Sistema IOT para el auto diagnóstico de enfermedades del corazón usando la evaluación matemática de la dinámica cardíaca basada en la teoría de la probabilidad
10
0
0
Texto completo
(2) Sistema IOT para el auto-diagnóstico de enfermedades del corazón usando la evaluación matemática. reducing the cost and time factors that makes people lose interest in tracking their cardiovascular health. Keywords: Data analysis, Cardiovascular health, Internet of Things, Probability Theory, Self-Heart Diagnosis.. 1.. Introducción. Las enfermedades cardiovasculares (ECV) se han convertido en una de las principales causas de muerte alrededor del mundo; de acuerdo con cifras de la Asociación Americana del Corazón, en 2013 se reportó que alrededor de 17.3 de las 54 millones de muertes totales en el mundo estaban relacionadas con ECV, esto corresponde a un 31.5% del total de muertes en el mundo (Benjamín et al., 2017). Con el objetivo de contribuir a reducir este porcentaje, la medicina ha optado por implementar acciones preventivas y monitoreo en tiempo real de la salud del paciente, sin embargo, asistir a chequeos médicos puede costarle al paciente mucho tiempo y dinero, lo que hace que prefiera posponerlos o cancelarlos. El principal objetivo de esta investigación es brindarle herramientas al paciente para llevar a cabo chequeos preventivos en cualquier momento, para lo cual hemos desarrollado una herramienta que le permite al paciente conocer un estado aproximado de su salud cardiovascular actual por medio de un análisis de sus datos cardiovasculares, sin la necesidad de salir de su hogar o de incurrir en costosos equipos médicos. Esta herramienta consiste en una aplicación móvil para dispositivos Android, que tiene la capacidad de recolectar datos desde un monitor genérico de ritmo cardiaco Bluetooth Low Energy (BLE), y enviarlos a un servidor donde son almacenados, analizados y procesados con el fin de realizar un diagnóstico del estado del paciente cuando este lo desee. 2. Estado del arte Existen diversos proyectos de investigación que tienen el objetivo de crear sistemas que permitan monitorear los signos vitales de un paciente. Dentro de estos sistemas se pueden diferenciar 2 tipos de aplicaciones de monitoreo, primero están las aplicaciones que usan los sensores del celular y segundo las que se conectan a sensores externos de mayor precisión, tales como bandas de ritmo cardiaco (Mohammed et al., 2014), relojes inteligentes o pulseras ópticas. Estos sistemas son capaces de monitorear signos vitales tales como: Presión arterial (Antonovici, Chiuchisan, Geman, & Tomegea, 2014), nivel de glucosa en la sangre (Triventi et al., 2009), ritmo cardiaco(Bathilde, Then, Chameera, Tay, & Zaidel, 2018) y la actividad eléctrica del corazón (ECG) (Gia et al., 2017), entre otros. Los primeros proyectos e investigaciones como (Gao, Greenspan, Welsh, Juang, & Alm, 2005) están orientados a encontrar cambios críticos en los signos vitales de un paciente y a enviar una notificación o alerta si se encuentra un comportamiento anormal. Se pueden encontrar diferentes ejemplos de sistemas de notificación en (Muppalla, Suraj, Suman, & Mukherjee, 2017; Watanabe, Kawarasaki, Sato, & Yoshida, 2012; Azariadi, Tsoutsouras, Xydis, & Soudris, 2016), estos sistemas envían alertas vía mensaje. 2. RISTI, N.º E17, 01/2019.
(3) RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação. de texto cuando el paciente presenta una arritmia cardiaca. Los datos utilizados para detectar las arritmias son tomados usando sensores ECG y son procesados con distintos métodos y algoritmos como la detección de onda R, Transformada Discreta de Pequeñas Ondas (DWT) o las Máquinas de Vector de Soporte (SVM) (Hernández-Ruiz, Villagrán Martínez, Ortiz Guzmán, & Gaona Garcia, 2018). Aunque este enfoque parece bastante atractivo, adquirir los datos de ECG puede ser complejo ya que los electrodos del sensor deben ser ubicados correctamente con el fin de evitar medidas erróneas y muchas veces los usuarios no cuentan con los conocimientos suficientes para realizar la ubicación correcta de los mismos, a esto se debe añadir que tener electrodos cableados en el cuerpo del paciente por largos periodos de tiempo requiere de quietud casi absoluta del mismo lo cual limita sus actividades. Así, por medio de estos trabajos se puede ver el potencial de los dispositivos móviles en la telemedicina ya que son una de las formas más rápidas de enviar las notificaciones incluyendo datos relevantes como identificaciones, ubicaciones y otros detalles. Sin embargo, con la tecnología actual y los avances de la ciencia médica y de los dispositivos IOT es posible implementar técnicas que permitan dar alertas anticipadas cuando el sistema encuentra signos de una enfermedad incluso antes de que se produzcan los cambios críticos relacionados a estas, este enfoque de predicción tiene una mayor probabilidad de brindar un tratamiento adecuado para la enfermedad del paciente. Trabajos como el presentado en (Narváez, Villacís, Chalen, & Velásquez, 2017) muestran que para la tarea de diagnóstico aún se necesita la intervención de un especialista, mientras que para algunas aplicaciones con el enfoque predictivo no es de esta forma, un ejemplo de esto se puede ver en (Ani, Krishna, Anju, Aslam, & Deepa, 2017) donde se desarrolla un sistema que con datos del nivel de glucosa en la sangre y el ritmo cardiaco permite predecir posibles casos de derrame cerebral en personas de la tercera edad, el problema de este sistema es que el usuario debe accionar el dispositivo cada vez que quiere realizar una medición de sus signos, por lo tanto, el sistema no cuenta con un monitoreo continuo. Lo anterior nos motiva a juntar las ventajas de estos trabajos, y lograr una herramienta que mediante un monitorio continuo del ritmo cardiaco genere un diagnóstico de la salud que le permita saber al paciente si es necesario que consulte a un médico en algún momento.. 3. Descripción del sistema El sistema se compone de dos partes, la primera es la arquitectura, que define los componentes y sus canales de comunicación. La segunda parte corresponde al componente de análisis de datos, cada una de estas partes será explicada en las secciones presentadas a continuación. 3.1. Arquitectura El sistema posee 5 componentes, estos componentes interactúan entre sí usando diferentes medios de conexión, que dependen de cada par de componentes. Estos componentes permiten al sistema recolectar y mostrar información al usuario, como se puede ver en la Figura 1. Las mediciones del ritmo cardiaco son tomadas a través del monitor que lleva puesto el usuario, luego de esto, la información es leída en el dispositivo RISTI, N.º E17, 01/2019. 3.
(4) Sistema IOT para el auto-diagnóstico de enfermedades del corazón usando la evaluación matemática. Android y enviada finalmente al servidor, donde los datos se almacenan en una base de datos y pueden ser leídos para ser procesados. La comunicación entre el servidor y el dispositivo Android se realiza a través de internet y le da al usuario la ventaja de usar el dispositivo para enviar y almacenar los datos en cualquier lugar donde disponga de una conexión a la red.. Figura 1 – Componentes de la arquitectura del sistema y flujos de información.. Cada componente tiene funciones específicas y características que permiten dar soporte a la comunicación entre componentes, estas especificaciones se listan a continuación: ••. ••. 4. Monitor de ritmo cardiaco. El sensor de ritmo cardiaco funciona bajo el protocolo BLE, el sensor expone servicios que son consumidos por otros dispositivos que operen bajo este protocolo de comunicación. Los servicios expuestos se denominan servicios de Atributos de Perfil de Servicio Genérico (GATT), los cuales establecen en detalle cómo se realiza el intercambio de información a través de la conexión BLE ya que cada servicio posee un identificador único el cual lo diferencia de otros y describe la función del mismo, estos identificadores únicos de servicio están estandarizados en la especificación de servicios GATT de (Bluetooth SIG, 2018). Dispositivo Android con aplicación de autodiagnóstico. Se ha desarrollado una aplicación para plataformas Android que establece un puente de comunicación entre el Monitor de ritmo cardiaco y el Representational State Transfer Application Programing Interface (REST API), el dispositivo Android debe ser compatible con la tecnología BLE para conectarse a los servicios expuestos por el sensor. Cuando se establece la conexión entre el monitor de ritmo cardiaco y se empiezan a enviar las mediciones que son leídas por la app y mostradas al usuario, (ver Figura 2), se envían luego al servidor donde son almacenadas para continuar con el proceso. RISTI, N.º E17, 01/2019.
(5) RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação. Figura 2 – Pantalla de medición de ritmo cardiaco de la aplicación. En la figura de la izquierda la conexión no ha sido establecida, una vez se activa el Bluetooth y se selecciona un dispositivo, en la imagen de la derecha se muestra al usuario el valor de la medición actual y el número de mediciones tomadas, así como la dirección MAC del dispositivo seleccionado.. ••. REST API. Este componente realiza todas las operaciones de un CRUD es decir: permite crear, leer, actualizar y borrar información en la base de datos. Además, contiene los procedimientos lógico-matemáticos que se realizan para hacer el análisis de datos y obtener los resultados con el diagnóstico del paciente, los endpoints definidos por el REST API son: ◦◦ login: Hace el inicio de sesión en la app con los datos del usuario. ◦◦ getMeasurements: Obtiene todas las medidas del paciente, si se usa como parámetro el ID del paciente el resultado obtenido solo corresponderá a las mediciones de un paciente en específico. ◦◦ postMeasurement: Guarda en la base de datos las mediciones tomadas a un paciente. ◦◦ getPatients: Obtiene los datos de los pacientes, incluyendo los de contacto. Se puede utilizar el ID de un paciente como parámetro para consultar sus datos. ◦◦ postPatient: Registra un paciente y guarda su información básica. ◦◦ getDiagnosis: Lee los diagnósticos asociados con el paciente que realiza la consulta. ◦◦ postDiagnosis: Guarda los diagnósticos cuando el paciente selecciona la acción en la aplicación. ◦◦ makeDiagnosis: Realiza el análisis de datos con las medidas recolectadas en las últimas 21 horas, y como resultado genera un diagnóstico.. RISTI, N.º E17, 01/2019. 5.
(6) Sistema IOT para el auto-diagnóstico de enfermedades del corazón usando la evaluación matemática. ••. Servidor BD. La base de datos se encarga de guardar toda la información básica del usuario, las medidas recolectadas y los diagnósticos que el usuario escoge almacenar. La información solo puede ser accedida desde el REST API y puede ser vista en la aplicación o en un cliente web.. 3.2. Análisis de datos Uno de los componentes más importantes del sistema es análisis de datos, el cual permite al usuario acceder a un diagnóstico preventivo de su salud cardiovascular, mediante el REST API, las medidas de la frecuencia cardiaca almacenadas en la base de datos son analizadas con una metodología basada en la teoría de la probabilidad, dicha metodología propuesta en (Rodríguez et al., 2009) se usa para analizar los datos de las mediciones de ritmo cardiaco del paciente por un mínimo de 21 horas, para así establecer si su estado es característico de afección cardiaca, se encuentra sano o en evolución hacia una enfermedad. Esta metodología de análisis fue probada posteriormente en (Rodríguez et al., 2011), presentando buenos resultados. Con la metodología se determinó que, así como en los sistemas dinámicos, se pueden establecer espacios característicos con el fin de determinar comportamientos asociados tanto a pacientes sanos como enfermos, y ser capaz de reconocer en casos particulares estos patrones, arrojando resultados concluyentes. Usando rangos de 5 latidos por minuto se calcula la probabilidad que tiene el paciente de estar en un rango durante la prueba, de la misma forma se calcula la probabilidad de presentar un numero n de latidos en una hora, estableciendo rangos de 250 latidos por minuto, la metodología se puede ver resumida en la tabla 1. Resumen criterios para análisis de datos Criterio. 1. Descripción. Conclusión. *Rangos RC>=17.. Normalidad. Rangos RC<=14.. Característico de enfermedad. 14>Rangos RC>17.. No concluyente. Se presenta parámetro A. Se presentan parámetros A y B. 2. 3. Solo parámetro B y numero de latidos en una hora >=3000 o >=6250.. Característico de enfermedad. Solo se presenta parámetro B.. Progreso hacia enfermedad. Suma de los dos rangos RC más frecuentes >=0.39, y además se presenta alguna de las condiciones del criterio 2.. Característico de enfermedad. *Rango RC: valores de ritmo cardiaco entre los que se distribuyen las probabilidades del total de los datos de la medición de un paciente. Tabla 1 – Resumen criterios para el análisis de datos.. 6. RISTI, N.º E17, 01/2019.
(7) RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação. Viendo de una manera más detallada lo expuesto en la tabla 1, el siguiente criterio determina el estado de salud del paciente: 1.. Si los datos de ritmo cardiaco de un paciente se encuentran en más de 17 rangos, su condición es normal, por otro lado, si se encuentra en 14 o menos será característica de enfermedad, de estar entre 14 y 17 rangos este criterio no es concluyente. 2. Los parámetros a y b son aplicados simultáneamente. a. Diferencia entre los dos rangos de frecuencia cardiaca que presentan la mayor probabilidad, mayor o igual a 15 es característico de enfermedad. b. La mayor probabilidad del número de latidos con valor menor o igual a 0.217 o mayor o igual a 0.304 es característico de enfermedad. De acuerdo con los parámetros a y b se tiene: •• Si se presenta solo el parámetro a, entonces existe una enfermedad. •• Si los parámetros a y b se presentan, entonces existe una enfermedad. •• Si solo el parámetro b se presenta, hay avance hacia una enfermedad. •• Si se presenta el parámetro b y a su vez el número de latidos en una hora es menor que 3000 o mayor que 6250, entonces hay una enfermedad. 3. La suma de las 2 probabilidades más frecuentes en Holters enfermos es característica de enfermedad cuando la misma presenta valores por encima de 0.319 en los siguientes casos: •• Cuando los parámetros a y b son también característicos de enfermedad. •• Cuando el parámetro b es característico de enfermedad. •• Cuando el parámetro b es característico de enfermedad y se presenta un número de latidos menor a 3000 o mayor a 6250 en una hora. En ese orden de ideas, las posibles respuestas del REST API cuando se ejecuta un análisis son: ••. ••. ••. Para el primer análisis: ◦◦ Característico de normalidad. ◦◦ Característico de enfermedad. ◦◦ No concluyente. Para el segundo análisis: ◦◦ Característico de enfermedad cardiaca por (primer o segundo) criterio. ◦◦ Característico de enfermedad en evolución por tercer criterio. ◦◦ Sano. Para el tercer análisis: ◦◦ Característico de enfermedad cardiaca por (primer, segundo o tercer) criterio. ◦◦ Sano. ◦◦ No concluyente.. 4. Caso de estudio El caso de estudio para esta investigación consistió en la implementación del sistema con un paciente sano. La implementación comenzó cuando el usuario descargaba la aplicación y la instala, luego debe ponerse el monitor de ritmo cardiaco y lanzar la aplicación, El RISTI, N.º E17, 01/2019. 7.
(8) Sistema IOT para el auto-diagnóstico de enfermedades del corazón usando la evaluación matemática. paciente realiza el proceso de registro e ingresa, selecciona el sensor y la app comienza a recolectar datos. El paciente tiene que usar el dispositivo y recolectar datos por 21 horas como mínimo, como es recomendado en (Rodríguez et al., 2009), mientras realiza sus actividades diarias normales. En este caso el ritmo cardiaco fue monitoreado durante ese tiempo, cuando la prueba finalizó se obtuvieron 75603 registros de mediciones almacenados en la base de datos, cada uno con su momento exacto de captura y su valor. Cuando el usuario posee suficientes datos para realizar el diagnóstico, se dirige al menú en la app y selecciona la opción donde puede ejecutar el proceso de diagnóstico (ver Figura 3) y ver los resultados del proceso, en este caso, como se esperaba desde un principio de la prueba, el resultado del diagnóstico concluyo que el paciente estaba sano.. Figura 3 – Pantalla de diagnóstico, en la imagen a la izquierda, el usuario no ha ejecutado el análisis, mientras que la derecha muestra la pantalla después de que el usuario solicita el análisis y obtiene el diagnóstico, se pueden ver los resultados y grabarlos si se desea.. 5. Conclusiones El diseño de este sistema, que incluyó un componente de análisis sobre datos recolectados usando tecnologías móviles e IOT, así como dispositivos portables que se comunican con el sistema mediante protocolos confiables como BLE, surge como una alternativa ante. 8. RISTI, N.º E17, 01/2019.
(9) RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação. los diagnósticos tradicionales, que se deben realizar con equipos médicos profesionales. Usando este sistema, el paciente tiene la posibilidad de llevar a cabo chequeos se su salud cardiovascular cuando lo desee, y tan frecuentemente como lo necesite, sin tener siquiera la necesidad de salir de casa ya que el único equipo necesario para tener un diagnóstico está compuesto por un dispositivo móvil Android y un monitor de ritmo cardiaco bluetooth. Como resultado del proceso el paciente obtiene un diagnóstico del estado de salud cardiovascular del paciente y recomendaciones sobre si es necesario consultar un experto o no, todo esto basado en una variedad de criterios que usan la teoría de la probabilidad. Nuestro trabajo a futuro estará orientado a hacer pruebas estructuradas del sistema con pacientes de cardiología en hospitales.. Agradecimientos Los autores agradecemos sinceramente el apoyo brindado a este proyecto por parte del grupo de investigación GIIRA de la Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas.. Referencias Ani, R., Krishna, S., Anju, N., Aslam, M. S., & Deepa, O. S. (2017). Iot based patient monitoring and diagnostic prediction tool using ensemble classifier. 2017 International Conference On Advances In Computing, Communications And Informatics (ICACCI) (p. 1588-1593). doi: 10.1109/ICACCI.2017.8126068 Antonovici, D., Chiuchisan, I., Geman, O., & Tomegea, A. (2014). Acquisition and management of biomedical data using internet of things concepts. 2014 International Symposium On Fundamentals Of Electrical Engineering (ISFEE) (pp. 1–4). doi: 10.1109/ISFEE.2014.7050625 Azariadi, D., Tsoutsouras, V., Xydis, S., & Soudris, D. (2016). Ecg signal analysis and arrhythmia detection on iot wearable medical devices. 2016 5th International Conference On Modern Circuits And Systems Technologies (MOCAST) (p. 1-4). doi: 10.1109/MOCAST.2016.7495143 Bathilde, J. B., Then, Y. L., Chameera, R., Tay, F. S., & Zaidel, D. N. A. (2018). Continuous heart rate monitoring system as an iot edge de-vice. 2018 IEEE Sensors Applications Symposium (SAS) (p. 1-6). doi: 10.1109/SAS.2018.8336777 Benjamin, E.J., Blaha, M.J., Chiuve, S.E., Cushman, M., Das, S.R., Deo, R., de Ferranti, S.D., Floyd, J., Fornage, M., Gillespie, C., Isasi, C.R., Jimenez, M.C., Jordan, L.C., Judd, S.E., Lackland, D., Lichtman, J.H., Lisabeth, L., Liu, S., Longenecker, C.T., Mackey, R.H., Matsushita, K., Mozaffarian, D., Mussolino, M.E., Nasir, K., Neumar, R.W., Palaniappan, L., Pandey, D.K., Thiagarajan, R.R., Reeves, M.J., Ritchey, M., Rodriguez, C.J., Roth, G.A., Rosamond, W.D., Sasson, C., Towfighi, A., Tsao, C.W., Turner, M.B., Virani, S.S., Voeks, J.H., Willey, J.Z., Wilkins, J.T., Wu, J.H., Alger, H.M., Wong, S.S., Muntner, P.(2017). Heart disease and stroke statistics—2017 update: A report from the American Heart Association. Circulation, 135 (10), 146– 603. doi: 10.1161/cir.0000000000000485 RISTI, N.º E17, 01/2019. 9.
(10) Sistema IOT para el auto-diagnóstico de enfermedades del corazón usando la evaluación matemática. Bluetooth. Gatt services. Retrieved 2018-05-19, de specifications/gatt/services. https://www.bluetooth.com /. Gao, T., Greenspan, D., Welsh, M., Juang, R. R., & Alm, A. (2005). Vital signs monitoring and patient tracking over a wireless network. 2005 IEEE Engineering In Medicine And Biology 27th Annual Conference (p. 102-105). doi: 10.1109/ IEMBS.2005.1616352 Gia, T. N., Jiang, M., Sarker, V. K., Rahmani, A. M., Westerlund, T., Liljeberg, P., & Tenhunen, H. (2017). Low-cost fog-assisted health-care iot system with energyefficient sensor nodes. 2017 13th International Wireless Communications And Mobile Computing Conference (IWCMC) (p. 1765-1770). doi: 10.1109/ IWCMC.2017.7986551 Hernández-Ruiz, C. M., Villagrán Martínez, S. A., Ortiz Guzmán, J. E., & Gaona Garcia, P. A. (2018). Model based on support vector machine for the estimation of the heart rate variability. In V. Kurková, Y. Manolopoulos, B. Hammer, L. Iliadis, & I. Maglogiannis (Eds.), Artificial neural networks and machine learning – icann 2018 (pp. 186–194). Cham: Springer International Publishing. Mohammed, J., Lung, C., Ocneanu, A., Thakral, A., Jones, C., & Adler, A. (2014). Internet of things: Remote patient monitoring using web services and cloud computing. 2014 IEEE International Conference On Internet Of Things (iThings), and IEEE Green Computing And Communications (GreenCom) and IEEE Cyber, Physical And Social Computing (Cpscom) (p. 256-263). doi: 10.1109/iThings.2014.45 Muppalla, V., Suraj, N. S. S. K., Suman, D., & Mukherjee, B. (2017). Implementation of an arrhythmia detection scheme with cellular based alert framework. 2017 IEEE Calcutta Conference (CALCON) (p. 438-442). doi: 10.1109/CALCON.2017.8280771 Narváez, R. B., Villacís, D. M., Chalen, T. M., & Velásquez, W. (2017). Heart rhythm monitoring system and iot device for people with heart problems. 2017 International Symposium On Networks, Computers and Communications (ISNCC) (p. 1-5). doi: 10.1109/ISNCC.2017.8072004 Rodríguez, J., Correa, C., Ortiz, L., Prieto, S., Bernal, P., & Ayala, J. (2009). Evaluación matemática de la dinámica cardiaca con la teoría de la probabilidad. Revista Med , 20 (4), 183–189. Rodríguez, J., Correa, C., Prieto, S., Bernal, P., Forero, G., y Sarith Vitery y Luisa Álvarez, G. S., & Puerta, G. (2011). Confirmación del método de ayuda diagnóstica de la dinámica cardiaca de aplicación clínica desarrollado con base en la teoría de la probabilidad. Revista Med , 19 (2), 167–178. doi: 10.18359/rmed.1278 Triventi, M., Mattei, E., Censi, F., Calcagnini, G., Strano, S., & Bartolini, P. (2009). A SMS-based platform for cardiovascular tele-monitoring. IFMBE Proceedings (pp. 295–298). Springer Berlin Heidelberg. doi: 10.1007/9783642039041_82 Watanabe, H., Kawarasaki, M., Sato, A., & Yoshida, K. (2012). Development of wearable heart disease monitoring and alerting system associated with smartphone. 2012 IEEE 14th International Conference On E-health Networking, Applications and Services (HealthCom) (p. 292-297). doi: 10.1109/HealthCom.2012.6379423 10. RISTI, N.º E17, 01/2019.
(11)
Figure
Documento similar
que hasta que llegue el tiempo en que su regia planta ; | pise el hispano suelo... que hasta que el
E Clamades andaua sienpre sobre el caua- 11o de madera, y en poco tienpo fue tan lexos, que el no sabia en donde estaña; pero el tomo muy gran esfuergo en si, y pensó yendo assi
Las manifestaciones musicales y su organización institucional a lo largo de los siglos XVI al XVIII son aspectos poco conocidos de la cultura alicantina. Analizar el alcance y
La campaña ha consistido en la revisión del etiquetado e instrucciones de uso de todos los ter- mómetros digitales comunicados, así como de la documentación técnica adicional de
You may wish to take a note of your Organisation ID, which, in addition to the organisation name, can be used to search for an organisation you will need to affiliate with when you
Where possible, the EU IG and more specifically the data fields and associated business rules present in Chapter 2 –Data elements for the electronic submission of information
Products Management Services (PMS) - Implementation of International Organization for Standardization (ISO) standards for the identification of medicinal products (IDMP) in
This section provides guidance with examples on encoding medicinal product packaging information, together with the relationship between Pack Size, Package Item (container)
