Redes neuronales en el diagnóstico del infarto agudo de miocardio

(1)

RevColombCardiol.2014;21(4):215---223

Revista

Colombiana

de

Cardiología

www.elsevier.es/revcolcar

CARDIOLOGÍA

DEL

ADULTO

---

ARTÍCULO

ORIGINAL

Redes

neuronales

en

el

diagnóstico

del

infarto

agudo

de

miocardio

John

J. Sprockel

a,∗

_,

_Juan

_J.

_Diaztagle

b

_,

_Wilson

_Alzate

c

_y

_Enrique

_González

d

a_Medicina_Interna,_Candidatura_a_Maestría_en_Ingeniería_de_Sistemas_y_{Computación,}_Pontiﬁcia_Universidad_Javeriana._Medicina

Interna,FundaciónUniversitariadeCienciasdelaSalud-HospitaldeSanJosé,Bogotá,DC,Colombia

b_Medicina_Interna,_{Epidemiología.}_Maestría_en_Fisiología._Medicina_Interna,_Fundación_{Universitaria}_de_Ciencias_de_la

Salud-HospitaldeSanJosé.DepartamentodeCienciasFisiológicas,UniversidadNacionaldeColombia,Bogotá,DC,Colombia

c_Ingeniería_de_Sistemas._Candidatura_a_Maestría_en_Ingeniería_de_Sistemas_y_{Computación,}_Pontiﬁcia_Universidad_Javeriana,

Bogotá,DC,Colombia

d_Ingeniería_eléctrica._Maestría_en_Ingeniería_Eléctrica,_Universidad_de_los_Andes,_DEA_Robotique_Université_de_Paris_VI_(Pierre

etMarieCurie),DoctoratenInformatiqueUniversitéd’EvryVald’Essonne,PostdoctoradoUniversitéd’EvryVald’Essonne. MaestríaenIngenieríadeSistemasyComputación,PontiﬁciaUniversidadJaveriana,Bogotá,DC,Colombia

Recibidoel30dejuliode2013;aceptadoel28deoctubrede2013 DisponibleenInternetel2deseptiembrede2014

PALABRASCLAVE Dolortorácico; Enfermedad coronaria; Infartoagudo demiocardio; Electrocardiograma Resumen

Introducción: Elinfartoagudodemiocardiorepresentala primeracausademuerteno tras-misibleenelmundo.Unadelasherramientasquesirvencomosoportealasdecisionesensu diagnósticosonlasredesneuronales,delascualessehademostradounbuenniveldeprecisión.

Métodos: Serealizóelentrenamientoylapruebadevariasredesneuronales,condiferentes arquitecturasparaeldiagnósticodelinfarto,apartirdelosdatosdelaescaladeclasiﬁcación delaprobabilidaddeanginadeBraunwaldenungrupodepacientesqueingresaronpordolor torácicoalserviciodeurgenciasdelHospitalSanJosédeBogotá.

Resultados: Segeneraron 40redesquefueron probadasen5experimentosde loscualesse obtuvomayorprecisióndiagnósticaconelmodelode5entradaselectrocardiográficasmás tro-ponina,aunqueelmejorvalorpredictivonegativosealcanzóenelmodelocon10variables clínicas,electrocardiográficasytroponina.Variasdelasredesdiseñadastuvieronuna sensibi-lidadyunaespecificidaddel100%.Serequiereunestudiodevalidaciónparacomprobarestos hallazgos.

∗_Autor_para_{correspondencia.}

Correoelectrónico:jjsprockel@fucsalud.edu.co(J.J.Sprockel).

http://dx.doi.org/10.1016/j.rccar.2013.10.001

(2)

216 J.J.Sprockeletal Conclusiones:Conlosresultadosencontradosparalasredesneuronalesenlaliteraturayen esteestudiosepuedeconsiderarelusodeestaestrategiadeinteligenciacomputacionalenla práctica.

KEYWORDS Chestpain; Coronarydisease; Myocardialacute infarction; Electrocardiogram

Neuralnetworksforthediagnosisofacutemyocardialinfarction

Abstract

Introduction:Myocardialinfarctionrepresentstheleadingcauseofdeathbya noncommunica-blediseaseworldwide;oneofthetoolsthatserveasdecisionsupportforestablishingadiagnosis areneuralnetworks.Theyhavebeenshowntohaveagoodlevelofaccuracy.

Methods:Trainingandtestingofseveralneuralnetworkswasperformedwithdifferent archi-tecturesfor thediagnosisofthemyocardialinfarctioninagroupofpatients admittedwith chestpainemergencyroomintheHospitaldeSanJosé,Bogotá.Thiswascarriedoutaccording todatafromtheincidencescaleofBraunwald’sclassiﬁcationofunstableangina.

Results:Fortynetworksweregeneratedandtestedinfiveexperimentsobtaininganaccurate diagnosticwiththeelectrocardiographicpatternoffiveentriesandtroponin.Thenegative pre-dictivevaluewas100%inthemodelwithtenclinicalvariables,electrocardiogramandtroponin. Someofthedesignednetworkshadasensitivityandspecificityof100%.Avalidationstudyto verifythesefindingsisrequired.

Conclusions:With theresultsfound forneuralnetworksintheliteratureandinthepresent study,weshouldconsiderthepracticaluseofthiscomputationalintelligencestrategyindaily practice.

Introducción

Elinfartoagudodemiocardio(IAM)esunadelascondiciones quesemaniﬁestancondolortorácicoyponenenriesgola vida;deahíquesudiagnósticoapropiadoyoportuno deter-minelainstauracióndeunaseriedemedidasque pueden cambiarsuhistorianatural.

Granpartedelosesfuerzosdiagnósticosparadolor torá-cicoenelserviciodeurgenciasseencaminanaestaentidad, teniendo en cuenta que sus síntomas son variables y los pacienteslospercibendemanerasmuydiferentes1_.

Una condición particular en la práctica clínica son los erroresenel procesode atenciónmédica2_, _motivo _por_el

cualseha hecho prioritaria labúsqueda demedidaspara controlarestasituación.Eldiagnósticoyeltratamientode laisquemiacoronarianoescapanaello3,4_._Ante_este_hecho

yconlanecesidadconsiguientedecontarconunmayor sus-tentodelconocimiento enlaprácticadiaria, junto conel ambientepropiciadopor el usode nuevas tecnologías,se haintentadodarunestímuloparalageneraciónyla utiliza-cióndesistemasdesoporteenlatomadedecisionesclínicas encaminadosaestacondición5_._Uno_de_estos_son_las_redes

neuronales.

DeacuerdoconlaComputationalIntelligenceSocietydel

InstituteofElectricalandElectronicsEngineers(IEEE),las redesneuronalessonparadigmascomputacionalesbasados enmodelosmatemáticosconcapacidaddeunfuertepatrón dereconocimiento.Unaredneuronalesunalgoritmode cál-culoquesebasaenunaanalogíadelsistemanervioso6_._Se

Presencia de infarto Depresión del ST Onda Q fija ... ... Inversión T

Figura1 Ejemplodeunaredneuronalcon5neuronas (varia-bles)deentrada,2neuronasenlacapaoculta yunaneurona desalida.

intentaimitarlacapacidaddeaprendizajedeeste,haciendo quereconozcagradualmente patronesdeasociaciónentre lasentradas(variablespredictivas)ylosestados dependien-tesdeellas(salidas)7,8_._La_se˜_nal_progresa_desde_las_entradas,

luegoporlacapaoculta,hastaobtenerunarespuesta tra-ducidaenelniveldeactivacióndelosnodosdesalida,los cuales predicenel resultado con base enlas variables de entrada7_._En_la_ﬁgura₁_se_ejempliﬁca_una_red_neuronal_con

5neuronasdeentrada,2neuronasenlacapaocultayuna neuronadesalida,aplicadaaldiagnósticodelinfarto.

Deotrolado,sehanpublicadograncantidaddeestudios queutilizanredesneuronales,condiferentes aproximacio-nesparaapoyareldiagnósticodelossíndromescoronarios agudos9---23_. _En_el _artículo _que _se _publica _en _este _número

(3)

Redesneuronaleseneldiagnósticodelinfartoagudodemiocardio 217 seefectúaunadescripcióndeldesempe˜nodevariasredes

neuronaleseneldiagnósticodelIAM,apartirdelosdatos obtenidosdelas18variablesdelaescaladevaloraciónde laprobabilidaddeanginadescritaporBraunwaldetal.24_en

1994,aplicadaaunapoblacióndepacientesqueconsultaron pordolortorácicoalhospitalSanJosédeBogotá.

Metodología

Basededatos

Setomólabasededatosdeunapoblacióncompuestapor pacientes mayores de 18a˜nos que consultaron al servicio deurgenciasdelHospitalSanJosépordolortorácicocomo motivodeconsultaprincipal,entreel20febreroyel30de octubrede2012.Estabasededatoshacíapartedelestudio «Estructuracióneimplementacióndeunarutacríticapara elmanejo depacientescon síndromecoronarioagudo en elserviciodeurgenciasdelhospitalSanJosé deBogotá».

El muestreo de los casoselegidos dela base dedatos se realizóporconveniencia,apartirdeaquellosenquese dili-genciócorrectamentelarutacrítica;estuvocompuestapor 159pacientes,deloscuales37tuvierondiagnósticodeIAM.

Descripcióndelaredneuronal

Se usó NEUROSOLUTIONS®_, _un_ambiente _de_desarrollo _de

redesneuronalescreado porNeuroDimension Inc.,el cual secomercializabajolicenciaEULA(End-userlicense agree-ment). Se dise˜nó un grupo de experimentos consistentes endistintasvariacionesdelaestructuraderedes neurona-les,queteníanencomúnunacapaoculta,unaneuronade salida,latasadeaprendizajeyelusodebackpropagation

conmomentum(elalgoritmoquepermiteelentrenamiento dela red).Sevarió elnúmerode neuronas(variables) de entrada,escogidasapartirdediferentescriterioso heurís-ticas:

a) Cinconeuronas:provenientesdelosdatosdelECG con-signadosenlaescaladeBraunwald.

b) Seisneuronas:laanteriormáselresultadodela tropo-nina.

c) Diez neuronas: las que se presentaban con mayor fre-cuenciaentrequienessediagnosticóuninfarto. d) Dieciochoneuronas:todosloscomponentesdelaescala

deBraunwald.

Los otrosaspectosquesevariaronfueronelnúmerode neuronas enla capaoculta (2,3, 4,6 y10) yel momen-tumescogido(0,3y0,5).Cadaunadelasredesfueprobada en5experimentos.Decada unodeellosseconstruyóuna tablade2×2calculando,apartirdeestosresultados, sen-sibilidad,especificidad, valorespredictivos yprecisión. Se obtuvieronlospromediosysurespectivadesviación están-darparagraficarfinalmentelosresultadosobtenidos.

Elestudiofueaprobadoporelcomitédeinvestigaciones yelcomitédeéticaeninvestigaciónconsereshumanosdela FacultaddeMedicinadelaFundaciónUniversitariaCiencias delaSalud,HospitalSanJosédeBogotá.Noserequirióla obtencióndeunconsentimientoinformado.

Resultados

Sedise˜naron40redesneuronales,lascualesfueron entrena-dasyprobadas,cadaunaen5experimentos.Seobtuvieron losdatosdesensibilidad,especiﬁcidad,precisión,asícomo valorespredictivospositivoynegativo,loscualesseexponen enlatabla1consusrespectivospromediosydesviaciones estándar(DE).

Puedenotarseescasavariacióneneldesempeñodecada redatravésdecadaunodelosexperimentosde entrena-mientoefectuado(pequeñadesviaciónestándar).Elmodelo de5datoselectrocardiográficosfueelquetuvomenor capa-cidaddeclasificareldiagnósticodelinfarto.

El modelo de 6 neuronas de entrada tuvo el mejor rendimiento diagnóstico, demanera consistenteentre las diferentes arquitecturas exploradas. En la ﬁgura 2 se observaqueconlaadicióndevariablesclínicasy anteceden-tes(10y18variablesdeentrada)nosemejoróeldesempe˜no global,aunquelaredqueobtuvolosmejoresresultadosen laspruebasfuelade10variablescon2neuronasenlacapa ocultaymomentum de0,5(quetuvo2de5experimentos conel100%deprecisión).

Enlamayorpartedeloscasoslasredestuvieronalta sen-sibilidad,congradosvariablesdeespeciﬁcidad.Losmodelos con el número más grande de entradas tuvieron mejor desempe˜noalaumentarelnúmerodeneuronasenlacapa oculta,aunqueelnúmeromásaltodeneuronasnoaportó mejorcapacidaddediscriminación.

Discusión

El procesode elaboración de una red neuronal es, ensu mayoría,untrabajodeensayoyerror(segúnalgunas apre-ciaciones«artesanal») eimplica realizarel mayor número depruebas condiferentesarquitecturas6_._En_la_tabla₂_se

resumen 15 artículos representativos relacionados con la evaluacióndelasredesneuronaleseneldiagnósticodelIAM; se observan diferentes maneras de abordar el problema, muchasbasadas enel ECG yotras endatos clínicos yde laboratorio.Enlamayoríadecasosseobtuvieron arquitec-turasmuysimilares,con unasolacapa ocultay2posibles resultadosdesalida.Enesteestudiosepresentaunconjunto deexperimentossiguiendoloaprendidoenlarevisión rea-lizada,considerandodistintos gruposdedatosdeentrada, solodesdeelECGhastalatotalidaddeloscomponentesde laescaladeBraunwaldysometiendoavariaciónelnúmero deneuronasdela capaocultayel momentumdurante el entrenamiento.

Loshallazgosdelestudiodemuestranquenoesposible basarseúnicamenteenlosdatosdelECGparaeldiseñode una red neuronal para el diagnóstico del infarto. Si bien su especificidad es aceptable (cercana al 89%), se corre-laciona con baja especificidad. Así mismo, se debe tener encuentaquelaescaladeclasificacióndelaprobabilidad deBraunwaldnoincluyetodaslasvariacionesdehallazgos electrocardiográficosdelossíndromescoronarios agudose infarto(porejemplo,elbloqueoderamaizquierdonuevoo loscriteriosdeSgarbosa),conloquesepodríallegara mejo-rarelrendimientodeunaredneuronalquelosincorpore.En todocaso,sesabequeunECGnormalnodescartainfarto; entreel 1 yel6% finalmentelo tiene25_._Por _otro_lado,_es

(4)

218

J.J.

Sprockel

et

al

Tabla1 Resultadosdelosdiferentesexperimentosdedise˜nodelasredesneuronales

Entradas Capa oculta Momentum Sensibilidad (media) Sensibilidad (DE) Especiﬁcidad (media) Especiﬁcidad (DE) VPP (media) VPP (DE) VPN (media) VPN (DE) Precisión (media) Precisión (DE) 5 2 0,50 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 2 0,30 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 3 0,50 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 3 0,30 88,80 1,79 28,57 0,00 55,42 0,49 71,96 3,44 58,69 0,89 5 4 0,50 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 4 0,30 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 6 0,50 88,80 1,79 28,57 0,00 55,42 0,49 71,96 3,44 58,69 0,89 5 6 0,30 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 10 0,50 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 5 10 0,30 88,00 0,00 28,57 0,00 55,20 0,00 70,42 0,00 58,29 0,00 6 2 0,50 90,40 2,19 85,71 0,00 86,35 0,29 89,97 2,05 88,06 1,10 6 3 0,50 89,60 2,19 85,71 0,00 86,24 0,29 89,22 2,05 87,66 1,10 6 4 0,50 88,00 4,90 85,71 0,00 86,00 0,70 87,89 4,24 86,86 2,45 6 6 0,50 88,80 1,79 85,71 0,00 86,14 0,24 88,47 1,67 87,26 0,89 6 10 0,50 91,20 1,79 85,71 0,00 86,45 0,24 90,71 1,67 88,46 0,89 6 2 0,30 88,80 1,79 85,71 0,00 86,14 0,24 88,47 0,89 87,26 0,89 6 3 0,30 88,80 1,79 85,71 0,00 86,14 0,24 88,47 1,67 87,26 0,89 6 4 0,30 89,60 2,19 85,71 0,00 86,24 0,29 89,22 2,05 87,66 1,10 6 6 0,30 90,82 2,72 88,57 6,39 89,24 6,03 90,68 2,22 89,70 2,65 6 10 0,30 90,40 6,07 85,71 0,00 86,31 0,85 90,20 5,40 88,06 3,03 10 2 0,50 100,00 0,00 77,14 25,95 84,23 16,84 100,00 0,00 88,57 12,98 10 3 0,50 100,00 0,00 51,43 12,77 67,73 6,25 100,00 0,00 75,71 6,38 10 4 0,50 100,00 0,00 51,43 7,82 67,45 3,48 100,00 0,00 75,71 3,91 10 6 0,50 100,00 0,00 60,00 30,97 74,44 17,28 100,00 0,00 80,00 15,49 10 10 0,50 98,40 3,58 45,71 29,28 66,23 12,68 92,82 16,06 72,06 15,78 10 2 0,30 100,00 0,00 54,28 6,39 68,73 2,84 100,00 0,00 77,14 3,19 10 3 0,30 98,40 3,58 74,28 23,48 82,00 16,43 98,52 3,31 86,34 10,74 10 4 0,30 100,00 0,00 57,14 17,49 70,95 9,78 100,00 0,00 78,57 8,75 10 6 0,30 100,00 0,00 54,29 11,95 69,01 5,84 100,00 0,00 77,14 5,98 10 10 0,30 99,20 1,79 51,43 7,82 67,28 3,34 98,69 2,93 75,31 3,64 18 2 0,50 100,00 0,00 60,00 6,40 71,56 3,49 100,00 0,00 80,00 3,20 18 3 0,50 98,40 3,58 54,28 6,39 68,34 3,72 96,85 7,04 76,34 4,98 18 4 0,50 100,00 0,00 60,00 6,40 71,56 3,49 100,00 0,00 80,00 3,20 18 6 0,50 99,20 1,79 68,57 6,39 76,08 3,41 98,94 2,37 83,89 3,10 18 10 0,50 100,00 0,00 68,57 15,65 77,00 9,58 100,00 0,00 84,28 7,82 18 2 0,30 100,00 0,00 60,00 6,39 71,55 3,48 100,00 0,00 80,00 3,20 18 3 0,30 98,40 3,58 60,00 6,39 71,20 3,76 97,54 5,49 79,20 4,03 18 4 0,30 100,00 0,00 60,41 6,23 70,28 5,01 100,00 0,00 79,52 3,61 18 6 0,30 98,40 2,19 57,14 14,29 70,20 7,34 96,98 4,19 77,77 7,70 18 10 0,30 100,00 0,00 54,28 6,39 68,73 2,84 100,00 0,00 77,14 3,19

(5)

R edes neuronales en el diagnóstico del infarto agudo de miocardio 219

Tabla2 Redesneuronaleseneldiagnósticodeinfarto

Autor,a˜no Estrategia Pacientes Resultados Comentarios

Baxt,19919,a _ANN_para_diagnóstico_de_infarto. Veinteentradas,2capasocultasde 10neuronas 356pacientes (178entrenamientosy 178pruebas),retrospectivo Evaluaciónprospectiva en331pacientes. Sensibilidad:97,2% Especiﬁcidad:96,2% (sensibilidad:92%y especiﬁcidad:96%enlas pruebas) Compruebanlautilidadde unaANNpreviamentecreada ylacomparanconel conceptodelosmédicos Baxt,199610,a _ANN_para_diagnóstico_de_infarto.

Veinteentradas,2capasocultas de10neuronas(lamisma)

1.071pacientesde

urgenciaspordolortorácico consospechadeIAM

Sensibilidad:96% Especiﬁcidad:96%

Unicéntrico

Ellenius,199711,b _ANN_tipo_SLP_con_algoritmo_BP, paradiagnóstico

deinfarto.Usaronfuzzificaciónpara medireltamaño delinfarto 88pacientes (50entrenamientosy38 pruebas)pertenecientes alestudioBIOMACS Sensibilidad:100% Especificidad:93% VPP:85% VPN:100% Setuvieronencuenta diferentesarquitecturas delasANN

Favorecióalosmédicos,pero endiagnósticofuemás temprano

Hedén,199712,a _ANN_tipo_MLP_usando_la_variación_de LangevindeBP,paradiagnósticode infartoconbaseenelECG

Capadeentrada72,yunacapaoculta de15neuronas

1.120ECGdepacientesen unidaddedolortorácico 10.452ECGdecontrol

LaANNmostrómayor sensibilidadqueladelos criteriosbasadosenreglas convencionalesyquelos cardiológicos

Especiﬁcidad:95,2%

Comparadoconlos cardiológicos

Ohno-Machado,199813,b _Se_construyeron

100ANNcon100diferentesgruposde entrenamientoremoviendodatos progresivamenteysecompararonconla queteníantodoslosdatos.Todascon40 entradas,30encapaocultayunasalida

700pacientespara entrenamiento,553 pacientesconpruebascon sospechadeinfartoy 500pacientespara validación

Laremocióndedatosnoafecta elrendimientodelaANNhasta unumbraldel40%

Evaluólaremocióndelas observacionesredundantes paralareduccióndeltiempo deentrenamiento

Cházaro,199814,b _ANN_usando_BP,_para_diagnóstico_de infarto.95variables,unacapaocultay2 salidas;seeligiólamejorconﬁguración entre5y20nodosocultos

563pacientes (422entrenamientoy 141pruebas).104condatos faltantes.53coninfarto y369sininfarto

Sensibilidad:85% Especiﬁcidad:91% (ANNde20nodos)

(Md:87y78%yRL:81y86%)

ComparóconRLylos médicosdeurgencias

Ellenius,2000a15,a _ANN_de_múltiples_tipos₍₉_en_total), centradosenmioglobina,troponina ytiempodelossíntomas

Pacientesconsospechade infartoyECGnoconclusivo

Sensibilidad:77-95% Especiﬁcidad:88-96%

Losmejoresfuerontres:MSLP yFSLP

Evaluóeldesempe˜node diferentesestructurasdeANN

Ellenius,2000b16,a _ANN_tipo_MSLP_para_diagnóstico_de infarto,análisisdeMonteCarlopara veriﬁcarlaevoluciónrespectoalos biomarcadores(seriesdetiempo)

Pacientesdelosestudios IMACSyFAST,167entotal conSCAy790sinSCA

InicióenlapoblaciónA: Sensibilidad:93% Especiﬁcidad:92% Encuentranunafunciónde correcciónparaajustarlos resultadosaotrainstitución

Evaluólaposibilidadde trasferirlosresultados obtenidosenungrupode pacientesaotrodistinto

(6)

220 J.J. Sprockel et al Tabla2(continuación)

Autor,a˜no Estrategia Pacientes Resultados Comentarios

Baxt,200217.a _ANN_feed-forward_usando_BP, paradiagnósticodeinfarto,técnica devarianzadeJackknife

Entrenamiento:

50pacientesconIAM,1.000 sinIAM

Pruebas:28pacientescon IAM,200sinIAM

2.204pacientesevaluación prospectiva Sensibilidad:94,5% Especiﬁcidad:95,9% (RL:77,3y75%) Comparadovs.regresión logística

LaANNfuncionabienpese aun5%dedatosperdidos Estudiodecostos

Hollander,200418,a _Dos_ANN_para_diagnóstico_de_infarto ydeSCA,con40variables

Antes:4.492pacientes Después:432pacientes IAM: Sensibilidad:95% Especiﬁcidad:96% SCA: Sensibilidad:88% Especiﬁcidad:88%)

Noafectóladecisióndelingreso depacientes

Noevaluóelrendimiento delaANN

Usoentiemporeal Deantesydespués Evaluólaapreciacióndelos médicos

Harrison,200519,b _ANN_para_diagnóstico_de_infarto,_usando 13variables(fuelamejorentre8,13, 20y40variablesevaluadas).Nola describenmuybien

Entrenamiento:1.253 pacientes(hospital1). Pruebas1.904pacientes (deotros2hospitales)

Sensibilidad:93% Especiﬁcidad:93% VPP:88% VPN:96% Participaron3hospitales Noincorporaron biomarcadores Datosingresados porenfermeras Bigi,200520,a _ANN_para_pronóstico_del_infarto_no

complicado.Multicapafeedforward

conBP.5-40neuronas,MACEa200días

496pacientesen

recuperacióndeuninfarto

Precisión:70% Sensibilidad:38% Especiﬁcidad:83%

Comparóconclasiﬁcadores bayesianos

Bulgiba,200621,b ₂₀₀_ANN_tipo_MLP_probaron_2,_4,_8,_16, 32y64neuronasenlacapaoculta,con modelosde9,11,23,64y94entradas. Dosalgoritmos:gradientedescendente yFletcher-Reeves

710pacientes LamejorANNtuvounáreabajo lacurvaROCde0,79con9 entradas,igualquelaregresión logísticacon64variables

Comparadoconregresión logística

Eggers,200722,a _Tres_ANN:₂_para_{diagnóstico:}_un_MLP con2capasocultasyunSLP,yuna paramedireltama˜nodelinfarto:SLP

310pacientescondolor torácico

Sensibilidad:86,96,94% Especiﬁcidad:86,94,89% VPP:85,92,85%

VPN:100,99,100%

Buscóaumentarlavelocidad deldiagnósticodelIAM en3centrosdiferentes Al-Naima,200823,b _ANN_supervisada_con_algoritmo_BP_con

2capasocultas,paralainterpretación deondasdelECGendiagnósticode infarto

43ECGdepacientessanosy coninfarto FT-ANN: precisión:85%,sensibilidad:80% WT-ANN:precisión:90%, sensibilidad:90% Comparó2sistemasde procesamientodese˜nales:TF yWT

ANN:redneuronalartiﬁcial;BP:back propagation; CV:cardiovascular;ECG: electrocardiograma;IAM: infarto agudodemiocardio; MACE: eventos cardiovascularesmayores;MLP: perceptróndemúltiplescapas;MSLP:múltiplesperceptronesdeunasolacapa;RL:regresiónlogística;SLP:perceptróndeunasolacapa;TF:trasformadadeFourier;VPN:valorpredictivo negativo;VPP:valorpredictivopositivo;WT:trasformadadeondasdiscretas.

a _Procedente_de_revista_de_Medicina. b _Procedente_de_revista_de_Ingeniería.

(7)

Redesneuronaleseneldiagnósticodelinfartoagudodemiocardio 221 Precisión vs. arquitectura (Momentum 0,3) 95,00 90,00 85,00 80,00 75,00 70,00 65,00 60,00 55,00 50,00 1 2 3 4 5

5 entradas 6 entradas 10 entradas 18 entradas

Precisi ón 95 90 85 80 75 70 65 60 55 50 Precisi ón

Precisión vs. número de entradas (Momentum 0,5)

5 entradas 6 entradas 10 entradas 18 entradas

5 entradas 6 entradas 10 entradas 18 entradas 5 entradas 6 entradas 10 entradas 18 entradas

5 entradas 6 entradas 10 entradas 18 entradas 5 entradas 6 entradas 10 entradas 18 entradas 100,00 95,00 90,00 85,00 80,00 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 100,00 80,00 60,00 40,00 20,00 0,00 100,00 80,00 60,00 40,00 20,00 0,00 100,00 80,00 60,00 40,00 20,00 0,00 100,00 80,00 60,00 40,00 20,00 0,00 100 80 60 40 20 0 100 80 60 40 20 0

Sensibilidad vs. número de entradas (Momentum 0,3)

Sensibilidad vs. número de entradas (Momentum 0,5)

Especificidad vs. número de entradas (Momentum 0,3)

Especificidad vs. número de entradas (Momentum 0,5) VPP vs. número de entradas (Momentum 0,3) VPP vs. número de entradas (Momentum 0,5) VPN vs. número de entradas (Momentum 0,5) VPN vs. número de entradas (Momentum 0,3)

A

B

C

D

E

F

G

H

I

J

100,00 95,00 90,00 85,00 80,00

Figura2 Desempe˜nodelasredesneuronalesdise˜nadas deacuerdocon elnúmero deentradas consideradasy elnúmerode neuronasenlacapaoculta.

VPP:valorpredictivopositivo;VPN:valorpredictivonegativo.

(8)

222 J.J.Sprockeletal frecuentequeseencuentrenalteracionesinespecíﬁcasdel

segmentoSTydelaondaT,quediﬁcultanlatomade decisio-nesenestecontexto.Algunosreportesindicanquepueden diagnosticarseerróneamentesoloconbaseenelECGhasta enel12%deloscasos26_.

Laadicióndetroponinaaloshallazgos electrocardiográ-ﬁcosincrementalasensibilidaddiagnósticadelinfartohasta enel90%25_;_las_redes_neuronales_entrenadas_con_estos

cri-teriosdemostraronrendimientossuperiores.Laadiciónde criteriosclínicosbasadosenedad,género,historiadeldolor yantecedentesnomejoraronlasensibilidadnila especiﬁ-cidad, sibien seencontróganancia enel valorpredictivo negativo.

Losresultadosmuestranquelasvariablesdelaescalade probabilidaddeBraunwald parael diagnóstico delinfarto tienenunrendimientoadecuadoparalaclasiﬁcación diag-nóstica al utilizarse como valores de entrada de una red neuronal.Trasunamplionúmerodeexperimentosrealizados sealcanzóuna topología apropiadacreando una red neu-ronalcon unaexcelente precisión diagnósticadelinfarto. Estos resultados deben conﬁrmarse mediante un ensayo clínico,preferiblementemulticéntrico,queefectúela vali-dación cruzada de esta herramienta y dé pistas a cerca desucomportamientoenelmomentodelavaloracióndel pacienteenurgencias.Esconvenientetenerencuentaque laredconmejorrendimientoseencontróenelmodelode 10neuronas de entrada,que seríala escogidapara dicho propósito.

Elrendimientodiagnósticodelasredesneuronales des-arrolladas fue similar al de las redes encontradas en la revisiónbibliográﬁca. El grupodel doctor Baxt ha sido el que más ha evaluado esta técnica en el diagnóstico del infarto9,10,17,18_; _de _hecho,_fueron _los _primeros _en_publicar

sus resultados en 1991: comenzaron con 20 neuronas de entradacon2capasocultascadaunade10neuronas,hasta 40 neuronas de entrada en 2004; hasta el momento esta últimahasidolaúnicaempleadaentiemporealconunbuen desempe˜no(sensibilidadyespeciﬁcidaddel88%).Conla dis-minucióndelnúmerodeneuronasdeentradanosealteraba laprecisión diagnóstica, como lo demuestranlostrabajos deHarrison19 _y_Bulgiba21_._Tampoco_hubo _diferencias_entre

lasarquitecturasque teníanunao 2capasocultas,hecho conocidoyaporlosexpertoseneltema.

Pesealaextensacantidaddeestudiosquedemuestran lacapacidadparaclasificardeformaacertadalosIAM gene-radosdurantelosúltimos20años,suusonosehaextendido como se esperaba y, a excepción de las estrategias para lainterpretacióndelasseñaleselectrocardiográficas, exis-tenmuypocossistemasdesoportealasdecisionesclínicas queesténenuso.Sehapropuestoqueportratarsedeuna cajanegra,enlaquesecarecedeunaexplicacióndecómo sellegaa tomaruna decisión27_,_los _médicos_se_resisten _a

seguirsusrecomendaciones,independientedesuéxitoreal opotencial28_.

Son posibles limitaciones de este trabajo el muestreo porconvenienciayla probabilidaddeunafalta de repre-sentacióndeotrasentidadesquesemaniﬁestencondolor torácico,loque podríaimplicar unsesgodeselección.Se requierela validacióncruzada delosresultados yevaluar sufuncionamientoentiemporeal.Elnúmerodeejemplos pareceseradecuado,yaqueesposiblelograrun entrena-miento apropiado delas redes neuronalessi se logra que

entrelosejemplosseencuentrenloscasosmás representa-tivosdelaentidadporevaluar.

Conclusiones

Es viable entrenar unared neuronal a partir de los pará-metros de la escala de clasiﬁcación de probabilidad de BraunwaldparaeldiagnósticodelIAM,conundesempe˜notal quepodríallegaraservirparaelapoyodelatomade deci-sionesdelosmédicosdeurgenciasqueatiendenpacientes queconsultanpordolortorácico.

Conﬂicto

de

intereses

Losautoresdeclarannotenerningúnconﬂictodeintereses.

Agradecimientos

AlasdoctorasMaríaTeresaFontalvoyCarolinaAraquepor suayudaenlafasederecoleccióndelainformación.

Bibliografía

1.ErhardtL,HerlitzJ,BossaertL,HalinenM,KeltaiM,KosterR, etal.Taskforceonthemanagementofchestpain.EurHeart J.2002;23:1153---76.

2.KohnLT,CorriganJM,DonaldsonMS,editores.ToErrIsHuman: BuildingaSaferHealthSystem.CommitteeonHealthCarein America.Washington:InstituteofMedicine.NationalAcademy Press;1999.

3.PopeJH, Aufderheide TP,RuthazerR, WoolardRH, Feldman JA, Beshansky JR, et al. Missed diagnoses of acute car-diac ischemia in the emergency department. N Eng J Med. 2000;342(16):1163---70.

4.Eagle KA, Goodman SG, Avezum A, Budaj A, Sullivan CM, López-Sendón J.Practice variationand missed opportunities forreperfusioninST-segment-elevationmyocardialinfarction: ﬁndings from the Global Registry of Acute Coronary Events (GRACE).Lancet.2002;359:373---7.

5.LobachD,SandersGD,BrightTJ,WongA,DhurjatiR,Bristow E,etal.EnablingHealthCareDecisionMakingThroughClinical DecisionSupportandKnowledgeManagement.EvidenceReport No.203.(PreparedbytheDukeEvidence-basedPracticeCenter underContract No. 290-2007-10066-I.) AHRQPublicationNo. 12-E001-EF.Rockville,MD:AgencyforHealthcareResearchand Quality;2012.

6.SordoM,VaidyaS, JainL. Anintroduction tocomputational intelligenceinhealthcare:Newdirections.En:Advanced com-putationalintelligenceparadigmsinhealthcare-3.3rded.New York,Berlin,Heidelberg:Springer;2008.p.1---26.

7.TrujillanoJ,MarchJ,SorribasA. Aproximaciónmetodológica alusode redes neuronalesartiﬁciales para lapredicción de resultadosenmedicina.MedClin(Barc).2004;122Supl1:59---67.

8.CrossSS,HarrisonRF,KennedyRL.Introductiontoneural net-works.Lancet.1995;346:1075---9.

9.BaxtWG.Useofanartiﬁcialneuralnetworkforthediagnosis ofmyocardialinfarction.AnnInternMed.1991;115:843---8.

10.BaxtWG,SkoraJ.Prospectivevalidationofartiﬁcialneural net-worktrainedtoidentifyacutemyocardialinfarction.Lancet. 1996;347:12---5.

11.ElleniusJ, Groth T,Lindahl B,WallentinL. Earlyassessment ofpatientswithsuspectedacutemyocardialinfarctionby bio-chemicalmonitoringandneuralnetworkanalysis.ClinChem. 1997;43:1919---25.

(9)

Redesneuronaleseneldiagnósticodelinfartoagudodemiocardio 223

12.HedénB,ÖhlinH,RittnerR,EdenbrandtL.Acutemyocardial infarctiondetectedinthe12-LeadECGbyArtiﬁcialNeural Net-works.Circulation.1997;96:1798---802.

13.Ohno-MachadoL,FraserHS,OhrnA.Improvingmachinelearning performancebyremovingredundantcasesinmedicaldatasets. ProcAMIASymp.1998:523---7.

14.ChazaroA,CravensG,EberhartR.Myocardialinfarction diagno-sisbyaneuralnetwork.IEEE;1998,p.1121-1124[consultado 15Feb2013].Disponibleen: http://ieeexplore.ieee.org/xpl/ login.jsp?tp=&arnumber=747068&url=http%3A%2F%

2Fieeexplore.ieee.org%2Fxpls%2Fabsall.jsp%3Farnumber% 3D747068

15.Ellenius J, Groth T. Methods for selection of adequate neu-ralnetworkstructureswithapplicationtoearlyassessmentof chestpainpatientsbybiochemicalmonitoring.IntJMedInform. 2000;57:181---202.

16.Ellenius J, Groth T. Transferability of neural network-based decisionsupportalgorithmsforearlyassessmentofchest-pain patients.IntJMedInform.2000;60:1---20.

17.BaxtWG,ShoferFS,SitesFD,HollanderJE.Aneural computa-tionalaidtothediagnosisofacutemyocardialinfarction.Ann EmergMed.2002;39:366---73.

18.Hollander JE, Sease KL, Sparano DM, Sites FD, Shofer FS, BaxtWG.Effectsofneuralnetworkfeedbacktophysicianson admit/dischargedecisionforemergency departmentpatients withchestpain.AnnEmergMed.2004;44:199---205.

19.HarrisonRF,KennedyRL.Artiﬁcialneuralnetworkmodelsfor prediction of acute coronary syndromes using clinical data from the time of presentation. Ann Emerg Med. 2005;46: 431---9.

20.BigiR,GregoriD,CortigianiL,DesideriA,ChiarottoFA,Toffolo GM.ArtificialneuralnetworksandrobustBayesianclassifiersfor riskstratificationfollowinguncomplicated myocardial infarc-tion.IntJCardiol.2005;101:481---7.

21.Bulgiba AM. Using neural networks and just nine patient-reportable factors of screen for AMI. Health Informatics J. 2006;12:213---25.

22.EggersKM,ElleniusJ,DellborgM,GrothT,OldgrenJ,Swahn E,etal.Artiﬁcialneuralnetworkalgorithmsforearlydiagnosis

ofacutemyocardialinfarctionandpredictionofinfarctsizein chestpainpatients.IntJCardiol.2007;114:366---74.

23.Al-NaimaFM,AliAH,MahdiSS.Dataacquisitionformyocardial infarction classiﬁcation based on wavelets and Neural Net-works.IEEE;2008,p.1-6[consultado9Feb2013].Disponible en: http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber= 4632817&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls% 2Fabsall.jsp%3Farnumber%3D4632817

24.BraunwaldE,JonesRH,Mark DB,BrownJ,BrownL,Cheitlin MD,etal.Diagnosingandmanagingunstableangina.Agencyfor HealthCarePolicyandResearch.Circulation.1994;90:613---22.

25.Anderson JL, AdamsCD, Antman EM, BridgesCR, Califf RM, CaseyJr DE,et al. ACC/AHA 2007guidelines for the mana-gement of patients with unstable angina/non-ST-Elevation myocardial infarction: A report of the American College of Cardiology/AmericanHeartAssociationTaskForceonPractice Guidelines(WritingCommitteeto Revisethe2002Guidelines for the Management of Patients With Unstable Angina/Non-ST-ElevationMyocardialInfarction)developedincollaboration withtheAmericanCollegeofEmergencyPhysicians,theSociety for Cardiovascular Angiography and Interventions, and the SocietyofThoracicSurgeonsendorsedbytheAmerican Asso-ciationofCardiovascularandPulmonaryRehabilitationandthe SocietyforAcademicEmergencyMedicine.JAmCollCardiol. 2007;50:e1---157.

26.AntmanEM,AnbeDT,ArmstrongPW,BatesER,GreenLA,Hand M,etal.ACC/AHAguidelinesforthemanagementofpatients withST-elevationmyocardialinfarction----executivesummary.A reportoftheAmericanCollegeofCardiology/AmericanHeart Association TaskForce on Practice Guidelines (Writing Com-mitteeto revisethe1999guidelines for themanagementof patientswithacutemyocardialinfarction).JAmCollCardiol. 2004;44:671---719.

27.NegnevitskyM.ArtiﬁcialIntelligence:AGuidetoIntelligent Sys-tems.2ndedTasmania,Australia:PearsonEducationLimited; 2005.p.259---98.

28.AwaisMM,AwanSK.Gastro-intestinaltractinspired computa-tionalmodel for myocardialinfarctiondiagnosis. ExpertSyst Appl.2011;38:5633---41.