Navegar por los elementos (1 total)
- Resumen es exacto "Las enfermedades cardiovasculares (ECV) son una de las principales causas de muerte en el mundo. Según datos de la organización mundial de la salud (OMS), en el 2018 tan sólo en Argentina el 35% del total de muertes registradas se debió a las ECV. Estas patologías se manifiestan como alteraciones en el comportamiento eléctrico del corazón, que pueden ser detectadas y clasificadas de acuerdo con variaciones en la forma que sigue un electrocardiograma (ECG) normal. A partir de esto, pueden ser identificados problemas como arritmias, bloqueos, fibrilación, isquemias, infartos, entre otros. Desde el mundo de la ingeniería han sido desarrollados y adaptados un gran número de métodos de procesamiento y análisis del ECG, permitiendo la detección y diagnóstico temprano de las ECV. Sin embargo, la escasez de bases de datos específicas hacen difícil optimizar las técnicas computacionales usadas, generando un gran número de falsos positivos y una baja especificidad en los diagnósticos automatizados. Una solución a este tipo de problema ha sido la creación de sistemas de modelado matemático/computacional que permiten recrear diversas y complejas situaciones electrofisiológicas. En este documento se presentan tres aproximaciones de modelado usando como punto de partida la señal del ECG. En el primer trabajo se aborda el problema de pérdida de datos en series temporales de variabilidad de la frecuencia cardiaca (en inglés, Heart Rate Variability - HRV), obtenidas a partir de registros electrocardiográficos medidos en ratas de laboratorio con diferentes condiciones cardiovasculares. Este tipo de problemas afecta considerablemente el cálculo de parámetros de la HRV utilizados para la cuantificación del riesgo cardiovascular. De esta manera, como primer paso procedimos a buscar y cuantificar pérdidas de latidos cardiacos con el fin de determinar la cantidad y ocurrencia de estos artefactos en nuestra base de datos. Con esta información construimos un modelo generador de pérdida de latidos y posteriormente se aplicaron distintas técnicas de corrección. Los métodos utilizados en esta etapa del trabajo fueron eliminación directa, interpolación lineal, interpolación cúbica, ventana de media móvil modificada e interpolación predictiva no lineal. El desempeño de las anteriores técnicas de corrección fue evaluado a través del cálculo de diferentes índices de la HRV usados ampliamente en detección y estimación del riesgo cardiovascular. En este trabajo, tales índices fueron calculados en las señales de la HRV sin presencia de pérdidas y luego de realizar las respectivas correcciones. A partir de los resultados encontrados, podemos establecer que para bajos niveles de pérdidas de información la mayoría de los métodos corrigen las series temporales de forma eficiente; obteniendo índices de la HRV muy similares en todas las situaciones analizadas. Sin embargo, cuando se modela un porcentaje alto de perdida de latidos se observa un bajo desempeño en casi todas las técnicas de corrección, excepto por el método de interpolación predictiva no lineal. Por tal motivo, y gracias a la posibilidad de modelar diferentes tipos de perdidas, podemos establecer que el anterior método es la técnica más efectiva para realizar recuperación de latidos perdidos en series de la HRV, sin alterar ni agregar información de sus parámetros lineales y no lineales. El segundo y tercer trabajo presentan dos aproximaciones desarrolladas para modelado y síntesis de señales del ECG con isquemia de miocardio por oclusión de una de las arterias coronarias principales. En una primera aproximación se utilizó el sistema de modelado conocido como ECGSyn, el cual esta basado en un sistema de ecuaciones diferenciales no lineales acopladas y alimentadas con parámetros específicos (ancho: ai, alto: bi, localización: ti) extraídos de las ondas P, Q, R, S, T de la señal de ECG. En esta caso, con la participación de un cardiólogo experto, se seleccionaron señales electrocardiográficas provenientes de oclusiones en la arteria coronaria derecha y sin presencia de otras patologías cardiovasculares. A continuación, todos los latidos fueron segmentados y sometidos a un proceso de extracción de características mediante un procedimiento de ajuste no lineal, usando una suma de 5 funciones Gaussianas y el método del gradiente descendente no lineal. Además, todos los parámetros característicos fueron ajustados mediante funciones de distribución normales y de esta forma se representó el comportamiento poblacional de los pacientes analizados. De este modo fue posible generar parámetros aleatorios para el modelo ECGSyn y producir latidos cardiacos artificiales con características isquémicas. Finalmente, pudimos comprobar que los latidos simulados son altamente comparables con las señales reales, presentando una dinámica morfológica que sigue la misma tendencia de los latidos reales y con variaciones del complejo ST-T acordes con lo observado en la base de datos original. La anterior aproximación de modelado mostró algunos problemas en las etapas de caracterización de datos y generación de latidos para niveles avanzados de isquemia, introduciendo alteraciones morfológicas importantes. Con el fin de encontrar una solución, se utilizó un modelo de mezcla de Gaussianas (en inglés, Gaussian Mixture Models - GMM) con el objetivo de aprender la dinámica de los datos y generar morfologías del ECG en pacientes que sufrieron oclusión en la arterias coronaria derecha y descendente anterior izquierda. Toda la información obtenida fue clasificada de acuerdo con la arteria y las derivaciones del ECG correspondientes, y a continuación, se realizó el entrenamiento y validación de cada uno de los GMM usados. Con cada modelo entrenado, el paso final consistió en la generación de latidos artificiales para las distintas arterias coronarias implicadas. Los resultados mostraron un mejor desempeño en comparación con el modelo anterior, el ECGSyn, ya que posibilitó la generación de morfologías más complejas y la inclusión de nuevos sitios de oclusión. Podemos concluir que a través del modelado de pérdida de latidos cardiacos es posible comparar cuantitativamente métodos de corrección de series RR. Además, fue posible generar señales electrocardiográficas con morfología isquémica. Estas últimas permitan el entrenamiento y validación de sistemas automáticos de detección, así como la optimización de algoritmos para supresión de ruido en este tipo de registros biomédicos. "
Ordenar por: