Aprendizaje automático para la anotación de ritmos en parada cardiorrespiratoria
Date
2019-12-04Author
López Manibardo, Eric
Metadata
Show full item recordAbstract
Resumen (castellano)
Las paradas cardiorrespiratorias extrahospitalarias (PCREH) se posicionan como una de las principales causas de defunción en los países desarrollados. Ante dicho evento, existen ciertos factores determinantes para la supervivencia del sujeto, incluyendo la reanimación cardio pulmonar, una pronta desfibrilación y la calidad del tratamiento ofrecido por el Servicio de Emergencias Médicas. El corazón del paciente puede presentar hasta cinco tipos de ritmos distintos. Puesto que cada estado clínico precisa un tratamiento diferente, es de vital importancia para el personal médico, la pronta y correcta identificación del ritmo/estado del paciente. Por consiguiente, existen numerosos estudios dedicados al entendimiento de dichas patologías, los cuales emplean grabaciones de la señal electrocardiograma (ECG) durante episodios PCREH. Dichas grabaciones deben ser anotadas manualmente por un grupo de expertos clínicos. Por lo tanto, resulta una tarea dispendiosa, lo cual ocasiona escasez de bases de datos debidamente caracterizadas y anotadas.
Con el objetivo de facilitar el acceso a colecciones de datos correctamente anotadas, existen algoritmos de anotación semiautomáticos. Estos algoritmos permiten identificar con elevada certeza, las patologías presentes en distintos intervalos temporales de la señal ECG. De esta forma, los expertos clínicos se focalizan en repasar las decisiones del algoritmo, ahorrando tiempo y coste. Por todo ello, los algoritmos de anotación facilitan los estudios de enfermedades cardiacas, mejorando la calidad del tratamiento realizado y, de esta forma, la probabilidad de supervivencia del paciente.
En este trabajo se presentan cuatro clasificadores de ritmos de pacientes en PCREH. Para su desarrollo, primero se prepara una colección de episodios PCREH con los que entrenar los algoritmos. El primer clasificador extrae información únicamente de la señal ECG. El segundo añade la información presente en la impedancia transtorácica del paciente. Después, se desarrolla un tercer clasificador mediante técnicas de Deep Learning, puesto que recientemente ha demostrado su potencial en este campo. El cuarto clasificador lo conforma una versión optimizada del anterior modelo. Finalmente, se analizan los resultados y se compara el rendimiento de las distintas soluciones propuestas. Summary (English)
Out-of-hospital cardiac arrest (OHCA) is one of the leading causes of death in developed countries. There are several key factors to survive an OHCA event, including cardiopulmonary resuscitation, early defibrillation and the overall quality of treatment given by the Emergency Medical System. The patient's heart can present up to five different types of rhythms. Since each clinical condition requires a different treatment, a fast and precise identification of the patient's rhythm/status is crucial for the medical staff. Therefore, there are numerous studies that focus on the understanding of these pathologies, using electrocardiogram signals (ECG) recorded during OHCA events. These recordings must be manually annotated by a group of clinical experts. Because the high costs associated to manual annotation, there is a lack of properly characterized and annotated databases.
In order to facilitate access to correctly annotated data collections, there are semiautomatic annotation algorithms. These algorithms identify with high accuracy the pathologies present in different time intervals of the ECG signal. In this way, clinical experts would focus on reviewing the algorithm's decisions, saving time and money. All these considerations make annotation algorithms a key factor to develop studies on OHCA, improving the quality of the treatment performed and the probability of patient survival.
In this work, four classifiers of OHCA rhythms are presented. For their development, first a collection of OHCA episodes is prepared, in order to train the algorithms. The first classifier extracts information only from the ECG signal. The second one, adds the information present in the patient's transthoracic impedance. Then, a third classifier is developed using Deep Learning techniques, since it has recently demonstrated its potential in this field. After that, a fourth classifier is made optimizing the previous model. Lastly, the results are analysed and the performance of the different proposed solutions is compared. Laburpena (Euskara)
Hospitalez kanpoko bihotz geldiketa (HKBG) mundo garatuko heriotza kausa handienetariko bat dira. Geldiketa bat ematen denean zenbait gertakari gako dira pazientearen biziraupenerako, adibidez bihotz biriketako masajea, desfibrilazio goiztiarra edota emergentzia zerbitzuek emandako tratamendua. Pazientearen bihotzak bost erritmo desberdin aurkez ditzazke HKGB batean. Egoera kliniko bakoitzak tratamendu desberdina behar duenez, pazientearen erritmoa/egoera goiz eta zehatz detektatzea oso garrantzitsua da. Ondorioz, lan asko egin dira patologia horiek ulertzeko eta identifikatzeko, orokorrean pazientearen grabatutako elektrokardiograma (EKG) erabiliz. Grabaketa horietan aditu klinikoek erritmoa identifikatu eta anotatu behar dute. Azken hau kostu handiko lana da, eta ondorioz oso HKBG datubase gutxi dago erritmo anotazio egokiekin.
Erritmo anotazioak dituzten HKGB datubaseak sortzeko badira erritmoa modu erdiautomatikoan anotatzeko algoritmoak. Algoritmo hauek modu nahiko zehatzean identifika dezaketa HKGB pazientearen erritmo/egoera, horretarako grabatutako EKG erabiliz. Horrela aditu klinikoek emandako diagnostikoa baino ez dute berrikusi behar, denbora eta kostuak aurreztuz. Horregatik anotaziorako algoritmoek HKGBaren inguruko ikerkuntza errazteu eta hobetuko lituzkete, emandako tratamendua hobetuz, eta pazienteen biziraupen aukerak handituz.
Lan honetan lau algoritmo garatu dira HKGB erritmoak modu automatikoan sailkatzeko. Algoritmoak garatzeko lehendabizi HKGB kasuen datubase bat prestatu da, algoritmoak entrenatzeko. Lehen sailkatzailea EKG-tik soilik lortzen du informazioa. Bigarrenak bular inpedantziako informazioa ere erabiltzen du. Gero, ikasketa sakonean oinarritutako sailkatzailea garatu da, esparru honetan teknika hauek oso emaitza onak eman izan baitituzte. Azkenik laugarren sailkatzailea aurrekoaren bertsio hobetua da. Bukatzeko, emaitzak aztertu eta sailkatzaileen errendimenduak alderatu dira.