Diagnóstico clínico automatizado a partir do uso de métodos de análise multivariada aplicados a sinais de eletrocardiograma
Data
2020
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Brasil
Resumo
O presente trabalho apresenta um estudo de métodos de reconhecimento de padrões aplicados a parâmetros da análise da variabilidade da frequência cardíaca, a partir de eletrocardiogramas (ECG), para o auxílio diagnóstico clínico automatizado de diferentes doenças associadas ao coração, por meio de métodos estatísticos multivariados e computacionais de aprendizagem de máquina. Para tal proposito, foram obtidos os sinais de eletrocardiogramas de 137 voluntários diagnosticados clinicamente com ritmo sinusal normal (RSN), sendo n = 54 indivíduos, que representará o grupo controle, e duas condições clinicas formadas por indivíduos com insuficiência cardíaca congestiva (ICC), com n = 29 indivíduos ou supressão de arritmia cardíaca (SAC), com n = 54 indivíduos, considerando-se estas duas condições clinicas, como os grupos de caso. Todos estes sinais foram adquiridos proveniente da base de dados de domínio público o PhysioNet, que abrange um conjunto de sinais biomédicos reais, software de código aberto e oriundos de estudos consolidados na literatura. Descreveu-se um procedimento de obtenção de variáveis características de tacogramas de sinais de ECG em que as variáveis foram modeladas pelas abordagens de classificação de dados de análise discriminante por regressão por mínimos quadrados parciais (PLS-DA) e redes neurais artificiais (ANN), objetivando o diagnóstico de duas condições clínicas quando comparados com um grupo controle. Foram consideradas matrizes de dados das variáveis associadas ao domínio do tempo, domínio da frequência e obtidas por métodos não-lineares, isoladamente cada uma, e todas essas em uma matriz única de dados, de parâmetros estatísticos associados a variabilidade da frequência cardíaca. As figuras de mérito mostraram que existe um padrão no comportamento dos parâmetros dos tacogramas que podem vir a serem utilizados para o auxílio diagnóstico clínico. Tanto a insuficiência cardíaca congestiva como a classificação e previsão das amostras pertencentes ao estudo de supressão de arritmia cardíaca foram obtidas de forma satisfatória, com área abaixo da curva ROC próxima de 0,9. O modelo PLS-DA demonstrou os melhores resultados de classificação de dados, onde a insuficiência cardíaca congestiva foi diagnosticada com taxas 90,9% de sensibilidade e seletividade de 85,7% e a supressão de arritmia cardíaca foi prevista com taxas de 75,0% de sensibilidade e 100,0% de seletividade, sugerindo que o auxílio diagnóstico clínico em tempo real e um prognostico personalizado pode se tornar uma realidade que contribuirá positivamente para a prática médica.
Abstract
This work presents a study of methods applied to pattern recognition of heart rate variability parameters obtained from electrocardiogram (ECG) for the aid of automated clinical diagnosis of various diseases associated with the heart, using multivariate statistical methods and computational machine learning. For this purpose, the electrocardiograms signs of 137 volunteers clinically diagnosed with normal sinus rhythm (NSR), with n = 54 individuals, which will represent the control group, and two clinical conditions formed by individuals with congestive heart failure (CHF), with n = 29 individuals or suppression of cardiac arrhythmia (CAST), with n = 54 individuals, considering these two clinical conditions, such as the case groups. All these signals were obtained from the PhysioNet, which covers a set of real biomedical signals, open source software and from studies consolidated in the literature. A procedure for obtaining characteristic variables of ECG tachograms was described, these variables were modeled by classification approaches of Discriminant Analysis data by Partial Least Squares regression (PLS-DA) and Artificial Neural Networks (ANN), aiming at the diagnosis of two clinical conditions when compared with a control group. Data matrices of variables associated with the time domain, frequency domain and obtained by non-linear methods were considered separately, each one, and all of these in a single data matrix, of statistical parameters associated with heart rate variability. The figures of merit showed that there is a pattern in the behavior of the tachogram parameters that may be used for clinical diagnostic aid. Both congestive heart failure and the classification and prediction of samples belonging to the cardiac arrhythmia suppression were satisfactorily obtained, with an area under the ROC curve close to 0.9. The PLS-DA model demonstrated the best data classification results, where congestive heart failure was diagnosed with rates of 90.9% of sensitivity and selectivity of 85.7% and suppression of cardiac arrhythmia was predicted with rates of 75.0% of sensitivity and 100.0 % of selectivity, suggesting that clinical diagnosis assisting real time and a personalized prognosis can become a reality that will contribute positively to medical practice.
Descrição
Palavras-chave
Sinais biomédicos, Variabilidade da frequência cardíaca, Aprendizado de máquina, Diagnóstico