Detección de arritmias a partir de la determinación de la frecuencia cardiaca con fotopletismografía
Resumen
Las enfermedades cardiovasculares (ECV) cobran la vida de cerca de 18 millones de personas cada año, constituyendo la principal causa de muerte e incapacidad en el mundo. Entre las enfermedades cardiovasculares, las arritmias cardiacas son las más comunes. Desde hace varios años, nuevos estudios han destacado las potencialidades de la onda fotopletismográfica para detectar arritmias, superando en sencillez y reducción de costos a la electrocardiografía (ECG). En este estudio se propone un método de detección de picos sistólicos de la onda fotopletismográfica para determinar la frecuencia cardiaca y con ello establecer la presencia de taquicardia, bradicardia o asístole. El método de detección de picos sistólicos calcula la primera derivada de la señal previamente filtrada. A continuación aplica un proceso de umbralización. Finalmente, en una etapa de agrupamiento se emplea el algoritmo DBSCAN. El algoritmo de detección de picos fue evaluado en 42 señales de una base de datos internacional multiparamétrica para la estimación del RR. La evaluación del método mostró alta exactitud y precisión (0±2 ms) y una sensibilidad y valor predictivo positivo del 99 %. Estos resultados permiten determinar la frecuencia cardiaca con una exactitud y precisión de 0±1 latido por minuto. Además, este algoritmo es evaluado en clasificación de arritmias utilizando 155 señales de la base de datos del PhysioNet/Computing in Cardiology Challenge del 2015. Para esta evaluación el algoritmo mostró resultados aceptables en la detección de asístole, bradicardia y taquicardia. La sensibilidad y el valor predictivo positivo fue del 79% y 88% para asístole, 74% y 64% para bradicardia y, 80% y 99% para taquicardia respectivamente. La efectividad del método puede afectarse en registros de señales con grandes variaciones de amplitud y/o con relaciones señal-ruido (SNR) bajas. No obstante, los resultados en estas condiciones son aceptables y son muy buenos en señales de alto SNR.
Descargas
Citas
Asensi, J. O., de Francisco, M. T. I., Pérez, Ó. C., de Carranza, M. J. S. T., Rubio, J. A., Palop, C. P., ... & Dolz, L. M. (2021). Estudio RITHMI, capacidad diagnóstica de un monitor de ritmo cardiaco para la detección automática de fibrilación auricular. Revista Española de Cardiología, 74(7), 602-607.
Bonomi, A. G., Schipper, F., Eerikäinen, L. M., Margarito, J., Van Dinther, R., Muesch, G., ... & Dekker, L. R. (2018). Atrial fibrillation detection using a novel cardiac ambulatory monitor based on photo‐plethysmography at the wrist. Journal of the American Heart Association, 7(15), e009351.
Castaneda, D., Esparza, A., Ghamari, M., Soltanpur, C., & Nazeran, H. (2018). A review on wearable photoplethysmography sensors and their potential future applications in health care. International Journal of Biosensors & Bioelectronics, 4, 195-202. doi: DOI: 10.15406/ijbsbe.2018.04.00125
Clifford, G. D., Silva, I., Moody, B., Li, Q., Kella, D., Shahin, A., ... & Mark, R. G. (2015). The PhysioNet/computing in cardiology challenge 2015: reducing false arrhythmia alarms in the ICU. Paper presented at the 2015 Computing in Cardiology Conference (CinC).
Constantén, S.B., Pepe, D.S and Mona, P. (2020). Anuario Estadístico de Salud 2020. Ministerio de Salud Pública de Cuba.
Coviello, J. S. (2020). ECG interpretation made incredibly easy!: Lippincott Williams & Wilkins.
Eerikäinen, L. M., Vanschoren, J., Rooijakkers, M. J., Vullings, R., & Aarts, R. M. (2015, September). Decreasing the false alarm rate of arrhythmias in intensive care using a machine learning approach. In 2015 Computing in Cardiology Conference (CinC) (pp. 293-296). IEEE.
Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996, August). A density-based algorithm for discovering clusters in large spatial databases with noise. In kdd (Vol. 96, No. 34, pp. 226-231).
Fallet, S., Yazdani, S., & Vesin, J. M. (2015, September). A multimodal approach to reduce false arrhythmia alarms in the intensive care unit. In 2015 Computing in Cardiology Conference (CinC) (pp. 277-280). IEEE.
García, E. G., Gómez, F. G., Pion, M. G., & Alonso-Colmenares, M. G. (2015). Arritmias cardíacas en urgencias. Medicine-Programa de Formación Médica Continuada Acreditado, 11(87), 5175-5184.
Guyton, A.C. (2006). Tratado de fisiologia medica. Brasil: Elsevier
Jung, D. K., Kim, G. R., Kim, K. N., Choi, B. C., Suh, D. J., Jeon, G. R., & Ye, S. Y. (2007). Changes of pulse wave velocity in arm according to characteristic points of pulse wave. Paper presented at the 2007 International Conference on Convergence Information Technology (ICCIT 2007).
Kalidas, V. and Tamil, L. S. (2015). Enhancing accuracy of arrhythmia classification by combining logical and machine learning techniques. Paper presented at the 2015 Computing in Cardiology Conference (CinC).
Karlen, W., Raman, S., Ansermino, J. M., & Dumont, G. A. (2013). Multiparameter respiratory rate estimation from the photoplethysmogram. IEEE Transactions on Biomedical Engineering, 60(7), 1946-1953.
Paradkar, N., & Chowdhury, S. R. (2017). Cardiac arrhythmia detection using photoplethysmography. Paper presented at the 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC).
Poh, M. Z., Poh, Y. C., Chan, P. H., Wong, C. K., Pun, L., Leung, W. W. C., ... & Siu, C. W. (2018). Diagnostic assessment of a deep learning system for detecting atrial fibrillation in pulse waveforms. Heart, 104(23), 1921-1928.
Polanía, L. F., Mestha, L. K., Huang, D. T., & Couderc, J. P. (2015). Method for classifying cardiac arrhythmias using photoplethysmography. Paper presented at the 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC).
Rezaei Yousefi, Z. (2018). Atrial Fibrillation Detection from Photoplethysmography Data Using Artificial Neural Networks. (Master), Tampere University of Tecnology.
Sadr, N., Huvanandana, J., Nguyen, D. T., Kalra, C., McEwan, A., & de Chazal, P. (2015, September). Reducing false arrhythmia alarms in the ICU by Hilbert QRS detection. In 2015 Computing in Cardiology Conference (CinC) (pp. 1173-1176). IEEE.
Saquib, N., Papon, M. T. I., Ahmad, I., & Rahman, A. (2015). Measurement of heart rate using photoplethysmography. In 2015 International Conference on Networking Systems and Security (NSysS) (pp. 1-6). IEEE.
Shashikumar, S. P., Shah, A. J., Li, Q., Clifford, G. D., & Nemati, S. (2017, February). A deep learning approach to monitoring and detecting atrial fibrillation using wearable technology. In 2017 IEEE EMBS International Conference on Biomedical & Health Informatics (BHI) (pp. 141-144). IEEE.
Stankevičius, D., Petrėnas, A., Sološenko, A., Grigutis, M., Januškevičius, T., Rimševičius, L., & Marozas, V. (2016). Photoplethysmography-based system for atrial fibrillation detection during hemodialysis. In XIV Mediterranean Conference on Medical and Biological Engineering and Computing 2016 (pp. 79-82). Springer, Cham.
Vázquez Seisdedos, C.R. (2001). Análisis del ECG en monitorización ambulatoria para el diagnóstico cardíaco y la predicción de muerte cardíaca súbita. Universdtat Politécnica de Catalunya.
