Combinación de Parámetros Característicos del electrocardiograma mediante Máquinas de Vectores soporte para la Detección de la Fibrilación Ventricular

Abstract

La fibrilación ventricular (FV) es una arritmia cardiaca letal producida por una actividad eléctrica desorganizada del corazón. Durante la FV, los ventrículos se contraen de forma asíncrona, fallando el bombeo sanguíneo. Si el paciente no es tratado de forma adecuada, sobreviene la muerte del paciente en el plazo de pocos minutos. El único tratamiento efectivo para revertir la FV es la desfibrilación que consiste en la aplicación de un choque eléctrico de alta energía sobre el pecho del paciente. Se ha demostrado que el éxito de la desfibrilación es inversamente proporcional al intervalo de tiempo desde el comienzo del episodio hasta la aplicación de la descarga. Esto ha promovido el desarrollo de algoritmos de detección temprana de la FV a partir la señal del electrocardiograma (ECG). En la literatura científica se han propuesto un gran número de algoritmos de detección de FV basados en la extracción de parámetros temporales, espectrales y de complejidad del ECG con objeto de caracterizar la información sobre la morfología y patrones espacio-temporales contenida en la señal electrocadiográfica. Generalmente, los esquemas de detección propuestos consideran cada uno de los parámetros de forma independiente. En este Proyecto, se combina la información de un conjunto de parámetros definidos en la literatura mediante una estrategia de aprendizaje estadístico con algoritmos de máquinas de vectores soporte (SVM) para la detección de la FV (FV vs resto de episodios). Adicionalmente, se extiende el ámbito de aplicación del algoritmo de detección a otros ritmos que requieran un choque eléctrico (shockable vs non-shockable). Para contrastar el método propuesto se utilizan las bases de datos públicas MITDB, CUDB y la VFDB. Para cada base de datos se ha desarrollado una herramienta de visualización que permita analizar los episodios (señales de ECG)contenidos. Cara registro de ECG se divide en ventanas de 8 segundos, para cada uno de los cuales se calculan 11 parámetros definidos en la literatura científica: threshold crossing interval (TCI), standard exponential (EXP), modified exponential (EXPMOD), complexity measure (CM), VF filter (VFleak), spectral algorithm (SPEC, parámetros M y A2), mediam frequency (FM), mean absolute value (MAV), phase space reconstruction (PSR) and Hilbert Transform (HILB). Este conjunto de parámetros constituye el espacio de entrada para la SVM. Se ha empleado un conjunto aleatorio (70%) para el entrenamiento de la máquina, mientras que el resto de los datos se han utilizado para el test. Puesto que el conjunto de datos no está balanceado, se usa la tasa de error balanceado como medida de prestaciones para fijar los grados de libertad de la SVM (C, ) mediante un esquema de validación cruzada. Las prestaciones de la SVM se han medido en términos de sensibilidad (SN), especificidad (ESP), área bajo la curva (AUC). Los resultados mejoran las prestaciones mostradas en la literatura científica: Shock vs no shock obtuvo SN 91 %, ESP 86,52% y AUC 92,10 %. FV vs no FV obtuvo SN 92,31 %, ESP 84,23% y AUC 95,53 %. Como conlusión, la combinación de los parámetros del ECG mediante técnicas de aprendizaje máquina puede mejorar la eficiencia en la detección de arritmias potencialmente mortales.