Search

La desfibrilación es crítica para la supervivencia en episodios de parada cardiorrespiratoria extra-hospitalaria (PCREH), por lo que los desfibriladores externos automáticos (DEA) incorporan algoritmos para la detección de ritmos desfibrilables. En este trabajo se emplearon 852 casos de PCREH con 4216 ventanas de análisis del ritmo del DEA. Seis expertos anotaron ECG como desfibrilable / no-desfibrilable y el diagnóstico mayoritario se empleó como referencia. Se obtuvieron 12185 segmentos ECG de 4s, que se particionaron por paciente en subconjuntos para desarrollar (70%) y evaluar (30%) un algoritmo de análisis de ritmo. El algoritmo se compone de una etapa de descomposición subbanda y una red neuronal recursiva. El mejor modelo presentó una sensibilidad (Se) de 97.6% y una especificidad (Sp) de 98.3%, cumpliendo holgadamente con las especificaciones mínimas para uso clínico del 90% de Se y 95% de Sp.

146 p., La muerte súbita cardíaca es una de las principales causas de muerte en los países desarrollados, con una incidencia de alrededor de 40-50 casos por cada 100.000 habitantes. La causa fundamental de la muerte súbita cardíaca es la parada cardiorrespiratoria, que se produce mayoritariamente en entorno extrahospitalario y presenta un índice de supervivencia del 10 %. Se trata, por tanto, de un serio problema de salud.Dos son los elementos clave en el tratamiento de la parada cardiorrespiratoria extrahospitalaria (PCREH): la reanimación cardiopulmonar (RCP) y la desfibrilación temprana. La desfibrilación se aplica en pacientescon arritmias ventriculares letales como la fibrilación ventricular (FV), y consiste en suministrar una descarga eléctrica para recuperar un ritmo normal del corazón. Para ello se emplean los desfibriladores externos. Sin embargo, solo el 30-40 % de las desfibrilaciones son exitosas. Las descargas no exitosas reducen la probabilidad de supervivencia del paciente por dos motivos: pueden causar daño en el miocardio, y es necesario interrumpir la terapia RCP para suministrarlas.En este contexto, es fundamental disponer de herramientas para la predicción del éxito de la desfibrilación, guiando al rescatador en el tratamiento más adecuado: continuar con la RCP o desfibrilar al paciente. De esta manera, se evitarían interrupciones innecesarias durante la RCP y el paciente únicamente sería desfibrilado cuando la probabilidad de éxito fuese alta, aumentando así sus probabilidades de supervivencia. En la última década se han propuesto numerosos parámetros predictores del éxito de la desfibrilación (PED) basados en métodos no invasivos. El abordaje habitual se basa en el análisis de la forma de onda del electrocardiograma (ECG) durante la FV.Este trabajo de tesis se centra en el desarrollo de nuevos métodos para la predicción del éxito de la desfibrilación. Se han desarrollado nuevos métodos no invasivos basados en el análisis de la forma de onda de la FV de

Optimal defibrillation timing guided by ventricular fibrillation (VF) waveform analysis would contribute to improved survival of out-of-hospital cardiac arrest (OHCA) patients by minimizing myocardial damage caused by futile defibrillation shocks and minimizing interruptions to cardiopulmonary resuscitation. Recently, fuzzy entropy (FuzzyEn) tailored to jointly measure VF amplitude and regularity has been shown to be an efficient defibrillation success predictor. In this study, 734 shocks from 296 OHCA patients (50 survivors) were analyzed, and the embedding dimension (m) and matching tolerance (r) for FuzzyEn and sample entropy (SampEn) were adjusted to predict defibrillation success and patient survival. Entropies were significantly larger in successful shocks and in survivors, and when compared to the available methods, FuzzyEn presented the best prediction results, marginally outperforming SampEn. The sensitivity and specificity of FuzzyEn were 83.3% and 76.7% when predicting defibrillation success, and 83.7% and 73.5% for patient survival. Sensitivities and specificities were two points above those of the best available methods, and the prediction accuracy was kept even for VF intervals as short as 2s. These results suggest that FuzzyEn and SampEn may be promising tools for optimizing the defibrillation time and predicting patient survival in OHCA patients presenting VF.

El objetivo de este trabajo es evaluar la capacidad predictiva de la entropía difusa (FuzzEn) para la predicción del éxito de la desfibrilación definida de tres formas diferentes: recuperación de ritmos con QRS, retorno de la circulación espontanea (RCE) y supervivencia del paciente. Se han analizado 450 descargas de 174 episodios de parada cardiorrespiratoria extrahospitalaria (PCREH). FuzzEn se calculó tomando 5-seg de fibrilación ventricular (FV) previos a la descarga. Se evaluó la capacidad de predicción en términos de área bajo la curva (AUC), para las primeras tres descargas. Para ello se ajustó un clasificador basado en regresión logística usando una partición 60/40 por pacientes para ajustar el modelo (desarrollo) y evaluar el AUC (validación). Los valores de AUC obtenidos para predicción de aparición de ritmos con QRS y supervivencia para las tres primeras descargas fueron: 0.81/0.70, 0.84/0.87 y 0.95/0.95, respectivamente. FuzzEn permite predecir la supervivencia del paciente y la predictibilidad mejora en descargas sucesivas.

Prediction of defibrillation success is of vital importance to guide therapy and improve the survival of patients suffering out-of-hospital cardiac arrest (OHCA). Currently, the most efficient methods to predict shock success are based on the analysis of the electrocardiogram (ECG) during ventricular fibrillation (VF), and recent studies suggest the efficacy of waveform indices that characterize the underlying non-linear dynamics of VF. In this study we introduce, adapt and fully characterize six entropy indices for VF shock outcome prediction, based on the classical definitions of entropy to measure the regularity and predictability of a time series. Data from 163 OHCA patients comprising 419 shocks (107 successful) were used, and the performance of the entropy indices was characterized in terms of embedding dimension (m) and matching tolerance (r). Six classical predictors were also assessed as baseline prediction values. The best prediction results were obtained for fuzzy entropy (FuzzEn) with m = 3 and an amplitude-dependent tolerance of r = 80 mu V. This resulted in a balanced sensitivity/specificity of 80.4%/76.9%, which improved by over five points the results obtained for the best classical predictor. These results suggest that a FuzzEn approach for a joint quantification of VF amplitude and its non-linear dynamics may be a promising tool to optimize OHCA treatment.