Pasar al contenido principal

Anticipando la Muerte Cardiaca Súbita

Anticipando la Muerte Cardiaca Súbita

Las enfermedades cardiovasculares son consideradas como la principal causa de muerte a nivel mundial. De dichas muertes, alrededor del 50 por ciento se deben a muerte cardiaca súbita (MCS). La MCS es una enfermedad en la que un paciente considerado como estable muere una hora después de presentar los primeros síntomas o mientras se encontraba dormido. La MCS puede tener una gran cantidad de orígenes relacionados a diferentes problemas cardiacos, pero siempre presenta el mismo desenlace a nivel eléctrico: si se estudia el electrocardiograma (ECG) de un paciente, este pasa de tener una frecuencia cardiaca normal a sufrir un episodio de taquicardia o fibrilación ventricular, o ambos, hasta terminar en asístole (cuando el corazón deja de latir). A pesar del elevado nivel de mortalidad de esta enfermedad, es posible prevenirla colocando un desfibrilador automático implantable (DAI) en pacientes identificados como de riesgo de sufrir este tipo de episodios. Las DAIs monitorean la frecuencia cardiaca de manera continua y, si detectan el inicio de un episodio de taquicardia o fibrilación ventricular, generan una descarga eléctrica que puede ayudar a reestablecer el latido del corazón. Sin embargo, identificar los pacientes con riesgo de sufrir un episodio de MCS y que necesiten la colocación de un DAI ha sido un reto clínico importante, incluso con las diferentes herramientas que existen para la estratificación de riesgos. 

Debido a la estrecha relación que existe entre la MCS y las variaciones en la frecuencia cardiaca, existen una gran cantidad de estudios sobre indicadores de estas variaciones como indicadores de riesgo de la MCS. Específicamente, este trabajo se enfocó en el uso de dos tipos de indicadores. El primero es la Variabilidad de la Frecuencia Cardiaca (VFC). Este tipo de indicadores están basados en el análisis de las variaciones que existen en la frecuencia cardiaca de un latido a otro. A partir de estas variaciones, se pueden realizar una serie de mediciones estadísticas y espectrales sobre el comportamiento de la frecuencia cardiaca. Una gran limitación de la VFC es que se enfoca en el estudio de latidos considerados como normales (es decir, originados en las aurículas del corazón, específicamente en el nodo sinoauricular) y no considera latidos que pueden ser generados en otras secciones del corazón, lo que es muy común en pacientes que sufren de episodios de taquicardia o fibrilación ventricular. Los pacientes que sufren este tipo de episodios suelen presentar latidos que se originan en los ventrículos del corazón, conocidos como extrasístoles ventriculares (ESVs). Para tomar en cuenta la aparición de este tipo de latidos, se utilizaron también los indicadores del heartprint, un método que se basa en el análisis de las ESVs y su relación con los latidos normales. Ambos indicadores propuestos han sido utilizados anteriormente para estudiar la MCS de manera independiente. En este trabajo se propuso la combinación de estos dos tipos de indicadores mediante un método de clasificación de aprendizaje supervisado, específicamente usando máquinas de soporte vectorial (MSV). 

Las MSV se basan en el uso de una serie de datos de entrenamiento que permitan conocer el comportamiento de una serie de características (en este caso los índices de VFC y del heartprint) para poder clasificar los datos en uno de dos grupos: si el paciente tiene o no el riesgo de sufrir MCS. El riesgo de sufrir MCS se determinó como el inicio de un episodio de taquicardia o fibrilación ventricular. En este estudio se utilizaron dos grupos de datos diferentes: uno para realizar el entrenamiento de la MSV y otro para probar su desempeño una vez que la máquina haya sido entrenada. Los datos se tomaron de pacientes con un riesgo conocido de sufrir MCS y que cuentan con un DAI, para obtener los registros de ECG anteriores a la aparición de un episodio de taquicardia o fibrilación ventricular. Para cada registro se calcularon un total de 16 índices: 11 correspondientes a VFC y 5 correspondientes al heartprint. Para el entrenamiento de la MSV se utilizaron 135 pares de registros: un registro antes de un episodio de MCS y un registro sin episodio, utilizado como control. Durante el entrenamiento, se buscó encontrar la MSV con el mejor desempeño, probando diferentes combinaciones de índices que permitieran obtener la mejor área bajo la curva ROC y la mejor certeza en la clasificación. Se encontró que una combinación de 4 índices permite obtener un área bajo la curva ROC de 0.892 y una certeza del 82.59%, mientras que una combinación de 5 índices obtuvo un área bajo la curva ROC de 0.858 y una certeza del 77.41%. Para probar el desempeño de las MSVs obtenidas, se utilizó un nuevo grupo de datos con 68 registros (33 antes de un episodio de MCS y 35 controles) para los que se obtuvo un área bajo la curva ROC de 0.678 y una certeza del 67.65% para la combinación de 4 índices, y un área bajo la curva ROC de 0.646 y una certeza del 63.24% para la combinación de 5 índices.

La principal contribución de este estudio es demostrar que la combinación de índices de diferentes orígenes, como en este caso de VFC y del heartprint, pueden ayudar a mejorar la identificación del riesgo que tiene un paciente de sufrir un episodio de MCS. Otro hallazgo importante fue que, en la mayoría de los estudios realizados anteriormente con índices de VFC y MSVs, se utilizaron registros largos (alrededor de 24 horas de duración). Considerando que la MCS es una enfermedad que aparece de manera repentina, contar con registros tan largos puede llegar a ser complicado. Este estudio se enfocó en el uso de registros cortos (alrededor de 15 minutos de duración) y se logró demostrar la efectividad de los índices de VFC y del heartprint para la identificación de riesgo de MCS. Es importante considerar que este estudio se basó en el análisis de datos de pacientes que contaban con un riesgo conocido de sufrir MCS al tener un DAI, por lo que sería necesario extender este estudio para incluir otro tipo de pacientes y confirmar la efectividad de estos índices en la detección del riesgo. A pesar de que las MSV utilizadas para pruebas obtuvieron un peor desempeño que las de entrenamiento, es importante señalar que se utilizaron diferentes grupos de datos provenientes de pacientes con características totalmente distintas, por lo que se está confirmando la utilidad de este tipo de índices, aunque sería conveniente estudiar otros métodos de clasificación para buscar obtener una mejor clasificación de riesgo de la MCS. Después de realizar este estudio, es posible concluir la utilidad de combinar índices por medio de métodos de clasificación para mejorar la estratificación de riesgo de MCS. 

Referencia del artículo: Martinez-Alanis, M.; Bojorges-Valdez, E.; Wessel, N.; Lerma, C. Prediction of Sudden Cardiac Death Risk with a Support Vector Machine Based on Heart Rate Variability and Heartprint Indices. Sensors 2020, 20, 5483. 

Ver artículo completo

Dra. Marisol Martínez Alanís, profesora investigadora de la Universidad Anáhuac México, Facultad de Ingeniería. Investigadora del Sistema Nacional de Investigadores de CONACYT. 

Más información:
Dirección de Investigación
Andrea Pérez Roldán 
andrea.perezro@anahuac.mx