Resumen de Non-invasive assessment of autonomic nervous system through cardiovascular signals variability analysis in non-stationary environments
El sistema nervioso autónomo (SNA) está al cargo de mantener la homeostasis del cuerpo y regula diferentes funciones como el ritmo cardiaco, presión sanguínea, respuestas gastrointestinales y termorregulación. Es interesante tener una evaluación regular del SNA en diferentes aplicaciones, como por ejemplo en el entendimiento de la respuesta del SNA al estrés para detectar de manera temprana o diagnosticar enfermedades cardiovasculares, metabólicas o mentales.
El análisis de la variabilidad del ritmo cardiaco (HRV) es uno de los métodos no invasivos más populares para evaluar el SNA y se puede obtener fácilmente a partir del electrocardiograma (ECG). La HRV refleja respuestas a estímulos internos y externos, siendo el SNA el regulador primario de la cronotropía cardiaca. Además, la variabilidad de otras señales cardiovasculares (como la variabilidad de la presión sanguínea) y la respiración pueden aportar valor añadido a la evaluación del SNA.
La mayoría de las herramientas desarrolladas para analizar la HRV han sido diseñadas para entornos estacionarios. Cuando esta premisa no es válida, es necesario desarrollar metodologías robustas adaptadas a cada escenario que asegure que las medidas tomadas permitan interpretar correctamente cambios en la actividad del SNA. El objetivo de esta tesis es extraer información sobre el estado del SNA a partir de señales cardiovasculares, en especial la HRV, y de la información respiratoria en entornos no estacionarios.
Se presenta una metodología robusta adecuada al análisis de la HRV durante ejercicio que aborda muchas de las limitaciones del análisis de la HRV en ejercicio. Para mejorar la detección de los QRS en ECG ruidosos, se propone un algoritmo evolutivo para optimizar los parámetros del detector. La señal de HRV se obtiene a partir del modelo TVIPFM, que tiene en cuenta las variaciones en el ritmo cardiaco medio durante el ejercicio. Para tratar con la naturaleza no estacionaria de la señal, se usa un análisis frecuencial de tiempo-frecuencia para extraer parámetros de potencia instantánea. Debido a que la frecuencia respiratoria cambia durante el ejercicio, normalmente alcanzando altas frecuencias, se hace necesario redefinir la banda de alta frecuencia (HF). Además, componentes espectrales relacionados con el acoplo cardiolocomotor (CC) son identificados en el espectro de potencia de la HRV, y se aplica una corrección cuando esta componente solapa con la componente de HF.
Esta metodología se aplica a tres pruebas de esfuerzo para estudiar la respuesta del SNA al estrés del ejercicio en sujetos sanos: una prueba máxima en tapiz rodante, una prueba submáxima en tapiz rodante y otra prueba submáxima en bicicleta estática. Se definen diferentes intervalos en cada test: uno relacionado con la fase de reposo, uno al principio de la fase de recuperación, y el resto, durante el ejercicio, basados en una demanda metabólica similar basada en el consumo de oxígeno. Se analizan las potencias normalizadas relacionadas con la baja frecuencia (LF) y HF en estos intervalos: en el primer intervalo del ejercicio, durante intensidades bajas del ejercicio, la LF aumenta como respuesta a una activación del sistema simpático nervioso, mientras que la HF disminuye a causa de la inhibición de la actividad parasimpática. Durante intensidades altas de ejercicio, la HF aumenta mientras que la LF disminuye, ya que ahora la HF no solo refleja la respuesta autónoma, sino también el efecto mecánico de la respiración. La potencia del acoplo cardiolocomotor, CC, aumenta con la intensidad del ejercicio, alcanzando hasta un 30% de la potencia total en los últimos intervalos de ejercicio, siendo mayor en las pruebas de tapiz rodante.
También se pretende validar un monitor de ritmo cardiaco en función de las medidas de HRV. Las series de RR son obtenidas de manera simultánea a partir del ECG y un equipo Polar comercial durante ejercicio dinámico de baja, media y alta intensidad. Coeficientes de confianza y conformidad muestran que ambos métodos son intercambiables cuando se mide el ritmo medio cardiaco y la potencia LF instantáneos, con independencia de la intensidad del ejercicio (coeficientes > 0.9). Sin embargo, las medidas de potencia HF instantánea muestran coeficientes por debajo de 0.7 en los últimos intervalos de ejercicio. A pesar de estos coeficientes de confianza y conformidad bajos, cuando se obtienen los parámetros de HRV como valores medios en los intervalos de análisis y se corrigen las componentes espectrales de CC, no se encuentran diferencias significativas entre las medidas del ECG y del Polar. Ambos parámetros describen la misma respuesta del SNA ante el estrés del ejercicio. Por tanto, el uso de las medidas de HRV a partir del Polar es apropiado sin importar la intensidad del ejercicio.
El análisis de la HRV se aplica también a una prueba de esfuerzo con el objetivo de determinar la capacidad de diagnóstico de las medidas de HRV en ejercicio para la detección de enfermedades de las arterias coronarias (CAD). Estos pacientes presentan un alto número de anomalías en la serie de RR, principalmente debido a eventos arrítmicos, y por tanto es necesario un cuidado especial a la hora de seleccionar los intervalos a analizar. Además, debido a los efectos de la medicación y a la diferencia en la duración de la prueba de esfuerzo entre los pacientes de CAD y el grupo de baja probabilidad (LLC), tanto el ritmo cardiaco medio como la frecuencia respiratoria no son fiables para diagnosticar CAD. La potencia de HF, cuando es guiada por la respiración, alcanza el mayor AUC, por encima del 0.7 tanto en reposo como en recuperación. Cuando se mide en intervalos con una demanda metabólica similar, basado en el incremento en el ritmo cardiaco medio, se puede apreciar una diferencia significativa en el último intervalo de ejercicio entre los grupos CAD y LLC, con menor potencia LF normalizada y mayor potencia HF (normalizada y en valor absoluto) en los pacientes de CAD, lo que sugiere que los parámetros de HRV pueden diagnosticar CAD antes de acabar la prueba de esfuerzo. Debido a la falta de monitorización de la frecuencia de pedaleo, la componente CC no puede corregirse, y el uso de una banda extendida de HF medirá componentes no deseadas. Esto hace resaltar la necesidad de una metodología estándar para el análisis de la HRV durante ejercicio.
Otra aplicación donde se analiza la HRV es en hemodiálisis. La hipótesis de este estudio es que los pacientes propensos a sufrir hipotensión presentan una alteración en la regulación autonómica del sistema cardiovascular. Se proponen diferentes parámetros para diferenciar a los pacientes propensos de los resistentes a sufrir hipotensión. A los parámetros de HRV se les añade información adicional a partir de la variabilidad de la presión sanguínea (BPV), sensibilidad barorrefleja (BRS) y respiración por medio de señales respiratorias derivadas del ECG (EDR) para mejorar la diferenciación. Se encontró además una modulación de muy baja frecuencia (VLF) en las series de HRV, BPV y EDR, y se propone caracterizarla con la hipótesis de que su causa es la inestabilidad hemodinámica de los pacientes. Se aplica el método MVDR para extraer los parámetros espectrales ya que, en general, presenta mejor resolución espectral que otros estimadores espectrales. Todos estos parámetros se analizan individualmente. La frecuencia respiratoria no presenta correlación aparente con el estatus del paciente. La modulación de VLF aparece de manera más frecuente en pacientes propensos y podría estar relacionado con una alteración en el SNA. Algunos parámetros de HRV (LF normalizada y ratio), BPV (HF) y BRS (LF) son también capaces de discriminar entre los dos grupos.
El resto de parámetros de HRV, BPV y BRS se usan para diseñar un clasificador que, usando información de los primeros 30 minutos del tratamiento, sea capaz de clasificar pacientes propensos y resistentes a sufrir hipotensión con el objetivo de tener una identificación temprana de los pacientes propensos. El clasificador se entrena usando un método de leave-one-out (debido al limitado tamaño de la base de datos), donde todos los registros pertenecientes a un mismo paciente se dejan fuera del entrenamiento, y el proceso se repite para cada paciente. El proceso de selección de características selecciona y elimina características hasta que encuentra el set óptimo.
Añadiendo información del estado de diabetes de los pacientes, el rendimiento global del clasificador mejora, obteniendo valores de sensibilidad y precisión de Se=97.5% y Acc=92.1%. Ya que la mayoría de los parámetros están relacionados con la HRV, principalmente el ratio LF/HF y la potencia LF normalizada, se propone usar un nuevo clasificador que solo use parámetros de HRV, con la ventaja de no tener que registrar la presión sanguínea. Este nuevo clasificador consigue Se=95% y Acc=90.2%.
La última aplicación es la propuesta de los parámetros de HRV como marcadores de la integridad del SNA en pacientes críticos en la UCI como un estudio exploratorio. Los pacientes críticos presentan alteraciones en el SNA que pueden perdurar incluso después del alta, y en particular se ha observado que cada vez hay más casos de problemas neurocognitivos. Se ha sugerido una rehabilitación cognitiva para este tipo de pacientes para mejorar el déficit cognitivo, y se proponen los parámetros de HRV para analizar la respuesta a esta rehabilitación y su efectividad para mejorar la integridad del SNA. Las principales limitaciones en estos pacientes son que toman un gran número de medicación que altera la actividad del SNA, que algunos pacientes están mecánicamente ventilados, otros sufren delirio (que no está claro si está causado por una deficiencia autonómica), y en general forman un grupo muy heterogéneo de pacientes. Al análisis de la HRV se le añade la información respiratoria, y para tratar con el patrón tan irregular de la respiración en algunos pacientes, la banda espectral relacionada con la componente HF se adapta en consecuencia para cada paciente. Comparando con los valores de base, 7 pacientes mostraron un incremento en la potencia de HF después de la sesión, sugiriendo un aumento en la actividad parasimpática, mientras que 5 pacientes mostraron un descenso en la potencia de LF normalizada, lo que sugiere un descenso en la actividad simpática. Estos resultados deben interpretarse con especial cuidado debido a las características de los pacientes, que ya tienen alterado el SNA por las enfermedades o la medicación. Se está registrando una mayor base de datos en este momento con la intención de seguir explorando la capacidad de los parámetros de HRV como marcadores de la integridad del SNA en pacientes críticos.
L. McCorry, “Physiology of the autonomic nervous system," Am J Pharm Educ, vol. 71(4), p. 78, 2007.
A. E. Draghici and J. A. Taylor, “The physiological basis and measurement of heart rate variability in humans," J Physiol Anthropol, vol. 35(22), 2016.
K. Hottenrott, O. Hoos, and H. Esperer, “Heart rate variability and physical exercise. Current status," Herz, vol. 31(6), pp. 544-552, 2006.
R. Bailón, P. Serrano, and P. Laguna, “Influence of time-varying mean heart rate in coronary artery disease diagnostic performance of heart rate variability indices from exercise stress testing," J Electrocardiol, vol. 44, pp. 445-452, 2011.
[10] R. Bailón, N. Garatachea, I. de la Iglesia, JA. Casajús, and P. Laguna, “Influence of running stride frequency in heart rate variability analysis during treadmill exercise testing," IEEE Trans Biomed Eng, vol. 60(7), pp. 1796-1805, 2013.
K. Solem, B. Olde, and L. Sörnmo, “Prediction of intradialytic hypotension using photoplethysmography," IEEE Trans Biomed Eng, vol. 57, pp. 1611-1619, 2010.
L. Sörnmo, F. Sandberg, E. Gil, and K. Solem, “Noninvasive techniques for prevention of intradialytic hypotension," IEEE Rev Biomed Eng, vol. 5, pp. 45-59, 2012.
M. Orini, R. Bailón, P. Laguna, L. Mainardi, and R. Barbieri, “A multivariate time-frequency method to characterize the influence of respiration over heart period and arterial pressure,"EURASIP Journal on Advances in Signal Processing, p. 214, 2012.
R. Bailón, L. Sörnmo, and P. Laguna, “ECG-derived respiratory frequency estimation," in Advanced methods and tools for ECG data analysis (G. Clifford, F. Azuaje, and P. E. McSharry, eds.), ch. 8, Artech House, 2006 L. Mainardi, “On the quantification of heart rate variability spectral parameters using time-frequency and time-varying methods," Philosophical Transactions of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, vol. 367(1887), pp. 255-275, 2009.
R. Bailón, L. Mainardi, M. Orini, L. Sörnmo, and P. Laguna, “Analysis of heart rate variability during exercise stress testing using respiratory information," Biomedical Signal Processing and Control, vol. 5, pp. 299-310, 2010 G. Blain, O. Meste, A. Blain, and S. Bermon, “Time-frequency analysis of heart rate variability reveals cardiolocomotor coupling during dynamic cycling exercise in humans,"Amer. J. Physiol. Heart Circ. Physiol, vol. 296, pp. 1651-1659, 2009.
A. Dumont, A. Hernández, and G. Carrault, “Improving ECG beats delineation with an evolutionary optimization process," IEEE Trans Biomed Eng, vol. 57, no. 3, pp. 607-615, 2010.
D. Giles, N. Draper, and W. Neil, “Validity of the Polar V800 heart rate monitor to measure RR intervals at rest,"Eur J Appl Physiol, vol. 116, pp. 563-571, 2016.
T. Nieminen, R. Lehtinen, J. Viik, T. Lehtimäki, K. Niemelä, K. Nikus, M. Niemi, J. Kallio, T. Kööbi, V. Turjanmaa, and M. Kähönen, “The finnish cardiovascular study (FINCAVAS): characterising patients with high risk of cardiovascular morbidity and mortality," BMC Cardiovasc Disord, vol. 6, p. 9, 2006.
L. Wieske, D. R. Chan Pin Yin, and et al., “Autonomic dysfunction in ICU acquired weakness: a prospective observational pilot study," Intensive Care Med, vol. 39, no. 9, pp. 1610-1617, 2013.
J. F. Thayer, S. S. Yamamoto, and et al., “The relationship of autonomic imbalance, heart rate variability and cardiovascular disease risk factors," Int J Cardiol, vol. 141, no. 2, pp. 122-131, 2010.
