Estudio mediante métricas no lineales sobre la contribución que la diversidad espacial del electrocardiograma ofrece en la predicción de recurrencias tras cardioversión eléctrica de fibrilación auricular

Abstract

[ES] La fibrilacio¿n auricular (FA) es la arritmia ma¿s diagnosticada en la pra¿ctica cli¿nica. Uno de sus principales tratamientos es la cardioversio¿n ele¿ctrica. Para intentar predecir el e¿xito del procedimiento, se han estudiado diferentes me¿tricas de complejidad de pacientes con FA considerando la sen¿al electrocardiogra¿fica como una serie temporal. Asi¿, existen estudios que emplean algunos i¿ndices no lineales tales como entropi¿a muestral, entropi¿a Fuzzy o exponentes de Hurst. No obstante, estos i¿ndices han sido aplicados u¿nicamente a una sola derivacio¿n del electrocardiograma (V1). El objetivo principal de este trabajo es estudiar co¿mo la inclusio¿n al modelo de las 11 derivaciones restantes del electrocardiograma contribuye en la mejora de la clasificacio¿n de los pacientes, y por tanto, en la prediccio¿n de recurrencias en FA al cabo de 1 mes desde la cardioversion ele¿ctrica. Para ello, se realizo¿ primero un preprocesado de la sen¿al. A continuacio¿n, se proceso¿ la sen¿al para obtener la Frecuencia Auricular Dominante (DAF), la Actividad Auricular (AA) y la Onda Auricular Principal (MAW) de cada derivacio¿n de cada paciente. La MAW fue segmentada en tramos de 10 segundos y diferentes me¿tricas fueron calculadas para cada tramo, obteniendo un valor medio de cada sen¿al. Se realizo¿ un ana¿lisis lineal discriminante (LDA) para extraer las derivaciones ma¿s relevantes de cada me¿trica aplicada a la MAW para todos los pacientes de FA persistente. Despue¿s, se realizo¿ una clasificacio¿n de pacientes con estas derivaciones seleccionadas mediante un a¿rbol de decisio¿n simple y una regresio¿n logi¿stica, alcanzando niveles de 100% de precisio¿n en todas las me¿tricas excepto en FuzzyEn (85,7%). Por tanto, se concluye que la informacio¿n proporcionada por la diversidad espacial del ECG mejora en hasta un 20% la precisio¿n con respecto a estudios realizados con una sola derivacio¿n de ECG, cuya precisio¿n ma¿xima fue 80%.

[EN] Atrial fibrillation (AF) is the most commonly diagnosed arrhythmia in clinical practice. One of its main treatments is electrical cardioversion. In order predict the effectivity of the procedure, different complexity metrics of AF patients have been studied considering the electrocardiogram signal as a time series. Thus, there are studies that use non-linear metrics such as sample entropy, Fuzzy entropy or Hurst exponents. However, these metrics have only been applied to a single lead of the electrocardiogram (V1). The main objective of this work is to study how the inclusion in the model of the 11 remaining electrocardiogram leads contributes to patient classification and, therefore, to the prediction of recurrences in AF within 1 month of electrical cardioversion. For this purpose, a signal preprocessing was first performed. The signal was then processed to obtain the Dominant Auricular Frequency (DAF), Atrial Activity (AA) and Main Atrial Wave (MAW) of each patient's 12 leads records. The MAW was segmented into 10- second fragments and different metrics were calculated for each section, obtaining an average value for each signal. A linear discriminant analysis (LDA) was performed to extract the most relevant leads of each metric applied to the MAW for all patients. Then, a classification of patients using these selected leads was performed by means of a simple decision tree and logistic regression, reaching 100% accuracy levels in all metrics except FuzzyEn (85.7%). Therefore, it is concluded that the information provided by the spatial diversity of the ECG improves the accuracy by up to 20% with respect to single lead studies, whose maximum accuracy was 80%.