Desarrollo de un sistema de predicción del parto prematuro basado en electrohisterografía y algoritmo genético para la selección de características óptimas

Abstract

[ES] El parto prematuro es una de las complicaciones más comunes y la primera causa de muerte en niños menores de 5 años, una de las causas que mayores complicaciones de salud provocará a lo largo de la vida del sujeto, así como un gran coste económico para la sociedad. Los mecanismos que inducen este suceso todavía no están claros. Debido a que las contracciones uterinas son dadas por la actividad eléctrica del miometrio, su medición de manera externa, pueden ayudar a entender los mecanismos de inducción al parto y el origen del parto prematuro. Para ello, se introduce la técnica conocida como electromiograma uterino (EMG) o electrohisterograma (EHG), la cual se basa en el registro no invasivo de la actividad eléctrica relacionada con la contracción de las células miometriales del útero. Son diversos los estudios que han demostrado que mediante las características obtenidas por EHG es posible discernir entre contracciones “verdaderas” o “falsas” en los embarazos a término y prematuros. El objetivo del presente estudio es desarrollar un sistema de predicción del parto prematuro en mujeres de control rutinario en base a las características de EHG utilizando algoritmos computacionalmente eficientes. Para ello, se han comparado distintas técnicas de reducción de dimensionalidad para determinar las características relevantes: Análisis de Componentes Principales (PCA) y Algoritmo Genético (AG). Además, se han implementado y comparado los siguientes métodos de clasificación: Análisis Discriminante Lineal (LDA), Regresión Logística (RL), K vecinos más próximos (KNN) y Extreme Learning Machine (ELM). Los resultados muestran que el algoritmo genético permite obtener la combinación óptima de características con información complementaria para LDA y RL, obteniendo un F1-Score promedio de 89,03% y 85,78% en el grupo de test respectivamente. En cambio, PCA ha obtenido mejores resultados que el algoritmo genético cuando se emplea KNN como método de clasificación, obteniendo un F1-Score promedio de 90,19%. En base a estos clasificadores individuales, se ha implementado un clasificador combinado con la técnica de votación por mayoría, obteniendo un F1-Score promedio del 93% en el grupo de test. Estos resultados sugieren la posibilidad de desarrollar sistemas de predicción del parto prematuro precisos y generalizables en mujeres de control rutinario en base a las características de EHG. Además, estos sistemas podrían tener una gran aceptabilidad por el personal clínico al ser métodos simples y de uso clínico, mejorando así la transferibilidad de la técnica de EHG a la praxis clínica.

[CA] El part prematur és una de les complicacions més habituals i la principal causa de mort en xiquets menors de cinc anys, un dels motius que permetran complicacions importants per a la salut al llarg de la vida del subjecte, així com un gran cost econòmic per a la societat. Els mecanismes que indueixen aquest esdeveniment encara no estan clars. Com que l’activitat elèctrica del miometri dona contracció uterina, la seua mesura externa pot ajudar a comprendre els mecanismes d’inducció del treball i l’origen del treball prematur. Per a això, s’introdueix la tècnica que es coneix com a electromiograma uterí (EMG), o l’electrohisterograma (EHG), que es basa en el registre no invasiu d’activitat elèctrica relacionada amb la contracció de cèl·lules miometrials a l’úter. Diversos estudis han demostrat que utilitzant les característiques obtingudes per EHG és possible distingir entre contraccions "verdaderes" o "falses" en embarassos prematurs i a terme. L’objectiu del present estudi és desenvolupar un sistema de predicció del part prematur en dones sota control rutinari basat en les característiques d'EHG mitjançant algoritmes eficients computacionalment. Per a això, s'han diferenciat tècniques de reducció de la dimensionalitat per determinar les característiques rellevants: Anàlisi de Components Principals (PCA) i Algoritme Genètic (AG). A més, s'han implementat i comparats els següents mètodes de classificació: Anàlisi Discriminant Lineal (LDA), Regressió Logística (RL), K veïns més pròxims (KNN) i Extreme Learning Machine (ELM). Els resultats mostren que l’algoritme genètic permet obtindre l’òptima combinació de característiques amb informació complementària per a LDA i RL, i s'ha aconseguit una puntuació F1 del 89,03% i el 85,78% en el grup de prova, respectivament. En canvi, PCA ha obtingut millors resultats que l'algoritme genètic quan s'utilitza KNN com a mètode de classificació, ja que ha obtingut una puntuació F1 del 90,19%. Sobre la base d'aquests classificadors individuals, un classificador combinat amb la tècnica de la votació per majoria ha sigut executat, i ha aconseguit una F1-Score de 93% en el grup de prova. Aquests resultats suggereixen la possibilitat de desenvolupar un sistema exacte i generalitzable de predicció del treball prematur en dones controlades de forma rutinària basat en les característiques d'EHG. A més, aquests sistemes podrien tindre una excel·lent acceptabilitat per part del personal clínic, ja que són mètodes senzills i d'ús clínic, que milloraran així la transferibilitat de la tècnica EHG a la praxi clínica.

[EN] Preterm labour is one of the most common complications and the leading cause of death in children under five years old, one of the reasons that will let significant health complications throughout the life of the subject, as well as a tremendous economic cost for the society. The mechanisms that induce this event are still unclear because the electrical activity of the myometrium gives uterine contraction; its measurement externally can help to understand the mechanisms of labour induction and the origin of premature labour. For this, the technique is known as uterine electromyogram (EMG), or electrohysterogram (EHG) is introduced, which is based on the non-invasive recording of electrical activity related to the contraction of myometrial cells in the uterus. Several studies have shown that using the characteristics obtained by EHG. It is possible to discern between "true" or "false" contractions in term and premature pregnancies. The objective of the present study is to develop a system for predicting preterm birth in women under routine control based on the characteristics of EHG using computationally efficient algorithms. For this, different dimensionality reduction techniques have been differentiated to determine the relevant characteristics: Principal Component Analysis (PCA) and Genetic Algorithm (GA). Besides, the following classification methods have been implemented and compared: Linear Discriminant Analysis (LDA), Logistic Regression (RL), K-Nearest Neighbors (KNN), Extreme Learning Machine (ELM). The results show that the genetic algorithm allows obtaining the optimal combination of characteristics with complementary information for LDA and RL, reaching an F1-Score of 89.03% and 85.78% in the test group, respectively. In contrast, PCA has achieved better results than the genetic algorithm when KNN is used as the classification method, obtaining an F1-Score of 90.19%. Based on these individual classifiers, a classifier combined with the majority voting technique has been executed, getting an F1-Score of 93% in the test group. These results suggest the possibility of developing an accurate and generalizable system of prediction of premature labour in routinely controlled women based on the characteristics of EHG. Furthermore, these systems could have excellent acceptability by clinical personnel as they are simple methods. As well, and for clinical use, thus improving the transferability of the EHG technique to clinical praxis.