Approach to the diagnosis of cesarean delivery using bio- inspired models

Jennifer Viviana Pacheco Fandiño; Luz Helena Camargo Casallas; Andrés Eduardo Gaona Barrera; Vilma Fandiño Osorio

Ayuda

Approach to the diagnosis of cesarean delivery using bio- inspired models

Pacheco-Fandiño, Jennifer Viviana ^[1] ; Camargo-Casallas, Luz Helena ^[1] ; Gaona-Barrera, Andrés Eduardo ^[1] ; Fandiño-Osorio, Vilma ^[2]
1. [1] Universidad Distrital Francisco José de Caldas
  
  Universidad Distrital Francisco José de Caldas
  
  Colombia
2. [2] Universidad de Ciencias Aplicadas y Ambientales
  
  Universidad de Ciencias Aplicadas y Ambientales
  
  Colombia
Localización: Visión electrónica, ISSN 1909-9746, ISSN-e 2248-4728, Vol. 18, Nº. 2, 2024
Idioma: inglés
Títulos paralelos:
- Aproximación al diagnóstico del parto por cesárea mediante modelos bio-inspirados
Enlaces
- Texto completo (pdf)
Resumen
- español
  La tasa de mortalidad materna por cesárea de Colombia en 2021 es 46,4 %, para disminuirlo, profesionales de la salud dan seguimiento a las gestantes, sin embargo, la densidad de información y el volumen de pacientes hace complejo tener en cuenta la sintomatología. Este artículo desarrolla un modelo bio-inspirado para la clasificación de parto por cesárea, basado en información demográfica y la bioseñal Electrohistereograma (EHG) del binomio madre-hijo. Los clasificadores son k vecinos más cercanos (KNN), perceptrón multicapa (MLP), máquinas de vectores de soporte (SVM) y aprendizaje profundo. Finalmente, se calcula el rendimiento.
  
  El mejor desempeño del análisis de datos demográficos se obtiene con: KNN con sensibilidad (S) del 100 % y especificidad (ES) de más del 80 % junto a SVM con S del 75 % y ES del 83,3 %. El mayor rendimiento en el análisis del EHG son MLP con S de 82.3 % y ES de 85.7 %. Esta herramienta brinda apoyo a la detección temprana de nacimientos por cesárea, teniendo en cuenta los antecedentes de la gestante y el comportamiento del feto.
- English
  In 2021, the cesarean section-related maternal mortality rate in Colombia was 46.4%. Efforts to reduce this rate have focused on monitoring maternal health, but the high volume of data and patient load complicate comprehensive symptom tracking. This study introduces a bio- inspired model for classifying cesarean deliveries using demographic information and electrohystereographic (EHG) biosignals from the mother-child dyad. The implemented classifiers include K-nearest neighbors (KNN), multilayer perceptron (MLP), support vector machines (SVM), and deep learning algorithms.
  
  For demographic data analysis, KNN achieved a sensitivity (S) of 100% and a specificity (ES) exceeding 80%, while SVM recorded an S of 75% and an ES of 83.3%. In EHG analysis, MLP demonstrated an S of 82.3% and an ES of 85.7%, followed by deep learning with an S of 72.8%. This model facilitates early detection of cesarean births by integrating maternal history and fetal behavior data.