- Submissão
- Submissão online
- Diretrizes para Autores
- Declaração de Direito Autoral
- Política de Privacidade
- Sobre este sistema de publicação
- Sobre
- Foco e Escopo
- Equipe Editorial
- História da Revista Principia
- Normas de homogeneidade
- Comitê de ética
- Política de ética para autores, Conselho Editorial e avaliadores
- Política de retirada de artigos
- Perguntas e respostas frequentes
- Equipe de apoio da Revista Principia
- Conflito de interesses
- Plano de Desenvolvimento Editorial da Revista Principia
- Princípios DEIA (Diversidade, Equidade, Inclusão e Acessibilidade)
- Normas para números especiais na Revista Principia
- Princípios FAIR
- Curso de Escrita Científica - ACS - Prof. Osvaldo
- Sites e manuais sobre boas práticas científicas
Sim-ECG: plataforma computacional de código aberto para classificação de patologias cardíacas
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.
Visitas a este artigo: 947
Total de downloads do artigo: 535