Bioengenheiros da Dinamarca e do Irã publicaram na 41ª Conferência Internacional Anual da IEEE Engenharia em Medicina e Biologia Society (EMBC), em Berlim, Alemanha, 2019 os dados obtidos usando parâmetros de episódio de dados registrados em CDIs implantados em pacientes para os efeitos de prever sobre eles a ocorrência de tempestades *.
Eles apontam como introdução que pacientes com cardioversores desfibriladores implantáveis (CDI) têm maior risco de episódios recorrentes de taquicardia ventricular (TV) e fibrilação ventricular (FV) denominados tempestade elétrica (ES = Electrical Stormy, sigla em inglês).
Relatórios anteriores observaram que pacientes com CDI que sofreram TV / FV no passado correm um risco aumentado de ES no futuro.
Um CDI monitora continuamente a freqüência cardíaca para detectar arritmias. Se uma arritmia for detectada, o dispositivo emitirá um choque elétrico de alta energia ou uma série de pulsos elétricos de baixa energia para converter a taquiarritmia em ritmo sinusal normal. Os dados de monitoramento obtidos durante um episódio incluem a duração do ciclo (CL = Cycle Lenght) e o tipo de terapia administrada.
Em particular, o CL mostrou-se útil para prever a recorrência de VT / VF.
No entanto, este estudo ao qual a menção se refere foi baseado em um pequeno número de pacientes com CDI e séries temporais que limitaram a análise estatística. Além disso, os episódios de FV não eram naturais, mas induzidos pela estimulação ventricular programada. Portanto, esses resultados devem ser validados em um banco de dados maior.
No presente estudo discutido, o objetivo foi estabelecer um modelo geral para predizer uma ES iminente usando os parâmetros de episódios coletados de episódios anteriores em pacientes com dispositivos nos EUA.
Os autores aplicaram a vantagem dos dispositivos CDI capazes de coletar e fornecer dados para dispositivos portáteis, como resumos diários disponíveis ao fabricante. O modelo estatístico foi baseado exclusivamente nesses dados coletados, independentemente de informações clínicas adicionais.
Este trabalho é de grande interesse, pois a previsão de ES a partir de uma fonte de dados CDI independente da informação clínica é uma situação que pode ocorrer em muitos cenários diferentes.
Por exemplo, informações clínicas podem não estar disponíveis devido a preocupações com a privacidade ou outras circunstâncias.
Dois modelos diferentes de aprendizado da máquina baseados em resumos de monitoramento remoto de CDI durante episódios de ES no grande número de pacientes anonimizados foram aplicados e comparados: a regressão logística (LR) que foi efetivamente usada como modelo de referência linear e a chamada floresta aleatória (modelo não linear). O último é um algoritmo de aprendizado automático amplamente utilizado.
Foi investigado que o RF (Random Forest) melhoraria a precisão da classificação de tempestades. Além disso, análises adicionais foram realizadas para identificar os melhores preditores deles.
Resumos de 16.022 pacientes foram utilizados para construir e avaliar esses dois modelos de regressão logística e floresta aleatória, para predizer o risco de ES a curto prazo.
Os parâmetros de cada episódio incluíram o número total de episódios sustentados, choques fornecidos e parâmetros de duração do ciclo.
Em síntese, observou-se que a floresta aleatória teve desempenho significativamente melhor que a regressão logística (P <0,01), alcançando uma precisão de teste de 0,99 e uma área sob uma curva ROC (AUC) de 0,93 (comparada a uma precisão de 0,98 e uma AUC de 0,90).
O número total de episódios sustentados anteriores foram as variáveis mais relevantes nos dois modelos.
O uso do aprendizado da máquina em larga escala mostrou que resumos sintetizados das medições de CDI, na ausência de informações clínicas, podem prever o risco de ES a curto prazo.
* 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