Ablación cardiaca auricular: estrategias guiadas por el mapeo de electrogramas / Catheter Ablation for Atrial Fibrillation: Electrogram-Guided Methods

Resumen La ablación por radiofrecuencia se ha constituido como la técnica más utilizada para el tratamiento intervencionista de la fibrilación auricular. El aislamiento eléctrico de venas pulmonares se ha convertido en el procedimiento convencional, principalmente en pacientes con fibrilación auricular paroxística. Sin embargo, la tasa de éxito mediante esta técnica en pacientes con fibrilación auricular persistente es alrededor del 50%. Aunque se han propuesto diversas estrategias para guiar al electrofisiólogo en los procedimientos de ablación, estudios recientes muestran que la generación de líneas de ablación adicionales guiadas anatómicamente o mediante mapeo de electrogramas complejos fragmentados, no mejora la tasa de éxito del procedimiento convencional de aislamiento de venas pulmonares. En esta revisión, se consideran las limitaciones que representan los métodos de mapeo electrofisiológicos actuales, las nuevas estrategias de evaluación de los electrogramas y los métodos de procesamiento de señales que se ven propuestos en el futuro más inmediato, para guiar los procedimientos de ablación particularmente en pacientes con fibrilación auricular persistente.

Abstract Radiofrequency catheter ablation has evolved into an effective treatment option for drug-resistant patients with atrial fibrillation. Electrical isolation of the pulmonary veins has become the standard ablation strategy mainly in patients with paroxysmal atrial fibrillation. However, the success rate of pulmonary veins isolation is about 50% in patients with persistent atrial fibrillation. Although different strategies to guide the electrophysiologist in ablation procedures have been proposed. Recent studies show that the generation of additional ablation lines guided anatomically or by fragmented complex electrograms mapping does not improve the success rate of the conventional pulmonary veins isolation procedure. In this review, we describe the limitations of current electrophysiological mapping methods, the new electrogram evaluation strategies and the signal processing methods that are proposed in the immediate future, to guide ablation procedures, particularly in patients with atrial fibrillation persistent.

Caracterización y Clasificación de Señales de Auscultación Cervical Adquiridas con Estetoscopio para Detección Automática de Sonidos Deglutorios / Characterization and Classification of Cervical Auscultation Signals Acquired with Stethoscope for Automatic Detection of Swallowing Sound

Resumen: La evaluación automática de sonidos de auscultación cervical (AC) es una herramienta no invasiva para evaluación de la deglución. Sin embargo, los eventos deglutorios pueden verse enmascarados por fuentes de ruido. Este trabajo propone una metodología de caracterización y clasificación de señales de AC con alta resolución temporal a partir de estetoscopio, para discriminar entre sonidos deglutorios y asociados a ruido. Se adquirieron señales de AC en 10 sujetos sanos durante tres pruebas: toma de líquido, pronunciación del fonema /a/ y aclaramiento de garganta. Se extrajeron características de la señal de AC basadas en coeficientes cepstrales en la escala Mel, transformada wavelet discreta y entropía de Shannon. Las características con mayor relevancia fueron utilizadas como entrada a una máquina de vectores de soporte. Utilizando ventanas de 60 ms - alta resolución temporal - y validación cruzada, se obtuvieron exactitudes del 97.7% para detección de eventos acústicos y 91.7% para sonidos deglutorios. El método propuesto permite clasificación de sonidos deglutorios utilizando estetoscopio -dispositivo común en la práctica clínica- con exactitud comparable a otros trabajos que tienen menor resolución temporal o que utilizan otro tipo de sensores. Este trabajo constituye una primera etapa en el desarrollo de un algoritmo robusto para clasificación de sonidos deglutorios asociados a desórdenes de la deglución, a partir de auscultación cervical, para fines de diagnóstico automático.

Abstract: Automatic evaluation of cervical auscultation sounds (AC) is a non-invasive tool for swallowing assessment. However, the swallowing events could be perturbed by acoustic noise. This paper proposes a methodology of characterization and classification of AC signals acquired by stethoscope with high temporal resolution, in order to discriminate between swallowing sounds and other acoustic noise. AC signals from 10 healthy individuals were acquired with stethoscope during three tasks: liquid ingestion, phoneme /a/ pronunciation and throat clearing. Features based in Mel frequency cepstral coefficients, discrete wavelet transform and Shannon entropy, were extracted. Features with highest Fisher's discriminant ratio were used as input of a support vector machine. By application of 60 ms windows and cross validation, the obtained accuracies were 97.7% for acoustic event detection and 91.7% for swallowing sound detection. The proposed method allows classification swallowing sounds with higher temporal resolution­ than other works but with comparable accuracy. Furthermore, the use of stethoscope could lead to better acceptation than other sensors by physicians, because it is a common device in clinical practice. This work is a first stage in the development of a robust classification algorithm for sounds in swallowing disorders, oriented to automatic diagnosis.

CLASIFICACIÓN DE LATIDOS DE CONTRACCIÓN VENTRICULAR PREMATURA BASADOS EN MÉTODOS DE APRENDIZAJE NO SUPERVISADO / CLASSIFICATION OF PREMATURE VENTRICULAR CONTRACTION BEATS BASED ON UNSUPERVISED LEARNING METHODS / CLASSIFICAÇÃO DE PREMATUROS BATIDAS CONTRAÇÃO VENTRICULAR BASEADO SUPERVISIONADO MÉTODOS DE APRENDIZAGEM

Las enfermedades cardiovasculares son la principal causa de mortalidad en el mundo, por lo que el desarrollo de algoritmos que detecten arritmias cardíacas en tiempo real se ha convertido en un campo de investigación importante. El desarrollo de estos algoritmos ha conllevado a la mejora de dispositivos cardiacos portátiles. Este artículo presenta el desempeño de dos algoritmos basados en aprendizaje de máquina no supervisado para la detección de latidos de contracción ventricular prematura en la señal ECG. Los latidos se extraen de las bases de datos del MIT-BIH, los cuales fueron pre-procesados y segmentados por el grupo de investigación de Dinámica Cardiovascular de la UPB. La Transformada Wavelet Discreta, el Análisis de Componentes Principales y un método híbrido propuesto son implementados para la extracción de características y reducción de dimensiones, a partir de los cuales se generan 8 espacios de características para la evaluación de los algoritmos. Kmeans y Mapas auto-organizados son desarrollados y comparados en términos de precisión y costo computacional. Se logró una especificidad del 96.22 % y una sensibilidad del 95.04 % con un tiempo de ejecución de 79.41µs por latido. Los resultados permiten concluir que estos métodos pueden implementarse en aplicaciones de detección de arritmias en tiempo real debido a su bajo costo computacional.

Cardiovascular diseases are the principal cause of mortality in the world, so that the development of algorithms that detect cardiac arrhythmias in real time has become an important field of research. The development of these algorithms has led to the improvement of wearable cardiac devices. This paper presents the performance of two algorithms based in unsupervised learning methods for the detection of Premature Ventricular Contraction in the ECG signal. The beats are extracted from MIT-BIH databases, which were preprocessed and segmented by the UPB’s Dynamic Cardiovascular research group. The Discrete Wavelet Transform (DWT), Principal Component Analysis (PCA) and a proposed hybrid method are implemented for the feature extraction and dimension reduction, from which 8 feature spaces are generated and tested. Kmeans and Self Organizing Maps are developed and compared in terms of accuracy and computational cost. Specificity of 96.22 % and sensitivity of 95.94% with 79.41µs per beat are accomplished. The results show that these methods can be implemented in applications of real time arrhythmia detection because of their low computational cost.

A doença cardiovascular é a principal causa de morte em todo o mundo, de modo que o desenvolvimento de algoritmos para detectar arritmias cardíacas, em tempo real, tornou-se um importante campo de pesquisa. O desenvolvimento desses algoritmos tem levado a melhores dispositivos cardíacos portáteis. Este artigo apresenta o desempenho dos dois com base na aprendizagem de máquina sem supervisão para detecção de batidas de contração ventriculares prematuras nos algoritmos de sinais de ECG. As batidas são extraídos das bases de dados do MIT-BIH, que foram pré-processados e segmentado pelo grupo da UPB Cardiovasculares Dynamics pesquisa. A Transformada Wavelet Discreta, Análise de Componentes Principais e uma abordagem híbrida proposta são implementadas para extração de características e redução de dimensão, a partir do qual 8 espaços de recursos para a avaliação dos algoritmos são gerados. Kmeans e mapas de auto-organização são desenvolvidos e comparados em termos de precisão e custo computacional. A especificidade de 96,22% e uma sensibilidade de 95,04% com um tempo de execução de 79.41µs por batida foi alcançado. Os resultados mostram que estes métodos podem ser implementados em aplicações de detecção de arritmia em tempo real, devido ao seu baixo custo computacional.