Ceasurile inteligente vor putea detecta în curând insuficiența cardiacă congestivă

Insuficiența cardiacă congestivă este una dintre principalele cauze de mortalitate la nivel mondial, iar diagnosticarea și monitorizarea eficientă reprezintă o provocare majoră. Studiul de față propune o metodă avansată de analiză a intervalelor RR (bătăi succesive) din ECG-uri de lungă durată, cu scopul de a îmbunătăți identificarea insuficienței cardiace congestive și de a o diferenția de aritmia fibrilație atrială și de subiecții sănătoși.
Creșterea prevalenței insuficienței cardiace (se estimează că peste 26 de milioane de persoane sunt afectate global) și a costurilor asociate investigațiilor de tip ecocardiografie subliniază necesitatea unor metode neinvazive și rentabile pentru screening și diagnostic. În prezent, variabilitatea ritmului cardiac (HRV) bazată pe intervalele RR este ușor de măsurat prin dispozitive electronice portabile (de exemplu, ceasuri inteligente), dar metodele standard de analiză HRV nu oferă întotdeauna o acuratețe suficientă pentru diagnostic.  

Potrivit unei echipe de fizicieni de la Universitatea Tampere, un indicator promițător îl constituie analiza fluctuațiilor de tendințe (detrended fluctuation analysis - DFA), deja folosit cu succes în studiul tulburărilor cardiace și extins recent la DFA dinamic (DDFA), care pune accent pe variația în timp și în funcție de frecvența cardiacă a exponenților de scalare. Acest tip de analiză poate scoate în evidență tipare subtile ale ritmului cardiac, utile pentru separarea diferitelor condiții patologice.

Penttru studiu s-au folosit mai multe seturi de date din platformele PhysioNet și THEW, totalizând 530 de subiecți:

• 147 diagnosticați cu insuficiență cardiacă congestivă (ICC),
• 109 cu episoade de fibrilație atrială (FA),
• 274 indivizi sănătoși, fără boli cardiovasculare cunoscute.

Înregistrările ECG au avut o durată de aproximativ 24 de ore (cu excepția unor cazuri de 10 ore), fiind colectate intervalele RR. Din motive de calitate a datelor și excluderi (de ex. pacienți cu FA+ICC), au rămas 530 de înregistrări valide pentru analiză.

Preprocesare și metode de analiză

1. Filtrare intervale RR: au fost eliminate valori anormale (outliers) printr-un filtru median cu fereastră de 31 bătăi și un prag de 200 ms pentru diferența dintre intervale succesive.  
2. DFA și DDFA:

• DFA clasic calculează exponenții de scalare α1 (scări mici, 4-16) și α2 (scări mai mari, 16-64), evidențiind corelațiile pe termen scurt și, respectiv, lung.  
• DDFA (DFA dinamic) extinde metoda prin analiză dinamică, obținând α(t, s) și α(HR, s): se studiază modul cum variază exponenții de scalare în timp și în funcție de frecvența cardiacă.
• Pentru a spori sensibilitatea, s-a folosit detrending de ordinul 2 (DFA-2), care îndepărtează cu mai multă acuratețe tendințele din semnal.

3. Clasificare:  

• S-a folosit un model de tip XGBoost cu reducere dimensională prin PCA.  
• S-au comparat performanțele metodelor DFA (clasic) și DDFA (dinamic) în clasificări binare (ICC vs. sănătos, FA vs. sănătos, etc.) și în clasificarea multiclasă (ICC, FA, sănătos).  
• Testarea s-a făcut prin validare încrucișată imbricată, utilizând 10 fold-uri și împărțire 50% pentru antrenare și 50% pentru test, pentru a măsura robustitudinea modelelor.

Rezultate

Performanța DFA clasic (DFA-1 și DFA-2)

• Exponenții α1 (scări mici): valorile sunt semnificativ mai mici la pacienții cu ICC și FA față de subiecții sănătoși. De exemplu, în regresie logistică pentru DFA-2, α1 a rămas un predictor negativ puternic pentru ICC (p < 0,001).  
• Exponenții α2 (scări mai mari): deși semnificativi statistic, nu au diferențiat la fel de clar condițiile.  

În clasificarea binară, utilizând numai DFA:

• Pentru ICC vs. sănătos s-a obținut ~73% sensibilitate și ~80% specificitate.  
• Pentru FA vs. sănătos, sensibilitate de ~85% și specificitate de ~90%.  
• Pentru ICC vs. FA, rezultatele au fost mai slabe, cele două afecțiuni fiind deseori confundate.  
• Multiclasă (ICC, FA și sănătos): acuratețea echilibrată ~66%.  

Performanța DDFA (analiza dinamică)

Prin reprezentările α(t, s) și α(HR, s), s-a evidențiat un comportament distinct al subiecților cu ICC și FA față de sănătoși.  

• În cazul ICC, se observă un decalaj al zonei cu exponenți α mari către scări mai mari și valori mai reduse la frecvențele cardiace mici.
• În cazul FA, episoadele de aritmie duc la α scăzute pe un domeniu larg de scări și HR.

Clasificare binară cu DDFA:

• ICC vs. sănătos: 85% sensibilitate, 94% specificitate (o creștere de 12-14% față de DFA clasic).
• FA vs. sănătos: acuratețile s-au menținut ridicate și s-a îmbunătățit ușor specificitatea.

Clasificare multiclasă (ICC, FA, sănătos):

• Acuratețea echilibrată a crescut de la ~66% (DFA simplu) la ~82% cu DDFA.
• Rata de recunoaștere corectă a cazurilor de ICC a urcat de la 52% la 78%.
• Cea mai mare confuzie rămâne între FA și ICC, însă este substanțial redusă față de DFA.

Analiza subgrupurilor

• NYHA I-II vs. NYHA III-IV (insuficiență cardiacă ușoară vs. severă): ambele categorii diferă clar de sănătoși prin α reduse.
• Episoade FA rare vs. dominante: chiar și când FA apare <20% din timp, DDFA evidențiază valori anormale față de sănătoși.

Relevanță și aplicații viitoare

• DDFA poate fi integrat în dispozitive portabile (smartwatch, senzori HR) pentru monitorizarea la domiciliu și detectarea timpurie a ICC și FA.  
• Spre deosebire de metodele convenționale, DDFA oferă o imagine multidimensională (scală, timp, ritm cardiac), sporind considerabil șansele de diagnostic diferențiat.  
• Studiul subliniază importanța validării pe seturi mari și diverse de pacienți, precum și includerea altor posibili factori de risc (medicație, comorbidități).

În concluzie, DFA dinamic oferă îmbunătățiri notabile în detectarea insuficienței cardiace față de metoda DFA simplă, în special în clasificarea multiclasă (ICC, FA și sănătos), evidențiind potențialul unei analize mai detaliate a intervalelor RR pentru diagnosticul precoce și diferențierea afecțiunilor cardiace.