Aplicación de la ley de Zipf-Mandelbrot al diagnóstico de la dinámica cardíaca normal y aguda / Application of the law of Zipf-Mandelbrot to the diagnosis of normal and acute cardiac dynamics

Introducción: Es conocida la capacidad de los fractales estadísticos en la evaluación de la complejidad de diferentes sistemas cuya dinámica pueda ser evaluada a partir de las frecuencias de una variable; para esto, se utiliza la medida de la dimensión fractal estadística, la cual puede ser calculada con la ley de Zipf-Mandelbrot. Esta ley matemática ha sido aplicada en cardiología para evaluar el grado de complejidad de la dinámica cardíaca. En el presente trabajo se aplicó la ley de Zipf-Mandelbrot junto con la metodología diagnóstica desarrollada previamente para evaluar dinámicas cardíacas normales y con enfermedad aguda. Materiales y métodos: Se tomaron 15 registros Holter; 10 con diagnóstico normal y 5 con patologías agudas de pacientes de la Unidad de Cuidados Intensivos. Se organizaron jerárquicamente las frecuencias de aparición de las frecuencias cardíacas de cada dinámica en rangos de a 15 lat/min, en busca del comportamiento hiperbólico necesario para la aplicación de la ley de Zipf-Mandelbrot. Posteriormente se realizó una linealización y se obtuvo la dimensión fractal estadística para cada dinámica. Resultados: Los valores de la dimensión fractal estadística para una dinámica cardíaca aguda variaron entre 0.4925 y 0.6061, mientras que para una dinámica normal variaron entre 0.7134 y 0.9749, evidenciando la diferenciación entre ambos grupos. Conclusiones: El comportamiento fractal estadístico de la dinámica cardíaca fue corroborado, de igual forma la pérdida de complejidad para las dinámicas agudas respecto a las dinámicas normales

Background: The capacity of statistical fractals in the evaluation of the complexity of different systems whose dynamics can be evaluated from the frequencies of a variable is known. This is why the measure of the statistical fractal dimension is used, which can be calculated with the Zipf-Mandelbrot law, this mathematical law has been applied in cardiology evaluating the degree of complexity of cardiac dynamics. In the present work, the Zipf-Mandelbrot law was applied together with the diagnostic methodology previously developed to evaluate normal cardiac dynamics and acute disease. Material and methods: 15 Holter records were taken; 10 with normal diagnosis and 5 with acute pathologies of patients of the Intensive Care Unit. The frequencies of occurrence of the heart frequencies of each dynamics were organized hierarchically in ranges of 15 lat/min, in search of the hyperbolic behavior required for the application of the law of Zipf-Mandelbrot. Subsequently, a linearization was performed and the statistical fractal dimension was obtained for each dynamics. Results: The values of the statistical fractal dimension for acute cardiac dynamics varied between 0.4925 and 0.6061, whereas for normal dynamics they varied between 0.7134 and 0.9749, evidencing the differentiation between both groups. Conclusions: The statistical fractal behavior of the cardiac dynamics was corroborated, as well as the loss of complexity for the acute dynamics with respect to the normal dynamics

Sistemas dinámicos y teoría de la probabilidad aplicados al diagnóstico de la dinámica cardiaca en dieciséis horas / Dynamic systems and probability theory applied to the diagnosis of cardiac dynamics in 16 hours

Resumen Introducción: se han establecido diagnósticos cuantitativos de los sistemas cardiacos, partiendo de teorías como los sistemas dinámicos, la geometría fractal y la teoría de probabilidad. Objetivo: evaluar la dinámica cardiaca con base en una metodología fundamentada en la teoría de probabilidad y los sistemas dinámicos, en dieciséis horas. Metodología: a partir de ochenta registros electrocardiográficos de dinámicas cardiacas, diez normales y setenta con enfermedad, se tomaron los valores máximos y mínimos de la frecuencia cardiaca y el número de latidos/hora durante cada hora, con los cuales se construyó el atractor. Posteriormente, se calculó la dimensión fractal por el método de box counting, los espacios de ocupación y la probabilidad de los espacios de ocupación del atractor. Se determinó el diagnóstico matemático y se hizo una validación estadística respecto al diagnóstico convencional, tomado como estándar de oro. Resultados: se evidenció que la probabilidad de ocupación espacial de los atractores de dinámicas patológicas estuvo entre 0,029 y 0,144 y para dinámicas en estado de normalidad entre 0,164 y 0,329. Se hallaron valores de sensibilidad, especificidad, valor predictivo positivo y negativo de 100% y coeficiente kappa de 1. Conclusiones: se pudo confirmar la capacidad diagnóstica y predictiva de la metodología para diferenciar estados normales de patológicos a nivel clínico.

Abstract Introduction: Quantitative diagnostics of cardiac systems have been established using theories such as, dynamic systems, fractal geometry, and probability theory. Objective: To evaluate cardiac dynamics using a methodology based on probability theory and dynamic systems in sixteen hours. Methods: Using a total of 80 cardiac dynamic electrocardiograph traces (10 normal and 70 with disease), a record was made of the maximum and minimum heart rate values, as well as the number of heart beats/hour during each hour. These values were used to construct the attractor. The fractal dimension was then calculated using the "box counting" method, the spatial occupation, and the probability of spatial occupation by the attractor. The mathematic diagnosis was determined, and a statistical validation was made as regards the conventional diagnosis, which was taken as the reference standard. Results: It was shown that the probability of spatial occupation of the pathological attractor dynamics was between 0.29 and 0.144, and for dynamics in the normal state it was between 0.164 and 0.329. The sensitivity, specificity, positive and negative predictive values were 100%, and the kappa coefficient was 1. Conclusions: The diagnostic and predictive capacity of the methodology to differentiate normal from disease states at clinical level was demonstrated.