Detecting False Arrhythmias Alarms in the ICU Using a Deep Learning Approach

Moreno Jaimes, German Dario; Ardila Garnica, Karol Milena

Detecting False Arrhythmias Alarms in the ICU Using a Deep Learning Approach

dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.advisor	Santos Ortiz, Camilo Andrés
dc.contributor.author	Moreno Jaimes, German Dario
dc.contributor.author	Ardila Garnica, Karol Milena
dc.contributor.evaluator	Garcia Arenas, Hans Yecid
dc.contributor.evaluator	Cancino Rey, William Andrés
dc.date.accessioned	2024-05-22T16:18:34Z
dc.date.available	2024-05-22T16:18:34Z
dc.date.created	2024-05-18
dc.date.issued	2024-05-18
dc.description.abstract	En el entorno de la Unidad de Cuidados Intensivos (UCI), las falsas alarmas de arritmia se convierten en una perturbación constante que genera estrés tanto para el personal médico como para los pacientes. La elevada tasa de estos informes, unida a la incapacidad de los sistemas de monitorización para discernir con precisión entre señales cardiacas normales y arritmias, compromete la calidad de la atención y pone en riesgo la salud de los pacientes. El objetivo de esta investigación fue identificar falsas alarmas utilizando redes neuronales convolucionales (CNN) entrenadas con datos de la base de datos PhysioNet Computing in Cardiology Challenge 2015. Además, exploramos la eficacia de las técnicas de aumento de datos en el entrenamiento del modelo; las métricas de evaluación del rendimiento utilizadas incluyeron la tasa de verdaderos positivos (TPR), la tasa de verdaderos negativos (TNR), la puntuación F1, el área bajo la curva (ROC) y la puntuación final del PhysioNet Computing in Cardiology Challenge 2015. Nuestros resultados sugieren que el modelo propuesto genera una reducción de la tasa de falsos negativos (FN) al 5,9 % y revelan que las técnicas de aumento de datos no tuvieron un impacto significativo en la identificación de falsas alarmas.
dc.description.abstractenglish	In the Intensive Care Unit (ICU) setting, false arrhythmia alarms become a constant disturbance that generates stress for both medical staff and patients. The high rate of these reports, coupled with the inability of monitoring systems to accurately discern between normal cardiac signals and arrhythmias, compromises the quality of care and puts patients' health at risk. The aim of this research was to identify false alarms using convolutional neural networks (CNNs) trained with data from the PhysioNet Computing in Cardiology Challenge 2015 database. In addition, we explored the effectiveness of data augmentation techniques in training of the model; the performance evaluation metrics used included true positive rate (TPR), true negative rate (TNR), F1 score, area under the curve (ROC), and final score of the PhysioNet Computing in Cardiology Challenge 2015. Our results suggest that the proposed model generates reduction of the false negative rate (FN) to 5.9 % and reveal that data augmentation techniques did not have a significant impact on false alarm identification.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/42555
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Unidades de Cuidados Intensivos
dc.subject	Arritmias cardiacas
dc.subject	Falsas alarmas
dc.subject	Aprendizaje Profundo
dc.subject.keyword	Intensive Care Units
dc.subject.keyword	Cardiac Arrhythmia
dc.subject.keyword	False Alarm
dc.subject.keyword	Deep Learning
dc.title	Detecting False Arrhythmias Alarms in the ICU Using a Deep Learning Approach
dc.title.english	Detecting False Arrhythmias Alarms in the ICU Using a Deep Learning Approach
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado