Deteccion de pulso basado en Modelos Ocultos de Markov en episodios de paro cardiaco extrahospitalario

Abstract

La detección de la circulación es de vital importancia durante los episodios de parada cardiorrespiratoria (PCR) extrahospitalaria. Una rápida y fiable detección de la circulación posibilitaría una rápida identificación del episodio de PCR, pudiendo iniciar así la maniobra de reanimación cardiopulmonar (RCP) lo antes posible. Por otro lado, también ayudaría en la detección del retorno espontáneo de la circulación (REC) durante el episodio de PCR, dando así pie al inicio de los cuidados posresucitación. Lamentablemente, hoy en día no existe todavía un método fiable de detección de circulación. El objetivo de este proyecto es llevar a cabo el desarrollo de un algoritmo de detección de circulación fiable que se base únicamente en la información proporcionada por las señales de electrocardiograma (ECG) e impedancia torácica (IT), para que pueda implementarse en todos los desfibriladores externos automáticos (DEA). La detección de pulso en el ámbito de la PCR se basa esencialmente en discriminar entre dos tipos de ritmos cardíacos: actividad eléctrica sin pulso (AESP) y ritmos generadores de pulso (RP). Para llevar a cabo el trabajo, se hizo uso de 1.140 segmentos (348 AESP y 792 RP) de 187 pacientes de PCR extrahospitalaria. La base de datos de trabajo se dividió por pacientes en dos subgrupos: entrenamiento (60% de los pacientes) para el desarrollo del algoritmo y testeo (40% de los pacientes) para la evaluación del mismo. Las señales ECG e IT de interés se preprocesaron para eliminar los componentes ruidosos de bajas y altas frecuencias, y se obtuvo mediante un esquema de filtrado adaptativo la componente circulatoria de la impedancia (CCI). Se extrajeron 7 características morfológicas de las señales mencionadas, representando éstas las observaciones de las que se valió el modelo oculto de Markov (MOM) para discriminar entre los ritmos AESP y RP. El rendimiento del algoritmo de detección de pulso se calculó en términos de sensibilidad (SE, capacidad para detectar correctamente los ritmos RP) y especificidad (SP, capacidad para detectar correctamente los ritmos AESP) haciendo uso del subgrupo de testeo. El procedimiento de desarrollo y evaluación del algoritmo se repitió 50 veces para obtener la distribución de las métricas de rendimiento del algoritmo desarrollado. La media (desviación típica) de los parámetros SE y SP fue 92,9% (3,9) y 94,0% (3,0), respectivamente. Por tanto, se concluye que el algoritmo de detección de pulso basado en un MOM que usa las señales ECG e IT registradas por todo DEA es lo suficientemente fiable como para ser susceptible de implementación en los DEAs comerciales actuales.

The detection of circulation is of vital importance during episodes of out-of-hospital cardiac arrest (OHCA). A rapid and reliable detection of the circulation would allow a rapid identification of the CA episode, thus being able to initiate the cardiopulmonary resuscitation (CPR) maneuver as soon as possible. On the other hand, it would also help in the detection of the return of spontaneous circulation (ROSC) during the CA episode, thus giving rise to the start of post resuscitation care. Unfortunately, today there is still no reliable circulation detection method. The aim of this project is to carry out the development of a reliable circulation detection algorithm that is based solely on the information provided by the electrocardiogram (ECG) and thoracic impedance (TI) signals so that it can be implemented in all automated external defibrillators (AED). The detection of pulse in the field of the CA is essentially based on discriminating between two types of heart rhythms: pulseless electrical activity (PEA) and pulse-generating rhythms (PR). In order to carry out this work, 1.140 segments (348 AESP and 792 RP) were used from 187 OHCA patients. The work database was divided by patients into two subsets: training (60% of the patients) for the development of the algorithm and testing (40% of the patients) for its evaluation. The ECG and TI signals of interest were preprocessed in order to suppress the noisy components of low and high frequencies, and the impedance circulation component (ICC) was obtained by means of an adaptive filtering scheme. Seven morphological features of the aforementioned signals were extracted, these representing the observations that the hidden Markov model (HMM) used to discriminate between the PEA and PR rhythms. The performance of the pulse detection algorithm was computed in terms of sensitivity (SE, ability to correctly detect the PR rhythms) and specificity (SP, ability to correctly detect the PEA rhythms) using the test subset. The procedure for the development and evaluation of the algorithm was repeated 50 times so as to obtain the distribution of the performance metrics of the developed algorithm. The mean (standard deviation) of the SE and SP parameters was 92,9% (3,9) and 94,0% (3,0), respectively. Therefore, it is concluded that the pulse detection algorithm based on a HMM that uses the ECG and TI signals recorded by all AED is sufficiently reliable to be implementable in current commercial AEDs.

Zirkulazioaren detekzioa berebiziko garrantzia du ospitalez kanpoko bihotz-biriketako geldialdi (OKBBG) episodioetan. Zirkulazioaren detekzio azkar eta fidagarri batek OKBBG episodioaren identifikazio azkarra ahalbidetuko luke, horrela bihotz-biriketako berpizte (BBB) maniobra ahalik eta azkarren hasi ahal izateko. Bestalde, zirkulazioaren bat-bateko berreskuraketa (ZBB) antzematen lagunduko luke, berpizte geroko zainketak hasteko. Tamalez, gaur egun ez dago zirkulazioa detektatzeko metodo fidagarririk. Proiektu honen helburua zirkulazioa detektatzeko algoritmo fidagarri bat garatzea da, elektrokardiograma (EKG) eta bularreko inpedantzia (BI) seinaleen informazioan soilik oinarrituta, kanpoko desfibriladore automatiko (KDA) guztietan inplementatu ahal izateko. Bihotz-biriketako geldialdi (BBG) batean pultsua detektatzea bi motatako bihotz erritmoak diskriminatzean datza: pultsurik gabeko aktibitate elektrikoa (PGAE) eta pultsudun erritmoak (PE). Lana aurrera eramateko, 187 OKBBG pazientetako 1.140 segmentu erabili ziren (348 PGAE eta 792 PE). Pazienteen arabera lanerako datu-basea bi azpimultzotan banandu zen: entrenamendua (pazienteen %60) algoritmoa garatzeko eta testatzea (pazienteen %40) bera ebaluatzeko. Lan honen ikerketa seinaleak, EKG eta BI-ak, aurreprozesatu ziren, behe-maiztasun baxuko eta goi-maiztasuneko osagai zaratatsuak kentzeko, eta, iragazki egokitzaile baten bitartez, inpedantzia zirkulazio osagaia (IZO) lortu zen. Aipatutako seinaleen 7 ezaugarri morfologiko atera ziren, eta hauek behaketak bezala erabili ziren Markoven eredu ezkutuan (MEE), PGAE eta PE erritmoak desberdintzeko. Pultsua detektatzeko algoritmoaren errendimendua probatzeko sentsibilitatea (SE, PE erritmoak egoki hautemateko gaitasuna) eta espezifikotasuna (SP, PGAE erritmoak egoki hautemateko gaitasuna) erabiliz ebaluatu zen, probako azpitaldea erabiliz. Algoritmoa garatzeko eta ebaluatzeko prozedura 50 aldiz errepikatu zen, garatutako algoritmoaren errendimendu-metriken banaketa lortzeko. SE eta SP parametroen batez bestekoa (desbideratze estandarra) % 92,9a (3,9) eta % 94,0a (3,0) izan ziren, hurrenez hurren. Hortaz, MEE batean oinarritutako eta KDA guztiek erregistratutako EKG eta BI seinaleak erabiltzen duen pultsu detekzio algoritmoa, duen fidagarritasuna dela eta, gaur egungo KDA komertzialetan inplementatzeko modukoa da.