Modelo preditivo baseado em redes neurais convolucionais para identificação de diabetes a partir de traçado de eletrocardiograma

Abstract

O diabetes melitos é uma doença que atinge milhões de pessoas no mundo, assim como gera perda de qualidade e tempo de vida. A redução da capacidade do Sistema Nervoso Autônomo nos pacientes diabéticos, é lenta e pode ocorrer ainda na fase de pré diabetes, condição conhecida como Disautonomia, que altera a frequência cardíaca. A detecção precoce destas alterações no Eletrocardiograma (ECG) com o uso de inteligência artificial é um avanço nessa area. O uso de entropia para o enriquecimento da análise computacional é um campo promissor, pois avaliam a uniformidade e previsibilidade dos sinais do ECG. A proposta do estudo é a estruturação de uma Rede Neural Convolucional enriquecida com parâmetros de entropia, métricas da Variabilidade da frequência cardíaca (VFC) e idade, para descrever a sua capacidade de identificar pacientes diabéticos, com a utilização de diferentes modelos. O modelo que apresentou melhor resultado obteve uma AUC = 0,85, o equilíbrio entre acurácia e sensibilidade é expresso no F1-Score = 72,8, apresentando características favoráveis a melhorias e pode ser utilizado para os testes de validação.

Abstract: Diabetes mellitus is a disease that affects millions of people worldwide, leading to a decrease in quality of life and lifespan. The gradual reduction in the capacity of the Autonomic Nervous System in diabetic patients can occur even during the pre-diabetes phase. This condition, known as Dysautonomia, alters heart rate. Early detection of these changes in the Electrocardiogram (ECG) using artificial intelligence represents an advancement in this field. The use of entropy for enhancing computational analysis is a promising area, as it assesses the uniformity and predictability of ECG signals. The study proposes the construction of a Convolutional Neural Network enriched with entropy parameters, Heart Rate Variability (HRV) metrics, and age to describe its ability to identify diabetic patients. The model that yielded the best results achieved an AUC (Area Under the Curve) of 0.85, with a balance between accuracy and sensitivity expressed by an F1-Score of 72.8. These favorable characteristics make it suitable for validation tests.