Bachiller Bruno Fernando Espinoza Amaya

El 29% de las muertes a nivel mundial en 2004 fueron producidas por enfermedades cardíacas de acuerdo a la OMS.

82% de estas son registradas en países en vías de desarrollo, como el Perú.

En 2007, la enfermedad cardíaca ha sido la primera causa de muerte en el Perú, superando al cáncer de acuerdo al INEI.

Fuente: INEI, 2011. Compendio Estadístico.

Fuente: INEI, 2011. Compendio Estadístico.

Fuente: INEI, 2003. Compendio Estadístico.

Fuente: INEI, 2003. Compendio Estadístico.

Causas Problema Consecuencias

Falta de prevención y de hábitos saludables.

Enfermedades Cardíacas con Alta Prevalencia en la Población

Mortandad significativa relacionada con Enfermedades Cardíacas.

Formación insuficiente en esta temática.

Médicos Insuficientes enel Área de Cardiología o en Interpretación de ECG.

Diagnósticos tardíos.

Motivos presupuestarios y otros.

Instalaciones Médicas Insuficientes en la Región

Diagnósticos tardíos / Fracaso del tratamiento.

Número de médicos especialistas insuficientes en la región / Diagnósticos tardíos.

Número muy alto de ingresados y pocos dados de alta por enfermedad cardíaca

Prevalencia mayor de enfermedades cardíacas en la población.

Pregunta: ¿De qué manera se puede apoyar al diagnóstico de las enfermedades cardiovasculares con un algoritmo de detección de ritmos anómalos?

Hipótesis: “A través de la implementación de un Algoritmo de Detección de Ritmos Anómalos, se apoya la detección de las enfermedades cardiovasculares mediante la detección de ritmos anómalos, auxiliando así el diagnóstico al médico especialista”

Auxiliar al diagnóstico de enfermedades cardiovasculares mediante el desarrollo de un algoritmo de detección de ritmos anómalos.

Lograr un nivel de Sensibilidad apropiado para una prueba que permita elevar el nivel de detección de enfermedades cardiovasculares.

Lograr un nivel de Especificidad apropiado para una prueba que permita elevar el nivel de detección de enfermedades cardiovasculares.

Fundamentos de ECG

Señales ECG / Diseño de un Equipo de ECG

Detección y Reconocimiento de Patrones

Línea de Decisión

Clasificador Lineal

Clasificador Multidimensional / No Lineal

Tipos de Clasificadores

1) Patrones2) Sensor3) Generación de Características4) Selección de Características5) Diseño del Clasificador6) Evaluación del Sistema

65 registros de las MIT-BIH Arrythmia Database y la MIT-BIH Normal Sinus Database como población.

25 registros como muestra.

No se usan registros tomados “in vivo” por motivos de seguridad.

Indicador Descripción

Falsos Positivos Cantidad de registros que dan negativo en la prueba estándar pero positiva en la prueba propuesta.

Falsos Negativos Cantidad de registros que dan negativo en la prueba propuesta pero positivo en la estándar.

Verdaderos Positivo Cantidad de registros que dan positivo en ambas pruebas.

Verdaderos Negativos Cantidad de registros que dan negativo en ambas pruebas.

Sensibilidad Probabilidad de que el test identifique con resultado positivo a un individuo enfermo

Especificidad Probabilidad de que el test identifique con resultado negativo a un individuo sano

Placa de Adquisición de Datos para ECG (1 Canal)(Modelo prototipo)

Modelo Propuesto – Etapa Amplificación

Modelo Propuesto – Etapa de Acoplamiento ADC

Visión General Algoritmo de Detección de Ritmos Anómalos

Señal Original

Eliminar Desviación de

Línea Base

Eliminar Componente DC

Filtro Pasa Alta de 5 Hz

Identificacion de Ondas Q.R y S.

Filtro Pasa Baja de 12 Hz

Filtro Derivativo

Elevación al Cuadrado

Ventaneo y Convolución de

Complejos R

Detector de Complejos QRS - Detalles

Detector de Complejos QRS - Entrada (Izq.) y Salida (Der.)

Señal Original

Ventaneo para Búsqueda P y T

Buscar Ausencia de Onda P

Cálculo Promedio Distancia R-R

Detección de Complejos QRS

Detector de Ondas P y T - Detalles

Detector de Ondas P y T – Entrada (Izq.) y Salida (Der.)

Cálculo de Alturas Ondas R

Cálculo de Distancia R-R

Detección de R-R Anómalos

Cálculo de Taquicardia / Bradicardia

Detección de Alturas R Anómalas

Diagnóstico Final

Algoritmo Clasificador de Ritmos - Detalles

Visión Detallada del Algoritmo Clasificador de Ritmos

Indicador Resultado

Falsos Positivos 3

Falsos Negativos 6

Verdaderos Positivo 13

Verdaderos Negativos 3

Sensibilidad 68.42%

Especificidad 33.33%

Detección del 53% de ritmos cardíacos anómalos de los Vectores de Entrenamiento.

Sensibilidad de 68.42% debido a que se limitó a detección de arritmias simples.

Especificidad de 33.33% , lo cual hace útil como prueba de screening.

Primer paso para la construcción de un sistema basado en reglas para el manejo integral de patologías coronarias.