تعتبر نماذج الذكاء الاصطناعي الخاصة بالقلب من الأدوات القوية في تشخيص الحالات الصحية، ولكن التحديات تتزايد عندما يتعلق الأمر بالبيانات الناتجة عن أجهزة القياس القابلة للارتداء. في دراسة جديدة، تم تقديم إطار عمل مبتكر يُدعى PECS، والذي يهدف إلى التعامل مع تغيرات الإشارات الفسيولوجية بسبب عوامل مثل الحركة والتنفس والوضعية.

يستند هذا الإطار على مقارنة التغيرات المتعلقة بالنموذج مع التغيرات القابلة للقياس في الإشارات الفسيولوجية. يشمل التحليل الرئيسي هنا إشارات تخطيط القلب الكهربائي (ECG)، ويضاف إليها معلومات نبض الأوعية من تقنية تصوير الشعاع الضوئي (PPG)، في حين يتم استخدام بيانات التنفس فقط عند حدوث عدم توافق بين ECG وPPG.

تم اختبار هذا الإطار على مجموعة بيانات PTB-XL وأيضاً على مجموعات بيانات BIDMC وMIMIC المترابطة. أظهرت التحليلات أن إطار PECS يتفوق على طرائق الكشف التقليدية عن التحولات المفاهيمية، حيث حقق دقة تصنيف التحولات (DCA) بلغت 0.8786 على مجموعة BIDMC و0.9560 على مجموعة MIMIC. كما أظهرت النتائج أهمية استخدام بيانات التنفس بشكل انتقائي، حيث يمكن أن تدعم التحليلات في حالات عدم توافق التنبؤات.

بشكل عام، تدعم النتائج إطاري PECS كأداة رصد فعالة في الذكاء الاصطناعي القلبي القابل للارتداء، مسلطة الضوء على أهمية اختيار البيانات القابلة للقياس وفهم الثقة في النماذج المستخدمة.