Detección de patología cardíaca y asociada al corazón mediante electrocardiograma de un solo canal

Objetivo del estudio: crear, evaluar la eficacia diagnóstica y aplicar de forma piloto un método de cribado de patología cardíaca y asociada al corazón basado en el análisis de un electrocardiograma de un solo canal utilizando elementos de inteligencia artificial. Se trata de un estudio prospectivo, controlado, unicéntrico, observacional y no aleatorizado. Se prevé incluir al menos 4000 pacientes mayores de 18 años en la muestra de entrenamiento y 1000 pacientes de 18 años o más en la muestra de prueba (el número total de pacientes es de al menos 5000 personas). Los pacientes se incluirán en el estudio si han sido sometidos a un examen completo (de laboratorio, clínico e instrumental), que permita verificar o excluir la patología cardíaca y asociada al corazón de acuerdo con las recomendaciones vigentes. Para detectar defectos cardíacos e insuficiencia cardíaca: un protocolo de ecocardiografía experta, análisis de sangre para marcadores cardíacos específicos y pruebas de esfuerzo si están indicadas. Para detectar enfermedad arterial coronaria: detección de estenosis coronaria significativa durante la imagen de las arterias coronarias: perfusión miocárdica o determinación de la reserva de flujo coronario fraccional, o ecocardiografía de estrés. Para hipertensión: mediciones repetidas de la presión arterial en consultorio, monitorización de la presión arterial de 24 horas. Para enfermedad coronaria: ECG en reposo y monitorización Holter a largo plazo. Para patología asociada al corazón: análisis de sangre: niveles de hemoglobina y glóbulos rojos, glucosa, hemoglobina glicosilada, prueba de tolerancia oral a la glucosa, creatinina, niveles de ácido úrico, colesterol total, lipoproteínas de baja y alta densidad, y triglicéridos. Se tendrán en cuenta datos de examen adicionales si se realizan fuera del protocolo de este estudio. Durante el curso del estudio, los autores del trabajo no interfieren con el alcance del examen mencionado anteriormente, que se lleva a cabo en los pacientes de acuerdo con las directrices clínicas. Todos los pacientes incluidos en el estudio se someterán a la grabación de ECG en la derivación estándar I durante 1 minuto dos veces, seguido de un análisis espectral de los datos obtenidos, que se almacenarán en el centro de monitorización remota de la Universidad Sechenov sin estar vinculados a los datos personales de los pacientes. El ECG de un solo canal se registrará utilizando el monitor ECG de un solo canal portátil CardioQvark. Está diseñado como una funda para iPhone. Está registrado en el Servicio Federal de Supervisión de la Salud el 15 de febrero de 2019. RZN No. 2019/8124. Los datos personales del paciente (apellido, nombre, patronímico, fecha de nacimiento, información de contacto) no se transferirán ni se tendrán en cuenta. A cada paciente se le asigna un número individual que no está asociado con sus datos personales. Luego se realizará un análisis espectral del electrocardiograma utilizando una transformada wavelet continua, cuyos principios se basan en la transformada de Fourier. El análisis implica la evaluación de los siguientes parámetros (los parámetros enumerados a continuación se calcularán como la mediana del ciclo de latido):• TpTe - tiempo desde el pico hasta el final de la onda T • VAT - tiempo desde el inicio del QRS hasta el pico R • QTc - intervalo QT corregido. • QT / TQ - relación entre la longitud del QT y la longitud del TQ (desde el final de T hasta el inicio del QRS del siguiente complejo). • QRS_E - energía total de la onda QRS basada en la transformada wavelet • T_E - energía total de la onda T basada en la transformada wavelet • TP_E- energía del diente principal de la onda T basada en la transformada wavelet • BETA, BETA_S - coeficientes de asimetría de la onda T (versiones simple y suave) • BAD_T - indicador de calidad de la onda T (si se expresa en la derivación actual) • QRS_D1_ons - energía del borde de ataque de la onda R (basada en la transformada wavelet de "primera derivada") • QRS_D1_offs - energía del borde de salida de la onda R (basada en la transformada wavelet de "primera derivada") • QRS_D2 - energía máxima de la onda R (basada en la transformada wavelet de "segunda derivada") • QRS_Ei (i = 1,2,3,4) - energía de la onda QRS en 4 rangos de frecuencia (2-4-8-16-32 Hz) basada en la transformada wavelet • T_Ei (i = 1,2,3,4) - energía de la onda T en 4 rangos de frecuencia (2-4-6-8-10 Hz) basada en la transformada wavelet • HFQRS - amplitud de los componentes de RF de la onda QRS. Parámetros adicionales utilizados: • TpTe, VAT, QTc - se duplican para controlar la corrección del procesamiento del registro (el valor del UCC debe ser aproximadamente igual a la mediana del latido a latido). • QRSw - ancho del QRS. • RA, SA, TA - las amplitudes de las ondas R, S, T, respectivamente, se utilizan para normalizar los parámetros enumerados anteriormente. El análisis estadístico y el modelado se realizarán utilizando Python V3.8.8 y R V.4.0, así como SPSS v.17. Se analizará la correlación entre varias combinaciones de parámetros de tiempo, amplitud y frecuencia del ECG y la presencia de patología cardíaca y asociada al corazón. Ciertos parámetros se incluirán en varios modelos de análisis multivariante: regresión Lasso, Random Forest, Perceptrón Multicapa, Máquina de Vectores de Soporte y Árbol de Decisión. Se seleccionará el modelo con mayor precisión diagnóstica, sobre el cual se probará el algoritmo. El resultado de este estudio será el desarrollo y validación de un algoritmo para identificar diversas patologías cardíacas y asociadas al corazón basado en el análisis de parámetros de ECG de un solo canal. También se emprenderá el desarrollo de un programa de uso médico. Puntos finales del estudio: • Parámetros de ECG de un solo canal que se correlacionan significativamente con la presencia de diversas patologías cardíacas y relacionadas con el corazón; • Sensibilidad, especificidad y precisión diagnóstica de los modelos multivariantes para analizar datos de ECG de un solo canal; • Precisión diagnóstica del algoritmo cuando se prueba en una muestra de prueba de pacientes.