Uma Revisão Sistemática das Técnicas de Classificação de Séries Temporais Usadas em Aplicações Biomédicas

Contexto: Medidas clínicas digitais coletadas por meio de várias tecnologias de sensoriamento digital, como smartphones, relógios inteligentes, dispositivos vestíveis e sensores ingeríveis e implantáveis, estão sendo cada vez mais utilizadas por indivíduos e clínicos para capturar os resultados de saúde ou características comportamentais e fisiológicas dos indivíduos. A classificação de séries temporais (CST) é comumente usada para modelar medidas clínicas digitais. Embora os modelos de aprendizado profundo para CST sejam muito comuns e poderosos, existem alguns desafios fundamentais. Esta revisão apresenta os modelos não baseados em aprendizado profundo que são comumente usados para a classificação de séries temporais em aplicações biomédicas que podem alcançar alto desempenho. Objetivo: Realizamos uma revisão sistemática para caracterizar as técnicas utilizadas na classificação de séries temporais de medidas clínicas digitais em todas as etapas de processamento de dados e construção de modelos. Métodos: Realizamos uma busca na literatura no PubMed, assim como nas bases de dados do Institute of Electrical and Electronics Engineers (IEEE), Web of Science e SCOPUS, utilizando uma variedade de termos de busca para recuperar artigos revisados por pares que relatam a pesquisa acadêmica sobre medidas clínicas digitais em um período de cinco anos, entre junho de 2016 e junho de 2021. Identificamos e categorizamos os estudos de pesquisa com base nos tipos de algoritmos de classificação e tipos de entrada de sensores. Resultados: Encontramos um total de 452 artigos provenientes de quatro bases de dados diferentes: PubMed, IEEE, Web of Science Database e SCOPUS. Após a remoção de duplicatas e artigos irrelevantes, 135 artigos permaneceram para revisão detalhada e extração de dados. Entre estes, características engenheiradas utilizando métodos de séries temporais que foram subsequentemente alimentadas em classificadores de aprendizado de máquina amplamente utilizados foram a técnica mais comumente usada e também frequentemente alcançaram as melhores métricas de desempenho (77 dos 135 artigos). Modelagem estatística (24 dos 135 artigos) foi a segunda técnica mais comum e também a segunda melhor técnica de classificação. Conclusões: Neste artigo de revisão, resumos dos modelos de classificação de séries temporais e métodos de interpretação para aplicações biomédicas são resumidos e categorizados. Embora um alto desempenho de classificação de séries temporais tenha sido alcançado em medidas clínicas digitais, fisiológicas ou biomédicas, não existem conjuntos de dados padrão, métodos de modelagem ou metodologias de relato. Não existe um único método amplamente utilizado para o desenvolvimento de modelos de séries temporais ou interpretação de características, no entanto, muitos métodos diferentes têm se mostrado bem-sucedidos.