Detecci ó n temprana del daño mioc á rdico en la enfermedad del Mal de Chagas

1. Detección temprana del daño miocárdico en la enfermedad del Mal de Chagas Liana J Mármol Herrera

2. Introducción Mal de Chagas Objetivo Material utilizado Extracción de parámetros Método 1: árbol de decisión Método 2: red neuronal Conclusiones y recomendaciones Contenido

3. Introducción Diagnóstico  Datos del paciente •historia médica •análisis de laboratorio •bioseñales •imágenes Cálculo de parámetros

4. P1 P2 : Pn P1 P2 : Pn P1 P2 : Pn Sistema para el análisis Clasificación … Patrones de entrada “inteligencia artificial” ¿Qué hacer con tantos indicadores? Individualmente no discriminan entre clases Se propone analizar la posible interacción entre ellos como factor discriminante:

5. Mal de Chagas • •Enfermedad parasitaria endémica en América Central y del Sur que afecta principalmente al corazón • •16 a 18 millones de personas infectadas • •Transmisión a través del vector (chipo), transfusiones sanguíneas y otras • •Forma aguda y crónica. En la forma crónica existe la denominada fase indeterminada • •Exploraciones invasivas necesarias para determinar daño miocárdico en la fase indeterminada • •Mayores esfuerzos en búsqueda de drogas para combatirla

6. •Clasificación

7. Objetivo • Evaluación de dos métodos de inteligencia artificial para identificar información en datos clínicos que no es aparente en forma obvia en registros electrocardiográficos con el fin de contribuir con una segunda opinión significativa antes de llevar a cabo exploraciones invasivas en pacientes chagásicos de la fase indeterminada

8. Señales proporcionadas por GIBULA: ECG promediado e intervalos RR Registros: 19 controles, 13 IA, 15 IB, 18 II Análisis de resultados a través de un método de validación cruzada (“leave-one-out method”) ECG e Intervalos RR Material utilizado

9. Extracción de parámetros •Obtención de atributos Espectro via FFT Wavelets •Técnicas DSP: Turbulencia espectral HRV Procesos 1/f •Historia médica •Selección de atributos •Sensibilidad y predicción positiva mayor al 50% en grupos extremos •Atributos no correlacionados

10. Del ECG: Frecuencia en el espectro en la cual ocurre el primer pico (FP) Presencia de un pico a una determinada frecuencia (EP) Función de información de costo (ICF) Energía porcentual en la primera escala wavelet (1) Del intervalo RR: Uno de los indicadores de variabilidad en la frecuencia cardíaca (RMSSD) Coeficiente de variación del latido cardíaco (HRCV) La pendiente del espectro del intervalo RR () De la historia médica: Sexo del paciente Atributos seleccionados

11. •Atributos seleccionados… • 1. Marmol-Herrera L, Warwick K (1999) Heart rate variability in chagasic patients. Med & Biol Eng & Comp, Vol 37, Suplement 2 (Proc of the EMBEC’99, Vienna, Austria, Nov 4-7), pp 502-503. • 2. Marmol-Herrera, Liana (1999) New electrodiagnosis indicators from digital signal processing techniques: a case of study. Proc of the 3rd Int Workshop on Biosignal Interpretation, Chicago, USA, June 12-14, pp 238-240. • 3. Marmol-Herrera, Liana (1997) Evaluation of spectral turbulence analysis in chagasic cardiomyophathy for identifying patients in the early stages. Modelling, Measurement & Control, AMSE, 56(1): 49-54. • 4. Marmol Herrera, Liana (1997) Wavelet preprocessing of the chagasic patients’ electrocardiogram for automated neural network detection of early myocardial damage. Proc VII RPIC, Argentina, 1:254-257. • 5. Marmol-Herrera L, Warwick K (1995) Parametric analysis of chagasic patients’ ECG. Proc Int Workshop on Med & Biol Signal Processing, Plymouth UK, 1:145-150.

12. Método 1: árbol de decisión • Estructura recursiva para expresar reglas de clasificación • nodosparámetros • ramasvalores alternativos de los parámetros • hojasentradas con la misma clasificación • Criterio para las particiones(entropía) • Criterio de parada

13. Arbol de decisión para grupos extremos S(H)=94.1% +P(H)=88.9% S(H)=87.5% +P(II)=93.3%

14. Arbol de decisión para grupos IA y IB S(A)=75.0% +P(A)=64.3% S(B)=54.6% +P(B)=66.7%

15. Método 2: red neuronal • Red auto-organizativa de Kohonen • Aprendizaje no supervisadola red detecta regularidades y las entradas son agrupadas para formar un mapa de distribución • Algoritmo de aprendizaje competitivo • Distancia euclidiana como medida para el ajuste de los pesos de los nodos

16. Mapa para grupos extremos S(H)=82.4% +P(H)=82.4% S(II)=81.3% +P(II)=81.1%

17. Mapa para grupos IA y IB S(A)=83.3% +P(A)=82.4% S(B)=45.5% +P(B)=71.1%

18. Modificación del mapa de grupos IA y IB

19. Parámetros relevantes • Función de información de costo (ICF) • Energía porcentual en la primera escala wavelet (1) • Coeficiente de variación del latido cardíaco (HRCV) • La pendiente del espectro del intervalo RR () • Sexo del paciente

20. Conclusiones • Se introduce una forma diferente de tener una herramienta de ayuda en la toma de decisiones para el problema planteado • Resultados enfatizan el poder diagnóstico del ECG • Surgen nuevos indicadores que pueden ser utilizados en otros estudios • De todos los atributos utilizados, fueron 5 parámetros los considerados por ambos métodos como relevantes en el proceso de clasificación

21. …conclusiones • Los parámetros relevantes están relacionados con aspectos fisiopatológicos de interés para el conocimiento de la evolución de la enfermedad • La incorporación de los resultados de la validación cruzada al mapa de Kohonen mejora notablemente la interpretabilidad y el uso práctico de estos mapas • El árbol de decisión permite ponderar la relevancia de los parámetros utilizados • La obtención de clasificadores separados sugiere la idea de que los cambios generados en la función cardíaca en la fase indeterminada de la enfermedad están particularmente asociados con esa fase

22. Recomendaciones • Incremento del número de patrones y análisis de atributos adicionales provenientes de las señales, la historia médica y otras exploraciones no invasivas • Análisis de otros métodos de inteligencia artificial

23. FIN…