Upload
bruno-espinoza
View
1.281
Download
0
Embed Size (px)
Citation preview
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.