Aprendizaje máquina para la predicción del éxito de la desfibrilación mediante el análisis de la forma de onda de la fibrilación ventricular

  1. G. Zubia Garea 1
  2. X. Jaureguiabeitia Lara 1
  3. U. Irusta Zarandona
  4. E. Aramendi Ecenarro 1
  1. 1 UPV/EHU, Bilbo, España
Buch:
XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas
  1. Roberto Hornero Sánchez (ed. lit.)
  2. Jesús Poza Crespo (ed. lit.)
  3. Carlos Gómez Peña (ed. lit.)
  4. María García Gadañón (ed. lit.)

Verlag: Grupo de Ingeniería Biomédica ; Universidad de Valladolid

ISBN: 978-84-09-25491-0

Datum der Publikation: 2020

Seiten: 418-421

Kongress: Congreso Anual de la Sociedad Española de Ingeniería Biomédica CASEIB (38. 2020. Valladolid)

Art: Konferenz-Beitrag

Zusammenfassung

Predecir el éxito de la terapia de desfibrilación eléctrica para revertir la fibrilación ventricular (FV) permitiría mejorar la supervivencia de los pacientes en parada cardiorrespiratoria extra-hospitalaria (PCREH). Los métodos de predicción se basan en el análisis de la forma de onda del electrocardiograma (ECG) de la FV usando predictores individuales. El objetivo del trabajo es desarrollar modelos de aprendizaje máquina para mejorar la precisión de los métodos. Se dispuso de una base de 1630 casos de PCREH anotados por clínicos, que incluían 3836 intentos de desfibrilación (1081 exitosos). Se diseñaron modelos predictores del éxito de la desfibrilación caracterizando con 27 parámetros el intervalo ECG pre-shock de 2.05s de duración. Se evaluaron los modelos en términos de sensibilidad (SE, éxito), especificidad (SP, no éxito) y la media de ambas (precisión balanceada, PB). Los modelos se ajustaron y evaluaron mediante validación cruzada en particiones por paciente y estratificadas, repitiendo el proceso 100 veces para caracterizar estadísticamente las métricas. Se comparó un modelo de regresión logística monoparamétrico con varios modelos de aprendizaje máquina: regresión logística multiparamétrica, bosques de árboles y máquinas de vectores soporte (SVM) con kernel gaussiano. El mejor modelo monoparamétrico produjo una PB mediana (rango interdecilo, IDR) de 79.5 (79.4-79.6)%. El mejor modelo multiparamétrico (SVM con 6 parámetros) resultó en una PB mediana de 81.4 (81.2-81.6)%, y SE, SP de 83.4 (83.1-84.0)% y 79.3 (79.1- 80.0)%, respectivamente. Los modelos de aprendizaje máquina permiten mejorar la predicción monoparamétrica hasta en 2 puntos de PB. En el futuro deberán desarrollarse nuevos predictores, para lo que la extracción exhaustiva de característi-cas mediante redes convolucionales (CNN) sería una buena alternativa.