Distinción Entre Electrogramas de Fibrilación Auricular Paroxística Frente a Persistente para Evaluación del Sustrato Auricular en Procedimientos de Ablación por Catéter

• E. Finotti ^[1] ; V. Bertomeu González ^[4] ; F. Hornero Sos ^[2] ; A. Quesada Dorador ^[3] ; R. Alcaraz Martínez ^[5]
  1. [1] Universidad Politécnica de Valencia

     Universidad Politécnica de Valencia

     Valencia, España

     
  2. [2] Hospital Clinico Universitario de Valencia

     Hospital Clinico Universitario de Valencia

     Valencia, España

     
  3. [3] Hospital General Universitario de Valencia

     Hospital General Universitario de Valencia

     Valencia, España

     
  4. [4] Universidad Miguel Hern´andez, Alicante
  5. [5] Univ. de Castilla-La Mancha, Espa˜na

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 109-112
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • Para contribuir a un abordaje optimizado de la ablación por catéter (AC) de fibrilación auricular (FA), durante los últimos años se han introducido complicados índices destinados a discriminar FA paroxística de persistente (FApar vs. FAper) aplicados sobre electrogramas auriculares fraccionados complejos (CFAE). Sin embargo, los electrofisiológos exigen el uso de métodos de clasificación simples y de comprensión directa. Por ello, el presente trabajo explota la longitud de ciclo de FA (AFCL), la frecuencia dominante (DF), la entropía muestral (SE) y el determinismo (DET) del análisis de cuantificación recurrente, aplicado a registros de FA con CFAEs, para crear modelos sencillos de discriminación entre FApar y FAper. El AFCL y la DF se calcularon sobre los registros enteros, mientras que SE y DET se calcularon utilizando segmentos de 1, 2 y 4 s. La información redundante se eliminó umbralizando sucesivamente matrices de correlación y el algoritmo de Random Forests ordenó las variables por relevancia. A continuación, un árbol de clasificación combinó de manera ´optima los índices con alto nivel clasificatorio y se probaron con validación cruzada dejando uno fuera. Despu´es de analizar todas las combinaciones posibles, el mejor resultado obtuvo una Precisión (Acc) del 88,2% para discriminar FApar de FAper, mientras que DET proporcionó la mejor Acc individual de 82,4 %. Como conclusión, una selección cuidada y reducida de características puede facilitar un modelo de clasificación sencillo capaz de discriminar con precisión entre CFAEs de FApar y FAper para mejorar el abordaje terapéutico de la FA.