. Acesso em: 23 abr. 2023.

DEY, D.; CHAUDHURI, S.; MUNSHI, S. Obstructive sleep apnoea detection using convolutional neural network based deep learning framework. Biomedical Engineering Letters, v. 8, p. 95-100, 2018. DOI: https://doi.org/10.1007/s13534-017-0055-y.

FEENY, A. K.; CHUNG, M. K.; MADABHUSHI, A.; ATTIA, Z. I.; CIKES, M.; FIROUZNIA, M.; FRIEDMAN, P. A.; KALSCHEUR, M. M.; KAPA, S.; NARAYAN, S. M.; NOSEWORTHY, P. A.; PASSMAN, R. S.; PEREZ, M. V.; PETERS, N. S.; PICCINI, J. P.; TARAKJI, K. G.; THOMAS, S. A.; TRAYANOVA, N. A.; TURAKHIA, M. P.; WANG, P. J. Artificial intelligence and machine learning in arrhythmias and cardiac electrophysiology. Circulation: Arrhythmia and Electrophysiology, v. 13, n. 8, e007952, 2020. DOI: https://doi.org/10.1161/circep.119.007952.

FERREIRA, J. L.; LOPES, F. G. Eletrocardiograma para enfermeiros. [S.l.]: BoD GmbH DE, 2013.

FLETCHER, G. S. Epidemiologia clínica: elementos essenciais. Porto Alegre: Artmed, 2021.

GUVENIR, H. A.; ACAR, B.; DEMIROZ, G.; CEKIN, A. A supervised machine learning algorithm for arrhythmia analysis. In: COMPUTERS IN CARDIOLOGY, 1997, Lund. Proceedings […]. Lund: IEEE, 1997. p. 433-436. DOI: https://doi.org/10.1109/CIC.1997.647926.

HSIEH, C.-H.; LI, Y.-S.; HWANG, B.-J.; HSIAO, C.-H. Detection of atrial fibrillation using 1D convolutional neural network. Sensors, v. 20, n. 7, 2136, 2020. DOI: https://doi.org/10.3390/s20072136.

JIANG, B.; GUO, N.; GE, Y.; ZHANG, L.; OUDKERK, M.; XIE, X. Development and application of artificial intelligence in cardiac imaging. British Journal of Radiology, v. 93, n. 1113, 20190812, 2020. DOI: https://doi.org/10.1259/bjr.20190812.

KACHUEE, M.; FAZELI, S.; SARRAFZADEH, M. ECG heartbeat classification: a deep transferable representation. In: IEEE INTERNATIONAL CONFERENCE ON HEALTHCARE INFORMATICS (ICHI), 2018, New York. Proceedings […]. New York: IEEE, 2018. p. 443-444. DOI: https://doi.org/10.1109/ICHI.2018.00092.

KILIC, A. Artificial intelligence and machine learning in cardiovascular health care. The Annals of Thoracic Surgery, v. 109, n. 5, p. 1323-1329, 2020. DOI: https://doi.org/10.1016/j.athoracsur.2019.09.042.

LI, Q.; RAJAGOPALAN, C.; CLIFFORD, G. D. Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Transactions on Biomedical Engineering, v. 61, n. 6, p. 1607-1613, 2013. DOI: https://doi.org/10.1109/TBME.2013.2275000.

LI, Z.; DERKSEN, H.; GRYAK, J.; HOOSHMAND, M.; WOOD, A.; GHANBARI, H.; GUNARATNE, P.; NAJARIAN, K. Supraventricular tachycardia detection via machine learning algorithms. In: IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM), 2018, Madrid. Proceedings […]. Madrid: IEEE, 2018. p. 2419-2422. DOI: https://doi.org/10.1109/BIBM.2018.8621164.

MOODY, G.; MARK, R. Physionet Apnea-ECG Database. 2000. Disponível em: http://physionet.org/content/apnea-ecg/1.0.0. Acesso em: 23 abr. 2023.

MOODY, G.; MARK, R. Physionet MIT-BIH Arrhythmia Database. 2005. Disponível em: http://www.physionet.org/content/mitdb/1.0.0. Acesso em: 23 abr. 2023.

RAHMAN, Q. A.; TERESHCHENKO, L. G.; KONGKATONG, M.; ABRAHAM, T.; ABRAHAM, M. R.; SHATKAY, H. Utilizing ECG-based heartbeat classification for hypertrophic cardiomyopathy identification. IEEE Transactions on Nanobioscience, v. 14, n. 5, p. 505-512, 2015. DOI: https://doi.org/10.1109/tnb.2015.2426213.

SIONTIS, K. C.; NOSEWORTHY, P. A.; ATTIA, Z. I.; FRIEDMAN, P. A. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nature Reviews Cardiology, v. 18, n. 7, p. 465-478, 2021. DOI: https://doi.org/10.1038/s41569-020-00503-2.

SOBRAC – SOCIEDADE BRASILEIRA DE ARRITMIAS CARDÍACAS. Perguntas e respostas sobre arritmias cardíacas. 2022. Disponível em: https://www.sobrac.org/campanha/perguntas-e-respostas-sobre-arritmias-cardiacas. Acesso em: 23 abr. 2023.

URTNASAN, E.; PARK, J.-U.; JOO, E.-Y.; LEE, K.-J. Automated detection of obstructive sleep apnea events from a single-lead electrocardiogram using a convolutional neural network. Journal of Medical Systems, v. 42, 104, 2018. DOI: https://doi.org/10.1007/s10916-018-0963-0.


DOI: http://dx.doi.org/10.18265/2447-9187a2022id7597

O arquivo PDF selecionado deve ser carregado no navegador caso tenha instalado um plugin de leitura de arquivos PDF (por exemplo, uma versão atual do Adobe Acrobat Reader).

Como alternativa, pode-se baixar o arquivo PDF para o computador, de onde poderá abrí-lo com o leitor PDF de sua preferência. Para baixar o PDF, clique no link abaixo.

Caso deseje mais informações sobre como imprimir, salvar e trabalhar com PDFs, a Highwire Press oferece uma página de Perguntas Frequentes sobre PDFs bastante útil.

Visitas a este artigo: 947

Total de downloads do artigo: 535