2nd International Symposium on "Generation and Transfer of Knowledge for Digital Transformation"
SITIC2023
Abstract
Abstract: Problem to deal with. More than 64 million people worldwide are affected
by heart failure syndrome. In this context, the early diagnosis is vital to provide an
adequate and effective treatment. Ejection fraction estimation from echocardiograms is
one of the main parameters for the diagnosis, but it is difficult to achieve manually. Aims.
To explore recent Deep-Learning-based algorithms to estimate the ejection fraction
automatically or semiautomatically. Methodology. We present an application of a Deep
Learning model to estimate the ejection fraction using the EchoNet-Dynamic library with
a new dataset acquired in Cuba. Results and Discussion. A quantitative analysis shows
a Mean Absolute Error of 8.96% and a Pearson Correlation of 0.52. Finally, we present a
discussion based on Bland-Altman plot. Conclusions. Although results are modest, this
research paves the way to increase the use of artificial intelligence as a complement in
clinical diagnosis for heart failure syndrome.
Resumen
Resumen: Problema a tratar. Más de 64 millones de personas en todo el mundo están
afectadas por el síndrome de insuficiencia cardiaca. En este contexto, el diagnóstico
precoz es vital para proporcionar un tratamiento adecuado y eficaz. La estimación de la
fracción de eyección a partir de ecocardiogramas es uno de los principales parámetros
para el diagnóstico, pero es difícil de conseguir manualmente. Objetivos. Explorar
algoritmos recientes basados en Aprendizaje Profundo para estimar la fracción de
eyección de forma automática o semiautomática. Metodología. Presentamos una
aplicación de un modelo de Aprendizaje Profundo para estimar la fracción de eyección
utilizando la biblioteca EchoNet-Dynamic con un nuevo conjunto de datos adquiridos en
Cuba. Resultados y Discusión. Un análisis cuantitativo muestra un Error Absoluto
Medio de 8,96 y una Correlación de Pearson de 0,52. Finalmente, presentamos una
discusión basada en el gráfico de Bland-Altman. Conclusiones. Aunque los resultados
son modestos, esta investigación abre el camino para incrementar el uso de la
inteligencia artificial como complemento en el diagnóstico clínico del síndrome de
insuficiencia cardiaca.
About The Speaker
Ph. D. Alberto Taboada Crispi
Discussion
