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…