detecci ó n temprana del daño mioc á rdico en la enfermedad del mal de chagas
Post on 11-Jan-2016
32 Views
Preview:
DESCRIPTION
TRANSCRIPT
DetecciDeteccióón temprana del daño n temprana del daño miocmiocáárdico en la enfermedad del Mal rdico en la enfermedad del Mal
de Chagasde Chagas
Liana J Mármol Herrera
ContenidoContenido
Introducción Mal de Chagas Objetivo Material utilizado Extracción de
parámetros
Método 1: árbol de decisión
Método 2: red neuronal
Conclusiones y recomendaciones
IntroducciIntroducciónón
Datos del pacienteDiagnóstico
•historia médica•análisis de laboratorio
•bioseñales•imágenes
Cálculo de parámetros
¿¿QuQuéé hacer con tantos indicadores? hacer con tantos indicadores?
Individualmente no discriminan entre clases
Se propone analizar la posible interacción entre ellos como factor discriminante:
Sistema para elanálisis
P1P2:Pn
P1P2:Pn
…
P1P2:Pn
Patrones de entrada
Clasificación
“inteligencia artificial”
Mal de ChagasMal 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
••ClasificaciClasificacióónn
Positive serological assay(complement fixation test)
normal ECG
normal LCV abnormal LCV
normalbiopsy
abnormalbiopsy
withoutcardiopathy
subcellulardamage
GROUP 0 GROUP IA
abnormalbiopsy
segmentaldamage
GROUP IB
abnormal ECG
abnormalbiopsy
abnormal LCV
without heart failure
withheart failure
GROUP II GROUP III
advanceddamage
congestivemyocardiopathy
LCV: Left-cineventicugraphyECG: Electrocardiogram
ObjetivoObjetivo
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
Material utilizadoMaterial utilizado
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
0 500 1000 1500-200
0
200
400
600
800
1000
points
mV
0 100 200 300850
900
950
1000
1050
1100
1150
beats
ms
ExtracciExtraccióón de parn de paráámetrosmetros
•Obtención de atributos
•Técnicas DSP:
Espectro via FFT
Wavelets
Turbulencia espectral
HRVProcesos 1/f
•Historia médica
•Selección de atributos
•Sensibilidad y predicción positiva mayor al50% en grupos extremos•Atributos no correlacionados
Atributos seleccionadosAtributos seleccionados
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…Atributos seleccionados…
1. 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. 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. 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. 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. 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.
MMéétodo 1: todo 1: áárbol de decisirbol de decisióónn
Estructura recursiva para expresar reglas de clasificación
nodosparámetros ramasvalores alternativos de los parámetros hojasentradas con la misma clasificación
Criterio para las particiones(entropía)Criterio de parada
Arbol de decisiArbol de decisióón para grupos extremosn para grupos extremos
GROUP IIHEALTHY
GROUP II
GROUP II
GROUP II HEALTHY
> 4.1911
GENDER?
male female
RMSSD?
RMSSD?
<= 4.1911
S(H)=94.1%
+P(H)=88.9%
S(H)=87.5%
+P(II)=93.3%
Arbol de decisiArbol de decisióón para grupos IA y IBn para grupos IA y IB
GROUP IB
GROUP IA
HRCV?
ICF?
> 4.0<= 4.0
and
or
GROUP IB
GROUP IA
S(A)=75.0%
+P(A)=64.3%
S(B)=54.6%
+P(B)=66.7%
MMéétodo 2: red neuronaltodo 2: red neuronal
Red auto-organizativa de KohonenAprendizaje no supervisadola red detecta
regularidades y las entradas son agrupadas para formar un mapa de distribución
Algoritmo de aprendizaje competitivoDistancia euclidiana como medida para el
ajuste de los pesos de los nodos
Mapa para grupos extremosMapa para grupos extremosFeature map for women and men: MAP_I
Control group :
Woman Man
Map_I for women Map_I for men
Chagasic Group II:
S(H)=82.4%
+P(H)=82.4%S(II)=81.3%
+P(II)=81.1%
Mapa para grupos IA y IBMapa para grupos IA y IBFeature map for women and men: MAP_II
Group IA:
Group IB:
Woman Man
Map_II for women Map_II for men
S(A)=83.3%
+P(A)=82.4%
S(B)=45.5%
+P(B)=71.1%
ModificaciModificacióón del mapa de grupos IA y IBn del mapa de grupos IA y IBMap_II for women Map_II for men
??
? ?
?
??
?
?
?? ?
??
? ? ??????
Group IA:
Group IB:
Woman Man
?
?
Uncertain, but original mapsuggesting group IA as class.
Uncertain, but original mapsuggesting group IB as class.
ParParáámetros relevantesmetros 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
ConclusionesConclusiones
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
……conclusionesconclusiones 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
RecomendacionesRecomendaciones
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
FIN…FIN…
top related