Prediction of sudden cardiac death for chagasic patients / Predição de morte súbita cardíaca em pacientes chagásicos / Predicción de muerte súbita cardíaca en pacientes chagásicos federados

Objective: Identify the risk of patients with Chronic Chagas Cardiomyopathy (CCC) to prevent them from having Sudden Cardiac Death (SCD). Methods: We developed an SCD prediction system using a heterogeneous dataset of chagasic patients evaluated in 9 state-of-the-art machine learning algorithms to select the most critical clinical variables and predict SCD in chagasic patients even when the interval between the most recent exams and the SCD event is months or years. Results: 310 patients were analyzed, being 81 (14,7%) suffering from SCD. In the study, Balanced Random Forest showed the best performance, with AUC:80.03 and F1:75.12. Due to their high weights in the machine learning classifiers, we suggest Holter - Non-Sustained Ventricular Tachycardia, Total Ventricular Extrasystoles, Left Ventricular Systolic Diameter, Syncope, and Left Ventricular Diastolic Diameter as essential features to identify SCD. Conclusion: The high-risk pattern of SCD in patients with CCC can be identified and prevented based on clinical and laboratory variables.

Objetivo: Identificar o risco de pacientes com Cardiomiopatia Chagásica Crônica (CCC) para prevenir a Morte Súbita Cardíaca (MSC). Métodos: Desenvolvemos um sistema de MSC usando um conjunto de dados heterogêneo de pacientes chagásicos avaliados em 9 algoritmos de aprendizado de máquina de última geração para selecionar as variáveis clínicas mais críticas e prever MSC em pacientes chagásicos mesmo quando o intervalo mais recente entre os mais recentes exames e o evento MSC é meses ou anos. Resultados: Foram analisados 310 pacientes, sendo 81 (14,7%) portadores de CCC. No estudo, o algoritmo Balanced Random Forest apresentou o melhor desempenho, com AUC:80,03 e F1:75,12. Devido ao seu alto peso nos classificadores de aprendizado de máquina, sugerimos Holter - Taquicardia Ventricular Não Sustentada, Extrassístoles Ventriculares Totais, Diâmetro Sistólico do Ventrículo Esquerdo, Síncope e Diâmetro Diastólico do Ventrículo Esquerdo como características essenciais para identificar a CCC. Conclusão: O padrão de alto risco de MSC em pacientes com CCC pode ser identificado e prevenido com base em variáveis clínicas e laboratoriais.

Objetivo: Identificar el riesgo de los pacientes con Miocardiopatía Chagásica Crónica (MCC) para evitar que presenten Muerte Cardíaca Súbita (MCS). Métodos: Desarrollamos un sistema MCS utilizando un conjunto de datos heterogéneo de pacientes chagásicos evaluados en 9 algoritmos de aprendizaje automático de última generación para seleccionar las variables clínicas más críticas y predecir MCS en pacientes chagásicos incluso cuando el intervalo más reciente entre los más recientes exámenes y el evento MCS es meses o años. Resultados: Se analizaron 310 pacientes, siendo 81 (14,7%) con MSC. En el estudio, Balanced Random Forest mostró el mejor desempeño, con AUC:80.03 y F1:75.12. Debido a su alto peso en los clasificadores de aprendizaje automático, sugerimos Holter - Taquicardia ventricular no sostenida, Extrasístoles ventriculares totales, Diámetro sistólico del ventrículo izquierdo, Síncope y Diámetro diastólico del ventrículo izquierdo como características esenciales para identificar la MSC. Conclusión: El patrón de alto riesgo de MSC en pacientes con MCC se puede identificar y prevenir con base en variables clínicas y de laboratorio.

Análise comparativa de desempenho das transformadas Wavelet e Hilbert na detecção do QRS em ECG / Performance comparison analysis of Wavelet and Hilbert transforms for QRS detection in ECG

O processo de detecção do complexo QRS é o primeiro passo de um processo de extração de parâmetros do sinal eletrocardiograma (ECG) em sistemas de auxílio ao diagnóstico médico. O presente trabalho apresenta resultados detalhados de comparação da aplicação de duas transformadas matemáticas, Wavelet e Hilbert, em um algoritmo de detecção de QRS em termos de taxas de detecções corretas (sensibilidade e preditividade positiva) e de uma medida de frequência de recorrência a processos de filtragem (pré-processamento). Uma abordagem inovadora é implementada, na qual as rotinas de filtragem são inseridas dentro do estágio de decisão, ou seja, é realizada a supressão da etapa de pré-processamento. As transformadas são aplicadas no algoritmo, que é baseado em um limiar adaptativo, com o objetivo de realçar, apenas quando necessário, os picos (pontos fiduciais)do QRS. Em uma primeira abordagem, apenas a transformada Wavelet é utilizada neste realce e, numa segunda abordagem, a transformada de Hilbert é inserida em série à aplicação da Wavelet em dois possíveis arranjos. São realizados experimentos dos algoritmos sobre os exames da base de dados Arrhythmia Database, pertencente ao conjunto de bases de dados do MIT-BIH. É composta por 48 gravações de ECG com duração de trinta minutos, amostrados a uma frequência de 360 Hz com resolução de 4,88 μV sobre uma faixa de variação de 10 mV. Ao todo, contabilizam-se 109.662 complexos QRS. Taxas de 98,85% de sensibilidade e 95,10% de preditividade positiva são obtidas com a aplicação exclusiva da transformada Wavelet, enquanto que 98,89% de sensibilidade e 98,52% de preditividade positiva são obtidas com aaplicação em série das transformadas Wavelet e de Hilbert.

The process of QRS detection is the first stage of a greater process: the feature extraction in the electrocardiogram (ECG). This work presents detailed results on the performance of two mathematical transforms, Hilbert and Wavelet, which are applied in QRS detection. The evaluation parameters are the detection rates and a measure of frequency of recurrence to filtering processes. An innovative approach is implemented: the filtering routines are inserted in the decision stage, i.e. the preprocessing stage is removed. The algorithm is based on adaptive threshold technique and the two transforms are applied in order to emphasize, only when necessary, the QRS fiducial points. In a first approach, only the Wavelet transform is applied, and in a second approach, the Hilbert transform is inserted before the Wavelet transform or after it. We evaluate these approaches on the well-known MIT-BIH Arrhythmia Database. It contains 48 half-hour recordings of annotated ECG with a sampling rate of 360 Hz and 4.88 μV resolution over a 10 mV range, totalizing 109,662 QRS complexes. Sensitivity rates of 98.85% and 98.89% are respectively attained when the Wavelet transform is applied in the filtering processes and both Hilbert and Wavelet transforms are applied. Predictability rates of 95.10% and 98.52% are also attained respectively using Wavelet transform and the simultaneous application of Hilbert and Wavelet transforms in the filtering processes.