Resumen

El parto prematuro es una de las principales causas de muerte neonatal y también la causa de importantes trastornos de salud y desarrollo en los que sobreviven. Sin embargo, aún no existen herramientas fiables y precisas para la predicción del parto prematuro en el ámbito clínico. Se ha demostrado que la electrohisterografía (EHG) proporciona información relevante sobre el horizonte temporal del parto. Muchos estudios se han centrado en la predicción del parto prematuro utilizando parámetros temporales, espectrales y no lineales extraídos de grabaciones únicas de EHG. Sin embargo, el análisis multicanal, que incluye información de todo el útero y sobre el acoplamiento entre las zonas de registro, puede proporcionar mejores resultados. El método de validación cruzada se utiliza a menudo para diseñar clasificadores y evaluar su rendimiento. Sin embargo, cuando el conjunto de datos de validación se utiliza para ajustar los hiperparámetros del clasificador, las métricas de rendimiento de este conjunto de datos pueden no evaluar adecuadamente su capacidad de generalización. En este trabajo, desarrollamos y comparamos diferentes clasificadores, basados en redes neuronales artificiales, para predecir el parto prematuro utilizando características de EHG de grabaciones monocanal y multicanal. Como características de entrada se utilizó un conjunto de parámetros temporales, espectrales, no lineales y de sincronización calculados a partir de grabaciones de EHG. Todos los clasificadores se evaluaron en conjuntos de datos de prueba independientes, que nunca fueron "vistos" por los modelos, para determinar su capacidad de generalización. También se evaluó el rendimiento de los clasificadores cuando se incluyeron datos obstétricos. Los resultados experimentales muestran que las métricas de rendimiento de los clasificadores fueron significativamente inferiores en el conjunto de datos de prueba (rango AUC 76-91%) que en los conjuntos de entrenamiento y validación (rango AUC 90-99%). Los clasificadores multicanal superaron a los clasificadores monocanal, especialmente cuando la información se combinó en índices de eficiencia media e incluyó información de acoplamiento entre canales. La inclusión de datos obstétricos mejoró ligeramente las métricas de los clasificadores y alcanzó un AUC de 91,1±2,5en el conjunto de datos de prueba. Estos resultados son prometedores para la transferencia de la técnica EHG a la predicción del parto prematuro en la práctica clínica.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:predicción de parto prematuro, información, rango auc, capacidad de generalización, datos obstétricos, parto prematuro, conjunto de datos de prueba, redes neuronales artificiales, métrica de rendimiento del clasificador, método de validación cruzada
• Keywords:preterm labor prediction, information, auc range, generalization capacity, obstetrical data, preterm labor, test dataset, artificial neural networks, classifier performance metrics, cross validation method