| Resumo: | Introdução: As doenças cardiovasculares apresentam uma elevada taxa de mortalidade a nível mundial. O Eletrocardiograma (ECG) é o exame de primeira linha no que diz respeito ao diagnóstico deste tipo de patologias e consequentemente de extrema importância na correta e rápida interpretação para um prognóstico promissor. O Enfarte do Miocárdio (EM) é uma das alterações eletrocardiográficas que, detetadas atempadamente pode apresentar um impacto enorme a nível fisiológico e anatómico do próprio músculo cardíaco. A necessidade existente de uma tomada de decisão rápida e acertada, levou ao desenvolvimento de algoritmos capazes de detetar patologias no sinal eletrocardiográfico. Metodologia: Com o intuito de maximizar a capacidade discriminativa dos diferentes tipos de EM, foram extraídos padrões específicos do ECG para alimentar algoritmos de inteligência artificial. Por forma a tirar o melhor partido dos algoritmos de inteligência artificial foi realizado um préprocessamento de todo o sinal, seguido da seleção rigorosa de segmentos que apresentam a atividade patológica de cada doença. A seleção do segmento patológico para alimentar a Convolutional Neural Network (CNN) foi feita comparando os segmentos ao longo do tempo com as características modelo das sequências temporais do EM. Resultados: Os modelos da CNN, utilizados no presente estudo, apresentam níveis de precisão superiores a 97%, 99,39%, 99,64%, 97,76% e 98,98% para o EM Anterior, Anterolateral, Inferior e Inferolateral, respetivamente. Os resultados discriminativos promissores provam que a etapa de seleção dos segmentos modelo proporcionaram uma excelente triagem entre sequências temporais patológicas e não patológicas, estando a CNN preparada para detetar essa atividade patológica associada a cada uma das modalidades para a qual foi treinada, sempre que, lhe seja apresentado um novo sinal de ECG como entrada
|
|---|