Análisis multimodal de señales cardíacas y respiratorias para predecir el éxito en la Desconexión de la Ventilación Mecánica

L S Correa14, V Mut2, B F Giraldo3, A Torres3, E Laciar1

1 Gabinete de Tecnología Médica, Universidad Nacional de San Juan, San Juan, Argentina (e-mail: lcorrea@gateme.unsj.edu.ar, laciar@gateme.unsj.edu.ar) 2 Instituto de Automática (INAUT), Universidad Nacional de San Juan, San Juan, Argentina (e-mail: vmut@inaut.unsj.edu.ar). 3 Departamento de ESAII, EUETIB, Universitat Politècnica de Catalunya (UPC), Institut de Bioenginyeria de Catalunya (IBEC) and CIBER de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN). Barcelona, España (e-mail: beatriz.giraldo@upc.edu, abel.torres@upc.edu). Resumen. En este trabajo se utilizan las técnicas de análisis estadístico, la densidad espectral de potencia y la complejidad de Lempel Ziv en un enfoque multiparamétrico de cuatro series temporales obtenidas de las señales electrocardiográfica y de flujo respiratorio de 126 pacientes que atraviesan la prueba de ventilación espontánea en el proceso de desconexión de la Ventilación Mecánica. De los cuales, 88 pacientes corresponden al grupo éxito (GE), y 38 pacientes pertenecen al grupo fracaso (GF). Se encontró que: los valores medios de las duraciones del ciclo respiratorio y del latido cardiaco resultaron mayores para el GE que para el GF; el coeficiente de curtosis o de apuntamiento del espectro del índice de respiración superficial fue mayor para el GF; como así también los valores medios de la complejidad de Lempel Ziv asociados con la señal de flujo respiratorio fueron superiores para el GF. Estos parámetros fueron introducidos en una red neuronal para su clasificación, obteniéndose un 80% de clasificaciones correctas.

1. Introducción Las enfermedades respiratorias representan, en Argentina y en el mundo, un importante problema de salud que afecta la condición de bienestar y el estado de salud de una inmensa cantidad de población de todas las edades. En efecto, en algunas patologías los pacientes padecen una grave discapacidad ventilatoria por lo que requieren para su supervivencia la conexión a un respirador o ventilador mecánico. El principal objetivo de este último es proveer una oxigenación adecuada a la sangre y mantener el nivel de dióxido de carbono dentro de niveles normales. Sin embargo, el proceso de desconexión del paciente del respirador, también conocido como destete o weaning, es uno de los aspectos más importantes, ya que existen altos riesgos asociados tanto a una ventilación asistida prolongada como a una desconexión prematura, tales como injuria pulmonar asociada al ventilador, neumonía, morbilidad e incluso la muerte [1].

Las diferencias entre los criterios de los médicos terapistas para la discontinuación del soporte ventilatorio tienen un gran impacto en el éxito o fracaso de la prueba de respiración espontánea. Estas diferencias de criterios provoca que muchos pacientes se mantengan con ventilación asistida más 4 A quien se debe remitir la correspondencia.

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

tiempo del necesario o, por el contrario, pacientes que aún no están listos sean desconectados de manera prematura. Así también los intentos fallidos de desconexión pueden precipitar injurias en el músculo respiratorio y prolongar la ventilación mecánica (VM) [2].

Si bien se han publicado distintos métodos que intentan predecir el éxito de la prueba de desconexión espontánea, a fin de ayudar al médico en la toma de decisión y evitar finalmente el sufrimiento en vano que tienen que padecer los pacientes que deben ser conectados nuevamente, no existe consenso con relación a los índices de predicción utilizados para decidir el momento del destete, ni para las técnicas que se emplean. Los índices para una predicción segura están aún bajo investigación, ya que el porcentaje de desconexiones exitosas está solamente entre un 35% y un 60% [3].

Existe una estrecha relación fisiológica entre los sistemas cardiaco y respiratorio [4], que ha demostrado ser muy útil para el diagnóstico de ciertas enfermedades [5]. Es bien sabido que la respiración puede alterar la función cardiovascular. Estos procesos se reflejan en la interacción entre la reserva miocárdica, la función de bombeo ventricular, la distribución de flujo sanguíneo, el tono autonómico, el volumen pulmonar y la presión intratorácica. La respuesta al estrés ventilatorio depende en gran medida del estado cardiovascular del sujeto [6]. En investigaciones recientes se han analizado las interacciones cardio-respiratorias durante el destete y se ha demostrado las ventajas de la utilización de otras señales biomédicas además de la respiratoria para predecir la desconexión del respirador. En [7] se utilizó un análisis de agrupamientos (cluster) basado en diversos parámetros cardiacos de las series del patrón respiratorio y la duración del latido cardiaco, mientras que en [8] se realizó el análisis Tiempo-Frecuencia de parámetros respiratorios y cardiacos.

En este trabajo, se implementaron tres técnicas de análisis de señales biomédicas: estadística, densidad espectral de potencia y de complejidad de Lempel Ziv en un enfoque multiparamétrico, para analizar cuatro series obtenidas a partir del electrocardiograma (ECG) y del Flujo Respiratorio de 126 pacientes que atraviesan la prueba de ventilación espontánea con la finalidad de identificar qué pacientes tienen mayor probabilidad de tener éxito en la desconexión mediante un clasificador de patrones basado en redes neuronales.

2. Materiales

2.1. Base de datos Las señales utilizadas en este trabajo fueron adquiridas en la Unidad de Semicríticos del Hospital de la Santa Creu i Sant Pau y en el Hospital Universitario de Getafe, de acuerdo con el protocolo aprobado por el comité ético. Estas corresponden a la base de datos WEANDB que contiene registros de pacientes que atraviesan la prueba de ventilación espontánea de Tubo-T, uno de los métodos más utilizados para la desconexión de la VM. En esta prueba se separa al paciente del respirador y se le permite respirar espontáneamente a través de un tubo en forma de T durante 30 min. Los pacientes que no superaron la prueba (38) fueron clasificados como pertenecientes al Grupo Fracaso (GF), aquellos que superan la prueba (88) son clasificados en el Grupo Éxito (GE).

La señal de Flujo Respiratorio se obtuvo con un neumotacógrafo, consistente de un monitor Datex-Ohmeda con un transductor de reluctancia variable (Validyne Model MP45-1-871) conectado a un tubo endotraqueal. La señal ECG se obtuvo mediante un monitor de signos vitales SpaceLabs. Ambas señales fueron registradas a una frecuencia de 250 Hz durante 30 min.

2.2. Series temporales cardíacas y respiratorias A partir de la señal ECG se extrajo la serie de intervalos correspondientes a la duración de los latidos cardiacos entre picos R consecutivos (RR) utilizando un algoritmo de detección de complejos QRS y delineación de ondas cardíacas basado en transformada wavelet [9]. El patrón respiratorio fue caracterizado por las siguientes series temporales [10]: duración del ciclo respiratorio (DR), volumen tidal (VT) conocido también como volumen corriente, y la relación entre la frecuencia respiratoria y el volumen tidal (FV), también conocida como índice de respiración superficial.

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

3. Metodología

3.1. Preprocesamiento de las series Se utilizó un algoritmo desarrollado previamente basado en la regularidad de las diferencias temporales entre los latidos cardiacos para corregir la serie RR [5]. Si bien no fue necesario corregir la señal respiratoria, se consideró que el primer tramo de ambas señales formaba parte de un proceso de adaptación del paciente a la prueba, motivo por el cual en este trabajo no se procesaron los primeros 10 min de las series obtenidas [8].

En la figura 1 se muestran las señales biomédicas y las series temporales obtenidas para un paciente de cada grupo.

a)

b)

Figura 1. Señales ECG y Flujo Respiratorio y sus correspondientes series temporales: RR, FV, DR and VT para: a) paciente GE, y b) paciente GF.

780 790 800

-50

0

50

100

150

200

EC

G

780 790 800

-200

0

200

400

Fluj

o R

esp.

780 790 800750

800

850

RR

780 790 8000

0.05

0.1

0.15

0.2

tiempo (s)

FV

780 790 800

2

3

4

tiempo (s)

DR

780 790 800

0

200

400

600

tiempo (s)

VT

780 790 800-200

0

200

400

600

EC

G

780 790 800

-500

0

500

1000

Fluj

o R

esp.

780 790 800660

670

680

690

700

RR

780 790 8000

0.05

0.1

0.15

0.2

tiempo (s)

FV

780 790 8001.5

2

2.5

3

3.5

tiempo (s)

DR

780 790 8000

500

1000

1500

tiempo (s)

VT

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

3.2. Extracción de Características Para cada serie se extrajeron diferentes características basadas en análisis estadístico temporal, densidad espectral de potencia (DSP) y complejidad de Lempel Ziv.

En el análisis estadístico, se calcularon el valor de la Media (MV_X), el valor de la desviación absoluta de la mediana (MAD_X), el coeficiente de variación (CV_X) y el rango intercuartílico temporal (TIQR_X) para cada serie temporal (X).

Para calcular la densidad espectral de potencia (DSP), las cuatro series temporales fueron interpoladas mediante interpolación de spline cúbica a 4 Hz para hacerlas igualmente espaciadas. Una vez removida la deriva de línea se calculó la DSP de cada serie mediante el modelo autorregresivo de Burg, para lo cual se probaron distintos órdenes (5, 10, 15, 20, 25), eligiéndose el de orden 20.

A partir del espectro se obtuvieron los siguientes parámetros frecuenciales para cada serie temporal: frecuencia media (MF_X), frecuencia a la cual se acumula el 95% de la energía del espectro (MAXF_X), desviación estándar (SD_X), coeficientes de asimetría (AC_X) y de curtosis (KC_X), frecuencias correspondientes al primer y tercer cuartil (FQ1_X, FQ3_X) y el rango intercuartílico del espectro (EIQR_X).

El análisis de la Complejidad de Lempel-Ziv se realizó en una ventana móvil de 30 s para cada serie temporal. Las mismas fueron cuantificadas en 5 niveles y transformadas en una secuencia simbólica titulada con números de 1 a 5. Se contabilizó el número de patrones (P) diferentes contenidos en una secuencia dada analizándola de izquierda a derecha, y el contador de complejidad se incrementó en una unidad cada vez que se encontraba una nueva subsecuencia de caracteres [11], [12].

El valor de complejidad de Lempel Ziv (CK) se obtuvo finalmente normalizando P con respecto a la longitud de la secuencia analizada y el número de niveles de cuantificación (K).

( )

NNP

C KK

log= (1)

Luego, se calcularon la mediana (LZME_X) y la desviación absoluta de la mediana (LZMAD_X)

para cada una de las 4 series CK de cada paciente.

4. Resultados Se hizo una comparación entre medias con la prueba-t, para cada uno de los 56 parámetros calculados (14 por 4 series) a fin de distinguir cuáles presentaban significancia estadística para ser utilizados dentro del clasificador. En la Tabla 1 se muestran los p-valores obtenidos para cada parámetro cuando se comparaban entre los grupos GE y GF.

Los parámetros que no presentaron diferencias significativas no fueron incluidos en la etapa de clasificación. La selección de variables se hizo en un proceso de inclusión por pasos, en el cual se incluía una variable cada vez que el resultado mejoraba significativamente. Finalmente, del conjunto inicial de 56 variables, se seleccionaron 7. La figura 2 ilustra la comparación de estos parámetros para los grupos GE y GF. Los valores estadísticos para cada grupo pueden observarse en la Tabla 2.

En la clasificación se introdujeron estas 7 características como entradas de una red neuronal de reconocimiento de patrones (PRNN). La arquitectura de la cual consistía de una red de tipo “feed-forward” con una capa de entrada de 7 neuronas, 2 capas ocultas con 50 y 5 neuronas respectivamente; y una capa de salida con una neurona, todas las neuronas con función de transferencia tangente hiperbólica de tipo sigmoidea. La red PRNN se entrenó con el método de retro-propagación (backpropagation) con regulación Bayesiana. Para balancear los datos se utilizó un subconjunto de datos tomando en forma aleatoria igual cantidad de pacientes de cada grupo (en total 76). Con los cuales se tomó para entrenamiento el 75% y para validación el 25%, dicha selección fue realizada aleatoriamente.

Este procedimiento se llevó a cabo 20 veces con diferentes grupos de pacientes a fin de obtener resultados representativos. En cada realización se calcularon los siguientes números: verdaderos positivos (VP), falsos positivos (FP), verdaderos negativos (VN) y falsos negativos (FN); con los

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

cuales se calculó a continuación los valores de Sensibilidad (Se) y Especificidad (Ep) correspondientes a cada realización. Finalmente, se promediaron estos valores para las 20 realizaciones, obteniéndose los resultados que se muestran en las Tablas 3 y 4.

Table 1. Valor - p para cada parámetro de cada serie. RR FV DR VT Análisis Estadístico Temporal MV 0.001 0.03 0.001 ns MAD ns ns 0.034 ns CV ns ns ns 0.035 TIQR ns ns 0.046 ns Densidad Espectral de Potencia SD 0.034 ns 0.018 0.034 AC ns 0.05 ns ns KC ns 0.03 ns ns MF ns ns 0.048 0.036 MAXF ns ns 0.029 ns FQ1 ns ns ns ns FQ3 ns ns ns 0.034 EIQR ns ns 0.047 0.031 Complejidad de Lempel Ziv LZME 0.006 < 0.001 <0.001 0.003 LZMAD ns 0.048 0.007 ns ns: p > 0.05

Figura 2. Diagrama de Caja y bigotes correspondiente a los parámetros seleccionados para ambos grupos (88 GE, 38 GF). La línea negra indica el valor de la mediana (percentil 50) para cada grupo. Los extremos de la caja representan los percentiles 25 y 75.

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

Tanto los valores medios de la duración de los ciclos respiratorios como los cardiacos de las series

temporales dieron mayores valores para el GE que para el GF, representando menores valores de frecuencias cardíacas y respiratorias para el GE, como pudo observarse en la Tabla 2 y en la Fig. 2.

El índice de respiración superficial (FV) es un parámetro conocido en la comunidad médica como un buen predictor del destete de la ventilación mecánica. Se encontró que el coeficiente de curtosis del espectro de este índice mostró valores más altos para el GF, señalando una forma de espectro más leptocúrtica para dicho grupo.

Los valores medios de la complejidad de Lempel-Ziv asociados a las series temporales derivadas de la señal de flujo respiratorio indicaron una mayor complejidad en dichas series para el GF.

Tabla 2. Media y Desv. Estándar para cada grupo de las características seleccionadas para la clasificación GE GF media sd media sd MV_RR 0.709 0.120 0.635 0.099 MV_DR 2.798 0.766 2.267 0.804 KC_FV 5.742 3.508 7.753 3.964 LZME_DR 10.801 1.467 12.145 2.066 LZME_FV 9.977 1.373 11.316 2.119 LZME_VT 10.216 1.523 11.250 2.183 LZMAD_DR 1.528 0.493 1.842 0.605

Tabla 3. Resultados de la red valores medios para 20 realizaciones

GE GF Det. Corr.(%) Datos de Validación

GEPRNN 6.65 2.75 GFPRNN 2.70 6.90

% 71.60 71.28 71.32 Todos los pacientes

GEPRNN 27.75 25.50 GFPRNN 10.25 62.50

% 73.03 71.02 71.63

Tabla 4. Resultado para el mejor modelo

GE GF Det. Corr. (%)

Datos de Validación GEPRNN 6 2 GFPRNN 2 9

% 75.00 81.82 78.95 Todos los pacientes

GEPRNN 31 18 GFPRNN 7 70

% 81.58 79.55 80.16

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

5. Discusión y Conclusiones En general, los resultados de la etapa de clasificación mostrados en la Tabla 4 son comparables con los mejores resultados observados en estudios recientes [8]-[10]. Si bien la exactitud total no fue tan alta, se obtienen resultados balanceados entre grupos.

Cabe señalar que en este trabajo se prefirió obtener una mayor especificidad antes que sensibilidad, considerando que es mejor no desconectar un paciente que si está en condiciones (falso negativo), frente a desconectar un paciente que aún no está listo (falso positivo), teniendo en cuenta todos los riesgos y complicaciones que acarrea una desconexión prematura del ventilador.

En la mayoría de las investigaciones observadas en la bibliografía se utilizaron solamente señales respiratorias [13], [14]. En este trabajo se introdujo además la utilización de la señal cardiaca en un enfoque multimodal, con los beneficios de usar además distintos tipos de información (temporal, espectral y de complejidad) de ambas señales, que pueden usarse finalmente en un sistema de soporte a la decisión para ayudar a los médicos terapistas en la difícil tarea de desconectar a pacientes de la ventilación mecánica.

6. Agradecimientos Los autores de este trabajo agradecen a los Drs. S. Benito del Hospital de la Santa Creu i Sant Pau, Barcelona, España y A. Ballestero del Hospital Universitario de Getafe, España, y a sus equipos por su colaboración en la adquisición de las señales de la base de datos WEANDB.

7. Referencias [1] N. R. MacIntyre et al, “Evidence-Based Guidelines for Weaning and Discontinuing Ventilatory

Support”, A Collective Task Force Facilitated by the Am Coll of Chest Ph; the Am Ass for Resp Care; and the Am College of Critical Care Medicine. Chest, 2001, 120, 375S–395S.

[2] E. Manteiga, O. Martínez, Y. F. Frutos, “Acute lung damage and acute respiratory distress syndrome epidemiology” (In Spanish), Med Intensiva. 2006; 30(4):151-161.

[3] J. C. Hsu et al, “Construction of Prediction Module for Successful Ventilator Weaning”, IEA/AIE 2007, LNAI 4570, 2007, pp. 766–775.

[4] R. Bailón, P. Laguna, L. Mainardi and L. Sörnmo “Analysis of Heart Rate Variability Using Time-Varying Frequency Bands Based on Respiratory Frequency” Proc 29th Annu Int Conf IEEE EMBS, Lyon, France August 23-26, 2007, 6674-6677.

[5] L. S. Correa, E. Laciar, Vicente Mut, A. Torres and R Jané, “Sleep Apnea Detection based on Spectral Analysis of Three ECG - Derived Respiratory Signals” in Proc. 31st Annu. Int. Conf. IEEE EMBS, Minneapolis, Minnesota, USA, September, 2009, August, ISBN 978-1-4244-3296-7, ISSN: 1557-170X, 2009, pp. 4723-4726.

[6] M.R. Pinsky, “Cardiovascular Issues in Respiratory Care”, Chest, 2005, 128, pp. 592-597. [7] C. Arizmendi, E. Romero, R. Alquezar, et al, “Data Mining of Patients on Weaning Trials from

Mechanical Ventilation Using Cluster Analysis and Neural Networks”, in Proc. 31st Annu. Int. Conf. IEEE EMBS, Minneapolis, USA, September, August, ISBN 978-1-4244-3296-7, 2009, pp. 4346-4346.

[8] M. Orini, B. F. Giraldo, R. Bailón, M. Vallverdú, L. Mainardi, S. Benito, I. Díaz, P. Caminal. “Time-Frequency Analysis of Cardiac and Respiratory Parameters for the Prediction of Ventilator Weaning”, in Proc. 31st Annu. Int. Conf. IEEE EMBS, Vancouver, Canada. August 20-24, 2008. ISBN: 978-1-4244-1815-2. pp. 2793-2796.

[9] J. P. Martinez, R. Almeida, S. Olmos, A.P. Rocha, P. Laguna. “A wavelet-based ECG delineator: evaluation on standard databases”. IEEE Trans. Biomed. Eng., vol. 51, pp. 570-581, 2004.

[10] B.F. Giraldo, J. Chaparro, D. Ballesteros, L. López-Rodriguez, D. Geat, S. Benito, P. Caminal “Study of the respiratory pattern variability in patients during weaning trials”, in Proc 26th Annu Int Conf IEEE EMBS San Francisco, CA, USA • September 1-5, 2004, pp. 3909-3912.

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

[11] A. Torres, J. A. Fiz, R. Jané, E. Laciar, J. B. Galdiz, J. Gea and J. Morera “Rényi Entropy and Lempel-Ziv Complexity of Mechanomyographic Recordings of Diaphragm Muscle as Indexes of Respiratory Effort” in Proc. 31st Annu. Int. Conf. IEEE EMBS, Vancouver, Canada. August 20-24, 2008. ISBN: 978-1-4244-1815-2. pp. 2112-2115.

[12] A. Lempel and J. Ziv, “On the complexity of finite sequences,” IEEE Trans. Inform. Theory, vol. IT-22, pp. 75-81, 1976.

[13] M, Vallverdú, O. Tibaduisa, F. Clariá, D. Hoyer, B. Giraldo, S. Benito, P. Caminal, “Information Flow to Assess Cardiorespiratory Interactions in Patients on Weaning Trials”, in Proc. 28th Annu. Int. Conf. IEEE EMBS, New York, USA, Sept. 2006, pp. 1462-1465.

[14] P Casaseca, F Simmross, M Martín, C Alberola, “Weaning from mechanical Ventilation. A Retrospective Analysis Leading to a Multimodal Perspective”, IEEE Trans. On Biom. Eng. 2006 Vol. 53, No. 7, pp1330-1345.

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011