Autores: Laura Arjona , Yasha Iravantchi , Marcos Alvarez , Alanson Sample , Alfonso Bahillo, Elba Canalon.
La uroflujometría es una prueba diagnóstica no invasiva que evalúa la función del tracto urinario. En la actualidad, la uroflujometría cuenta con dos limitaciones principales: (i) la elevada variabilidad intra-sujeto de los parámetros de flujo y (ii) la incapacidad de reproducir el proceso natural de la micción, ya que el paciente debe orinar a demanda. Una posible solución para dos limitaciones es realizar varias uroflujometrías para cada paciente cuando esté fisiológicamente preparado.
Para lograr este objetivo, presentamos una plataforma ultrasónica de bajo coste que ejecuta un novedoso modelo de clasificación de aprendizaje para detectar y registrar eventos miccionales automáticamente sin intervención del usuario. Dado que la plataforma funciona fuera de las frecuencias audibles por el ser humano, se preserva la privacidad del usuario, lo que permite su aceptación a largo plazo como parte de la rutina diaria. En el estudio, evaluamos algoritmos de ML de diversa complejidad para realizar la clasificación de las micciones con modelos ML ligeros. Nuestros resultados muestran que el modelo Gradient Boost presenta los mejores resultados en cuanto a precisión de clasificación (97,6%) y baja tasa de falsos negativos (1,19). Por último, este trabajo demuestra que la envolvente del flujo miccional, útil en el diagnóstico de patologías subyacentes, se mantiene incluso cuando frecuencias inaudibles.
Importancia clínica- Esta tarea de clasificación tiene el potencial de formar parte de un conjunto de herramientas esenciales para la telemedicina en urología. Es especialmente útil en zonas que carecen de una infraestructura médica adecuada, pero que disponen de dispositivos de captura de audio ubicuos con capacidades de Edge AI. con capacidades Edge AI.
Los resultados muestran que, para cada modelo individual, se obtiene una precisión similar al establecer el límite superior de frecuencia en 48 kHz y 96 kHz. También podemos observar que la obtención de las características de audio con el espectro completo (incluidas las frecuencias audibles por el ser humano) no mejora significativamente la precisión de cada modelo significativamente, pero sí aumenta considerablemente el coste (El coste del Ultramic384K es de unos 400 euros). El modelo MLP presenta la mayor precisión, con un valor en torno al 97%.
Este trabajo presenta una prueba de concepto de una plataforma acústica basada en RP que ejecuta un novedoso modelo de clasificación de aprendizaje automático para detectar y registrar eventos miccionales de forma automática preservando la privacidad de los usuarios. Esta plataforma pretende hacer frente a los problemas asociados con la mayoría de las pruebas actuales de uroflujometría en las clínicas, en las que los pacientes experimentan una situación antinatural cuando se les pide que orinen “a demanda”. Los resultados muestran que el clasificador MLP que utiliza un rango de frecuencias de [8kHz96kHz] para calcular las características de entrada basadas en FFT a partir de los obtiene una precisión de clasificación del 97,6% para distinguir entre eventos acústicos de vacío y no vacío.
Actualmente estamos trabajando para ampliar el conjunto de datos y eliminar las frecuencias audibles humanas por hardware y no por software.