Detección de la muerte súbita cardíaca usando el método espectral adaptativo sobre la onda T: Estudio experimental sobre bases de datos públicas

Contenido principal del artículo

Marco Flores-Calero http://orcid.org/0000-0001-7507-3325
Melisa Pilla-Barrosso http://orcid.org/0000-0002-1441-1236

Keywords

ECG, muerte súbita cardíaca, alternancia de la onda T, SM-Adaptativo

Resumen

El análisis de la alternancia de la onda T (TWA, T-wave alternans) constituye una de las principales técnicas para determinar la presencia del síndrome de muerte súbita cardíaca (MSC). Entre los métodos existentes para determinar TWA se encuentra el método espectral adaptativo (SM-Adaptativo), el cual utiliza distribuciones en tiempo-frecuencia (TFD, time-frecuency distribution) para el análisis. El objetivo del estudio es aplicar este método sobre las principales bases de datos públicas con el fin de detectar la presencia o ausencia de alternancias y obtener parámetros de calidad del método en mención. El método fue probado en señales sintéticas, 90 señales sin TWA y 450 con TWA; por otro lado, se utilizaron 10 señales de la base de datos TWADB de Physionet pertenecientes a pacientes sanos y 26 señales de pacientes con factores de riesgo asociados a la MSC. En las pruebas con señales sintéticas se obtuvo una sensibilidad de 94,89 %, especificidad de 92,22 % y exactitud de 94,44 %. En cuanto a las pruebas en la base de datos el método presenta una exactitud del 80,56 %, lo que indica que el método SM-Adaptativo permite detectar TWA con una exactitud aceptable, además, que presenta mayor robustez frente a ruido y a la estacionariedad de datos.
Abstract 112 | PDF Downloads 37 PDF (English) Downloads 3 HTML Downloads 13 HTML (English) Downloads 5 EPUB Downloads 2 EPUB (English) Downloads 1

Citas

[1] M. Vargas Sanabria, J. C. Vega Chaves, G. Hernández Romero, and G. Montero Solano, “Síndrome de brugada como casusa de muerte súbita de origen cardíaco,” Medicina Legal de Costa Rica, vol. 34, pp. 157–164, 03 2017. [Online]. Available: https://bit.ly/2ZEI4Sf
[2] R. Devi, H. K. Tyagi, and D. Kumar, “Early stage prediction of sudden cardiac death,” in 2017 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET), 2017, pp. 2005–2008. [Online]. Available: https://doi.org/10.1109/WiSPNET.2017.8300112
[3] J. T. Willerson, J. N. Cohn, H. J. J. Wellens, and D. R. Holmes, Cardiovascular Medicine, ser. SpringerLink : Bücher. Springer London, 2007. [Online]. Available: https://bit.ly/3eag8cD
[4] U. Satija, B. Ramkumar, and M. S. Manikandan, “Automated ecg noise detection and classification system for unsupervised healthcare monitoring,” IEEE Journal of Biomedical and Health Informatics, vol. 22, no. 3, pp. 722–732, 2018. [Online]. Available: https://doi.org/10.1109/JBHI.2017.2686436
[5] F. Panjaitan, S. Nurmaini, M. Akbar, A. H. Mirza, H. Syaputra, T. B. Kurniawan, and R. Umi P, “Identification of classification method for sudden cardiac death: A review,” in 2019 International Conference on Electrical Engineering and Computer Science (ICECOS), 2019, pp. 93–97. [Online]. Available: https://doi.org/10.1109/ICECOS47637.2019.8984465
[6] E. V. Garcia, C. A. Pastore, N. Samesima, and H. G. Pereira Filho, “T-wave alternans: desempenho clínico, limitações, metodologias de análise,” Arquivos Brasileiros de Cardiologia, vol. 96, pp. e53–e61, 03 2011. [Online]. Available: http://dx.doi.org/10.1590/S0066-782X2011005000018
[7] Y. Karplyuk, K. Ivanko, and N. Ivanushkina, “Peculiarities of t wave alternans detection and evaluation,” in 2015 IEEE 35th International Conference on Electronics and Nanotechnology (ELNANO), 2015, pp. 356–361. [Online]. Available: https://doi.org/10.1109/ELNANO.2015.7146909
[8] O. Karnaukh, Y. Karplyuk, and N. Nikitiuk, “Evaluation of machine learning techniques for ecg t-wave alternans,” in 2018 IEEE 38th International Conference on Electronics and Nanotechnology (ELNANO), 2018, pp. 346–350. [Online]. Available: https://doi.org/10.1109/ELNANO.2018.8477528
[9] G. M. Nijm, S. Swiryn, A. C. Larson, and A. V. Sahakian, “Estimation of t-wave alternans from multi-lead ecg signals using a modified moving average method,” in 2008 Computers in Cardiology, 2008, pp. 517–520. [Online]. Available: https://doi.org/10.1109/CIC.2008.4749092
[10] S. Ayub, G. Gupta, and Y. Kumar, “Heart rate calculation and detection of t-wave alternans by correlation method,” in 2016 8th International Conference on Computational Intelligence and Communication Networks (CICN), 2016, pp. 200–203. [Online]. Available: https://doi.org/10.1109/CICN.2016.45
[11] T. W. Shen and Y. T. Tsao, “An improved spectral method of detecting and quantifying t-wave alternans for scd risk evaluation,” in 2008 Computers in Cardiology, 2008, pp. 609–612. [Online]. Available: https://doi.org/10.1109/CIC.2008.4749115
[12] B. D. Nearing, A. H. Huang, and R. L. Verrier, “Dynamic tracking of cardiac vulnerability by complex demodulation of the t wave,” Science, vol. 252, no. 5004, pp. 437–440, 1991. [Online]. Available: http://doi.org/10.1126/science.2017682
[13] B. Ghoraani, S. Krishnan, R. J. Selvaraj, and V. S. Chauhan, “T wave alternans evaluation using adaptive time–frequency signal analysis and non-negative matrix factorization,” Medical Engineering & Physics, vol. 33, no. 6, pp. 700–711, 2011. [Online]. Available: https://doi.org/10.1016/j.medengphy.2011.01.007
[14] A. Khaustov, S. Nemati, and G. D. Clifford, “TWAnalyser - AT-wave alternans detector,” Computers in Cardiology, 2008. [Online]. Available: https://bit.ly/36nUz5L
[15] G. B. Moody, “The physionet/computers in cardiology challenge 2008: T-wave alternans,” in 2008 Computers in Cardiology, 2008, pp. 505–508. [Online]. Available: https://doi.org/10.1109/CIC.2008.4749089