Bioingenieros de Dinamarca e Irán publicaron en la 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), en Berlin, Germany, 2019 los datos obtenidos utilizando parámetros de episodios a partir de datos grabados del CDI implantado a pacientes a los efectos de la predicción en ellos de la ocurrencia de tormentas eléctricas*.
Señalan a manera de introducción que los pacientes con cardiodesfibrilador implantable (CDI) tienen un mayor riesgo de episodios recurrentes de taquicardia ventricular (TV) y fibrilación ventricular (FV) denominada tormenta eléctrica (ES por sus siglas en inglés).
Informes previos observaron que los pacientes con CDI que han experimentado TV / FV en el pasado tienen un mayor riesgo de sufrir ES en el futuro.
Un CDI monitorea continuamente la frecuencia cardíaca para detectar arritmias. Si se detecta una arritmia, el dispositivo administra una descarga eléctrica de alta energía o una serie de pulsos eléctricos de baja energía para convertir la taquiarritmia en ritmo sinusal normal. Los datos de monitoreo obtenidos durante un episodio incluyen la duración del ciclo (CL) y el tipo de terapia administrada.
En particular, se demostró que CL era útil para la predicción de recurrencia de TV / FV.
Sin embargo, este estudio al que se refiere la mención se basó en un pequeño número de pacientes con CDI y series de tiempo que limitaron el análisis estadístico. Además, los episodios de FV no fueron naturales sino inducidos por la estimulación ventricular programada. Por lo tanto, estos resultados deben validarse con una base de datos más grande.
En el estudio actual que se comenta, el objetivo fue establecer un modelo general para predecir ES inminente utilizando los parámetros de episodios recopilados de episodios anteriores en pacientes con dispositivos en pacientes de EE. UU.
Los autores, aplicaron la ventaja de los dispositivos CDI capaces de recopilar y proporcionar datos a dispositivos portátiles, tal como los resúmenes diarios disponibles para el fabricante. El modelo estadístico se basó exclusivamente en estos datos recopilados, independientemente de la información clínica adicional.
Este trabajo es de gran interés porque la predicción de ES a partir de una fuente de datos de CDI independiente de la información clínica es una situación que puede producirse en muchos escenarios diferentes.
Por ejemplo, la información clínica podría no estar disponible debido a problemas de privacidad o debido a otras circunstancias.
Dos modelos diferentes de aprendizaje automático basados en resúmenes de monitoreo remoto de CDI durante episodios en la gran cantidad de pacientes anonimizados fueron aplicados y comparados: efectivamente se utilizaron la regresión logística (LR por sus siglas en inglés) como modelo lineal de referencia y el llamado bosque aleatorio (Random Forest) como modelo no lineal. Este último es un algoritmo de aprendizajae automático muy utilizado.
Se investigó que RF mejoraría la precisión de la clasificación de las tormentas eléctricas. Además, se realizaron análisis adicionales para identificar los mejores predictores de las mismas.
Resúmenes de 16.022 pacientes se utilizaron para construir y evaluar estos dos modelos de regresión logística y bosque aleatorio, para predecir el riesgo a corto plazo de ES.
Los parámetros del episodio incluyeron el número total de episodios sostenidos, las descargas administradas y los parámetros de la duración del ciclo.
Se observó, a manera de síntesis que el bosque aleatorio se desempeñó significativamente mejor que la regresión logística (P <0.01), logrando una precisión de prueba de 0.99 y un área bajo una curva ROC (AUC) de 0.93 (frente a una precisión de 0.98 y un AUC de 0.90).
El número total de episodios sostenidos anteriores fueron las variables más relevantes en ambos modelos.
El uso del aprendizaje automático a gran escala mostró que los resúmenes de episodios de mediciones del CDI en ausencia de información clínica pueden predecir el riesgo a corto plazo de ES.
* Shakibfar S, Yazdchi M, Aliakbaryhosseinabadi S. Predicting Electrical Storm Using Episodes’ Parameters from ICD Recorded Data. Conf Proc IEEE Eng Med Biol Soc. 2019;2019:4885‐4888. doi:10.1109/EMBC.2019.8857720