RevColombCardiol.2014;21(4):215---223
Revista
Colombiana
de
Cardiología
www.elsevier.es/revcolcarCARDIOLOGÍA
DEL
ADULTO
---
ARTÍCULO
ORIGINAL
Redes
neuronales
en
el
diagnóstico
del
infarto
agudo
de
miocardio
John
J.
Sprockel
a,∗,
Juan
J.
Diaztagle
b,
Wilson
Alzate
cy
Enrique
González
daMedicinaInterna,CandidaturaaMaestríaenIngenieríadeSistemasyComputación,PontificiaUniversidadJaveriana.Medicina
Interna,FundaciónUniversitariadeCienciasdelaSalud-HospitaldeSanJosé,Bogotá,DC,Colombia
bMedicinaInterna,Epidemiología.MaestríaenFisiología.MedicinaInterna,FundaciónUniversitariadeCienciasdela
Salud-HospitaldeSanJosé.DepartamentodeCienciasFisiológicas,UniversidadNacionaldeColombia,Bogotá,DC,Colombia
cIngenieríadeSistemas.CandidaturaaMaestríaenIngenieríadeSistemasyComputación,PontificiaUniversidadJaveriana,
Bogotá,DC,Colombia
dIngenieríaeléctrica.MaestríaenIngenieríaEléctrica,UniversidaddelosAndes,DEARobotiqueUniversitédeParisVI(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.Variasdelasredesdise˜nadastuvieronuna sensibi-lidadyunaespecificidaddel100%.Serequiereunestudiodevalidaciónparacomprobarestos hallazgos.
∗Autorparacorrespondencia.
Correoelectrónico:jjsprockel@fucsalud.edu.co(J.J.Sprockel).
http://dx.doi.org/10.1016/j.rccar.2013.10.001
0120-5633/©2013SociedadColombianadeCardiologíayCirugíaCardiovascular.PublicadoporElsevierEspaña,S.L.U.Todoslosderechos reservados.
216 J.J.Sprockeletal Conclusiones:Conlosresultadosencontradosparalasredesneuronalesenlaliteraturayen esteestudiosepuedeconsiderarelusodeestaestrategiadeinteligenciacomputacionalenla práctica.
©2013SociedadColombianadeCardiología yCirugíaCardiovascular.Publicado porElsevier España,S.L.U.Todoslosderechosreservados.
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.
© 2013SociedadColombiana deCardiología y CirugíaCardiovascular. Published by Elsevier España,S.L.U.Allrightsreserved.
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 porel
cualseha hecho prioritaria labúsqueda demedidaspara controlarestasituación.Eldiagnósticoyeltratamientode laisquemiacoronarianoescapanaello3,4.Anteestehecho
yconlanecesidadconsiguientedecontarconunmayor sus-tentodelconocimiento enlaprácticadiaria, junto conel ambientepropiciadopor el usode nuevas tecnologías,se haintentadodarunestímuloparalageneraciónyla utiliza-cióndesistemasdesoporteenlatomadedecisionesclínicas encaminadosaestacondición5.Unodeestossonlasredes
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.Lase˜nalprogresadesdelasentradas,
luegoporlacapaoculta,hastaobtenerunarespuesta tra-ducidaenelniveldeactivacióndelosnodosdesalida,los cuales predicenel resultado con base enlas variables de entrada7.Enlafigura1seejemplificaunaredneuronalcon
5neuronasdeentrada,2neuronasenlacapaocultayuna neuronadesalida,aplicadaaldiagnósticodelinfarto.
Deotrolado,sehanpublicadograncantidaddeestudios queutilizanredesneuronales,condiferentes aproximacio-nesparaapoyareldiagnósticodelossíndromescoronarios agudos9---23. Enel artículo que se publica en este número
Redesneuronaleseneldiagnósticodelinfartoagudodemiocardio 217 seefectúaunadescripcióndeldesempe˜nodevariasredes
neuronaleseneldiagnósticodelIAM,apartirdelosdatos obtenidosdelas18variablesdelaescaladevaloraciónde laprobabilidaddeanginadescritaporBraunwaldetal.24en
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®, unambiente dedesarrollo 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).
Puedenotarseescasavariacióneneldesempe˜nodecada redatravésdecadaunodelosexperimentosde entrena-mientoefectuado(peque˜nadesviaciónestándar).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.Enlatabla2se
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 basarseúnicamenteenlosdatosdelECGparaeldise˜node 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 otrolado,es
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
R edes neuronales en el diagnóstico del infarto agudo de miocardio 219
Tabla2 Redesneuronaleseneldiagnósticodeinfarto
Autor,a˜no Estrategia Pacientes Resultados Comentarios
Baxt,19919,a ANNparadiagnósticodeinfarto. 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 ANNparadiagnósticodeinfarto.
Veinteentradas,2capasocultas de10neuronas(lamisma)
1.071pacientesde
urgenciaspordolortorácico consospechadeIAM
Sensibilidad:96% Especificidad:96%
Unicéntrico
Ellenius,199711,b ANNtipoSLPconalgoritmoBP, paradiagnóstico
deinfarto.Usaronfuzzificaciónpara medireltama˜no delinfarto 88pacientes (50entrenamientosy38 pruebas)pertenecientes alestudioBIOMACS Sensibilidad:100% Especificidad:93% VPP:85% VPN:100% Setuvieronencuenta diferentesarquitecturas delasANN
Favorecióalosmédicos,pero endiagnósticofuemás temprano
Hedén,199712,a ANNtipoMLPusandolavariaciónde 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 Seconstruyeron
100ANNcon100diferentesgruposde entrenamientoremoviendodatos progresivamenteysecompararonconla queteníantodoslosdatos.Todascon40 entradas,30encapaocultayunasalida
700pacientespara entrenamiento,553 pacientesconpruebascon sospechadeinfartoy 500pacientespara validación
Laremocióndedatosnoafecta elrendimientodelaANNhasta unumbraldel40%
Evaluólaremocióndelas observacionesredundantes paralareduccióndeltiempo deentrenamiento
Cházaro,199814,b ANNusandoBP,paradiagnósticode 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 ANNdemúltiplestipos(9entotal), centradosenmioglobina,troponina ytiempodelossíntomas
Pacientesconsospechade infartoyECGnoconclusivo
Sensibilidad:77-95% Especificidad:88-96%
Losmejoresfuerontres:MSLP yFSLP
Evaluóeldesempe˜node diferentesestructurasdeANN
Ellenius,2000b16,a ANNtipoMSLPparadiagnósticode infarto,análisisdeMonteCarlopara verificarlaevoluciónrespectoalos biomarcadores(seriesdetiempo)
Pacientesdelosestudios IMACSyFAST,167entotal conSCAy790sinSCA
InicióenlapoblaciónA: Sensibilidad:93% Especificidad:92% Encuentranunafunciónde correcciónparaajustarlos resultadosaotrainstitución
Evaluólaposibilidadde trasferirlosresultados obtenidosenungrupode pacientesaotrodistinto
220 J.J. Sprockel et al Tabla2(continuación)
Autor,a˜no Estrategia Pacientes Resultados Comentarios
Baxt,200217.a ANNfeed-forwardusandoBP, 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 DosANNparadiagnósticodeinfarto 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 ANNparadiagnósticodeinfarto,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 ANNparapronósticodelinfartono
complicado.Multicapafeedforward
conBP.5-40neuronas,MACEa200días
496pacientesen
recuperacióndeuninfarto
Precisión:70% Sensibilidad:38% Especificidad:83%
Comparóconclasificadores bayesianos
Bulgiba,200621,b 200ANNtipoMLPprobaron2,4,8,16, 32y64neuronasenlacapaoculta,con modelosde9,11,23,64y94entradas. Dosalgoritmos:gradientedescendente yFletcher-Reeves
710pacientes LamejorANNtuvounáreabajo lacurvaROCde0,79con9 entradas,igualquelaregresión logísticacon64variables
Comparadoconregresión logística
Eggers,200722,a TresANN:2paradiagnóstico:unMLP 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 ANNsupervisadaconalgoritmoBPcon
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 ProcedentederevistadeMedicina. b ProcedentederevistadeIngeniería.
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
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 80,00Figura2 Desempe˜nodelasredesneuronalesdise˜nadas deacuerdocon elnúmero deentradas consideradasy elnúmerode neuronasenlacapaoculta.
VPP:valorpredictivopositivo;VPN:valorpredictivonegativo.
222 J.J.Sprockeletal frecuentequeseencuentrenalteracionesinespecíficasdel
segmentoSTydelaondaT,quedificultanlatomade decisio-nesenestecontexto.Algunosreportesindicanquepueden diagnosticarseerróneamentesoloconbaseenelECGhasta enel12%deloscasos26.
Laadicióndetroponinaaloshallazgos electrocardiográ-ficosincrementalasensibilidaddiagnósticadelinfartohasta enel90%25;lasredesneuronalesentrenadasconestos
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 enpublicar
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 yBulgiba21.Tampocohubo diferenciasentre
lasarquitecturasque teníanunao 2capasocultas,hecho conocidoyaporlosexpertoseneltema.
Pesealaextensacantidaddeestudiosquedemuestran lacapacidadparaclasificardeformaacertadalosIAM gene-radosdurantelosúltimos20a˜nos,suusonosehaextendido como se esperaba y, a excepción de las estrategias para lainterpretacióndelasse˜naleselectrocardiográficas, exis-tenmuypocossistemasdesoportealasdecisionesclínicas queesténenuso.Sehapropuestoqueportratarsedeuna cajanegra,enlaquesecarecedeunaexplicacióndecómo sellegaa tomaruna decisión27,los médicosseresisten 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.
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.