2014;21(4):215---223
Revista Colombiana de
Cardiologa
www.elsevier.es/revcolcar
a
Medicina Interna, Candidatura a Maestra en Ingeniera de Sistemas y Computacin, Pontificia Universidad Javeriana. Medicina
Interna, Fundacin Universitaria de Ciencias de la Salud-Hospital de San Jos, Bogot, DC, Colombia
b
Medicina Interna, Epidemiologa. Maestra en Fisiologa. Medicina Interna, Fundacin Universitaria de Ciencias de la
Salud-Hospital de San Jos. Departamento de Ciencias Fisiolgicas, Universidad Nacional de Colombia, Bogot, DC, Colombia
c
Ingeniera de Sistemas. Candidatura a Maestra en Ingeniera de Sistemas y Computacin, Pontificia Universidad Javeriana,
Bogot, DC, Colombia
d
Ingeniera elctrica. Maestra en Ingeniera Elctrica, Universidad de los Andes, DEA Robotique Universit de Paris VI (Pierre
et Marie Curie), Doctorat en Informatique Universit dEvry Val dEssonne, Postdoctorado Universit dEvry Val dEssonne.
Maestra en Ingeniera de Sistemas y Computacin, Pontificia Universidad Javeriana, Bogot, DC, Colombia
http://dx.doi.org/10.1016/j.rccar.2013.10.001
0120-5633/ 2013 Sociedad Colombiana de Cardiologa y Ciruga Cardiovascular. Publicado por Elsevier Espaa, S.L.U. Todos los derechos
reservados.
216 J.J. Sprockel et al
Conclusiones: Con los resultados encontrados para las redes neuronales en la literatura y en
este estudio se puede considerar el uso de esta estrategia de inteligencia computacional en la
prctica.
2013 Sociedad Colombiana de Cardiologa y Ciruga Cardiovascular. Publicado por Elsevier
Espaa, S.L.U. Todos los derechos reservados.
J.J. Sprockel et al
18 3 0,30 98,40 3,58 60,00 6,39 71,20 3,76 97,54 5,49 79,20 4,03
18 4 0,30 100,00 0,00 60,41 6,23 70,28 5,01 100,00 0,00 79,52 3,61
18 6 0,30 98,40 2,19 57,14 14,29 70,20 7,34 96,98 4,19 77,77 7,70
18 10 0,30 100,00 0,00 54,28 6,39 68,73 2,84 100,00 0,00 77,14 3,19
VPP: valor predictivo positivo; VPN: valor predictivo negativo.
Redes neuronales en el diagnstico del infarto agudo de miocardio
Tabla 2 Redes neuronales en el diagnstico de infarto
Autor, a
no Estrategia Pacientes Resultados Comentarios
9,a
Baxt, 1991 ANN para diagnstico de infarto. 356 pacientes Sensibilidad: 97,2% Comprueban la utilidad de
Veinte entradas, 2 capas ocultas de (178 entrenamientos y Especificidad: 96,2% una ANN previamente creada
10 neuronas 178 pruebas), retrospectivo (sensibilidad: 92% y y la comparan con el
Evaluacin prospectiva especificidad: 96% en las concepto de los mdicos
en 331 pacientes. pruebas)
Baxt, 199610,a ANN para diagnstico de infarto. 1.071 pacientes de Sensibilidad: 96% Unicntrico
Veinte entradas, 2 capas ocultas urgencias por dolor torcico Especificidad: 96%
de 10 neuronas (la misma) con sospecha de IAM
Ellenius, 199711,b ANN tipo SLP con algoritmo BP, 88 pacientes Sensibilidad:100% Se tuvieron en cuenta
para diagnstico (50 entrenamientos y 38 Especificidad: 93% diferentes arquitecturas
de infarto. Usaron fuzzificacin para pruebas) pertenecientes VPP: 85% de las ANN
medir el tamano al estudio BIOMACS VPN: 100% Favoreci a los mdicos, pero
del infarto en diagnstico fue ms
temprano
Hedn, 199712,a ANN tipo MLP usando la variacin de 1.120 ECG de pacientes en La ANN mostr mayor Comparado con los
Langevin de BP, para diagnstico de unidad de dolor torcico sensibilidad que la de los cardiolgicos
infarto con base en el ECG 10.452 ECG de control criterios basados en reglas
Capa de entrada 72, y una capa oculta convencionales y que los
de 15 neuronas cardiolgicos
Especificidad: 95,2%
Ohno-Machado, 199813,b Se construyeron 700 pacientes para La remocin de datos no afecta Evalu la remocin de las
100 ANN con 100 diferentes grupos de entrenamiento, 553 el rendimiento de la ANN hasta observaciones redundantes
entrenamiento removiendo datos pacientes con pruebas con un umbral del 40% para la reduccin del tiempo
progresivamente y se compararon con la sospecha de infarto y de entrenamiento
que tenan todos los datos. Todas con 40 500 pacientes para
entradas, 30 en capa oculta y una salida validacin
Chzaro, 199814,b ANN usando BP, para diagnstico de 563 pacientes Sensibilidad: 85% Compar con RL y los
infarto. 95 variables, una capa oculta y 2 (422 entrenamiento y Especificidad: 91% mdicos de urgencias
salidas; se eligi la mejor configuracin 141 pruebas). 104 con datos (ANN de 20 nodos)
entre 5 y 20 nodos ocultos faltantes. 53 con infarto (Md: 87 y 78% y RL: 81 y 86%)
y 369 sin infarto
Ellenius, 2000a15,a ANN de mltiples tipos (9 en total), Pacientes con sospecha de Sensibilidad: 77-95% Evalu el desempe no de
centrados en mioglobina, troponina infarto y ECG no conclusivo Especificidad: 88-96% diferentes estructuras de ANN
y tiempo de los sntomas Los mejores fueron tres: MSLP
y FSLP
Ellenius, 2000b16,a ANN tipo MSLP para diagnstico de Pacientes de los estudios Inici en la poblacin A: Evalu la posibilidad de
infarto, anlisis de Monte Carlo para IMACS y FAST, 167 en total Sensibilidad: 93% trasferir los resultados
verificar la evolucin respecto a los con SCA y 790 sin SCA Especificidad: 92% obtenidos en un grupo de
biomarcadores (series de tiempo) Encuentran una funcin de pacientes a otro distinto
correccin para ajustar los
resultados a otra institucin
219
220
Tabla 2 (continuacin)
Autor, a
no Estrategia Pacientes Resultados Comentarios
17.a
Baxt, 2002 ANN feed-forward usando BP, Entrenamiento: Sensibilidad: 94,5% Comparado vs. regresin
para diagnstico de infarto, tcnica 50 pacientes con IAM, 1.000 Especificidad: 95,9% logstica
de varianza de Jackknife sin IAM (RL: 77,3 y 75%) La ANN funciona bien pese
Pruebas: 28 pacientes con a un 5% de datos perdidos
IAM, 200 sin IAM Estudio de costos
2.204 pacientes evaluacin
prospectiva
Hollander, 200418,a Dos ANN para diagnstico de infarto Antes: 4.492 pacientes IAM: No evalu el rendimiento
y de SCA, con 40 variables Despus: 432 pacientes Sensibilidad: 95% de la ANN
Especificidad: 96% Uso en tiempo real
SCA: De antes y despus
Sensibilidad: 88% Evalu la apreciacin de los
Especificidad: 88%) mdicos
No afect la decisin del ingreso
de pacientes
Harrison, 200519,b ANN para diagnstico de infarto, usando Entrenamiento: 1.253 Sensibilidad: 93% Participaron 3 hospitales
13 variables (fue la mejor entre 8, 13, pacientes (hospital 1). Especificidad: 93% No incorporaron
20 y 40 variables evaluadas). No la Pruebas 1.904 pacientes VPP: 88% biomarcadores
describen muy bien (de otros 2 hospitales) VPN: 96% Datos ingresados
por enfermeras
Bigi, 200520,a ANN para pronstico del infarto no 496 pacientes en Precisin: 70% Compar con clasificadores
complicado. Multicapa feedforward recuperacin de un infarto Sensibilidad: 38% bayesianos
con BP. 5-40 neuronas, MACE a 200 das Especificidad: 83%
Bulgiba, 200621,b 200 ANN tipo MLP probaron 2, 4, 8, 16, 710 pacientes La mejor ANN tuvo un rea bajo Comparado con regresin
32 y 64 neuronas en la capa oculta, con la curva ROC de 0,79 con 9 logstica
modelos de 9, 11, 23, 64 y 94 entradas. entradas, igual que la regresin
Dos algoritmos: gradiente descendente logstica con 64 variables
y Fletcher-Reeves
Eggers, 200722,a Tres ANN: 2 para diagnstico: un MLP 310 pacientes con dolor Sensibilidad: 86, 96, 94% Busc aumentar la velocidad
con 2 capas ocultas y un SLP, y una torcico Especificidad: 86, 94, 89% del diagnstico del IAM
para medir el tamano del infarto: SLP VPP: 85, 92, 85% en 3 centros diferentes
VPN: 100, 99, 100%
Al-Naima, 200823,b ANN supervisada con algoritmo BP con 43 ECG de pacientes sanos y FT-ANN: Compar 2 sistemas de
2 capas ocultas, para la interpretacin con infarto precisin: 85%, sensibilidad: 80% procesamiento de se
nales: TF
de ondas del ECG en diagnstico de WT-ANN: precisin: 90%, y WT
J.J. Sprockel et al
infarto sensibilidad: 90%
ANN: red neuronal artificial; BP: back propagation; CV: cardiovascular; ECG: electrocardiograma; IAM: infarto agudo de miocardio; MACE: eventos cardiovasculares mayores; MLP:
perceptrn de mltiples capas; MSLP: mltiples perceptrones de una sola capa; RL: regresin logstica; SLP: perceptrn de una sola capa; TF: trasformada de Fourier; VPN: valor predictivo
negativo; VPP: valor predictivo positivo; WT: trasformada de ondas discretas.
a Procedente de revista de Medicina.
b Procedente de revista de Ingeniera.
Redes neuronales en el diagnstico del infarto agudo de miocardio 221
Precisin
75,00 75
70,00 70
65,00 65
60,00 60
55,00 55
50,00 50
1 2 3 4 5 1 2 3 4 5
95,00 95,00
90,00 90,00
85,00 85,00
80,00 80,00
1 2 3 4 5 1 2 3 4 5
100,00 100,00
80,00 80,00
60,00 60,00
40,00 40,00
20,00 20,00
0,00 0,00
1 2 3 4 5 1 2 3 4 5
80,00 80,00
60,00 60,00
40,00 40,00
20,00 20,00
0,00 0,00
1 2 3 4 5 1 2 3 4 5
100 100
80 80
60 60
40 40
20 20
0 0
1 2 3 4 5 1 2 3 4 5
Figura 2 Desempe no de las redes neuronales disenadas de acuerdo con el nmero de entradas consideradas y el nmero de
neuronas en la capa oculta.
VPP: valor predictivo positivo; VPN: valor predictivo negativo.
*En las abscisas se plasman el nmero de neuronas en la capa oculta as: 1) dos, 2) tres, 3) cuatro, 4) seis, y 5) diez neuronas.
222 J.J. Sprockel et al
frecuente que se encuentren alteraciones inespecficas del entre los ejemplos se encuentren los casos ms representa-
segmento ST y de la onda T, que dificultan la toma de decisio- tivos de la entidad por evaluar.
nes en este contexto. Algunos reportes indican que pueden
diagnosticarse errneamente solo con base en el ECG hasta Conclusiones
en el 12% de los casos26 .
La adicin de troponina a los hallazgos electrocardiogr- Es viable entrenar una red neuronal a partir de los par-
ficos incrementa la sensibilidad diagnstica del infarto hasta metros de la escala de clasificacin de probabilidad de
en el 90%25 ; las redes neuronales entrenadas con estos cri- Braunwald para el diagnstico del IAM, con un desempeno tal
terios demostraron rendimientos superiores. La adicin de que podra llegar a servir para el apoyo de la toma de deci-
criterios clnicos basados en edad, gnero, historia del dolor siones de los mdicos de urgencias que atienden pacientes
y antecedentes no mejoraron la sensibilidad ni la especifi- que consultan por dolor torcico.
cidad, si bien se encontr ganancia en el valor predictivo
negativo.
Los resultados muestran que las variables de la escala de
Conflicto de intereses
probabilidad de Braunwald para el diagnstico del infarto
tienen un rendimiento adecuado para la clasificacin diag- Los autores declaran no tener ningn conflicto de intereses.
nstica al utilizarse como valores de entrada de una red
neuronal. Tras un amplio nmero de experimentos realizados Agradecimientos
se alcanz una topologa apropiada creando una red neu-
ronal con una excelente precisin diagnstica del infarto. A las doctoras Mara Teresa Fontalvo y Carolina Araque por
Estos resultados deben confirmarse mediante un ensayo su ayuda en la fase de recoleccin de la informacin.
clnico, preferiblemente multicntrico, que efecte la vali-
dacin cruzada de esta herramienta y d pistas a cerca Bibliografa
de su comportamiento en el momento de la valoracin del
paciente en urgencias. Es conveniente tener en cuenta que 1. Erhardt L, Herlitz J, Bossaert L, Halinen M, Keltai M, Koster R,
la red con mejor rendimiento se encontr en el modelo de et al. Task force on the management of chest pain. Eur Heart
10 neuronas de entrada, que sera la escogida para dicho J. 2002;23:1153---76.
propsito. 2. Kohn LT, Corrigan JM, Donaldson MS, editores. To Err Is Human:
El rendimiento diagnstico de las redes neuronales des- Building a Safer Health System. Committee on Health Care in
arrolladas fue similar al de las redes encontradas en la America. Washington: Institute of Medicine. National Academy
revisin bibliogrfica. El grupo del doctor Baxt ha sido el Press; 1999.
que ms ha evaluado esta tcnica en el diagnstico del 3. Pope JH, Aufderheide TP, Ruthazer R, Woolard RH, Feldman
infarto9,10,17,18 ; de hecho, fueron los primeros en publicar JA, Beshansky JR, et al. Missed diagnoses of acute car-
diac ischemia in the emergency department. N Eng J Med.
sus resultados en 1991: comenzaron con 20 neuronas de
2000;342(16):1163---70.
entrada con 2 capas ocultas cada una de 10 neuronas, hasta 4. Eagle KA, Goodman SG, Avezum A, Budaj A, Sullivan CM,
40 neuronas de entrada en 2004; hasta el momento esta Lpez-Sendn J. Practice variation and missed opportunities
ltima ha sido la nica empleada en tiempo real con un buen for reperfusion in ST-segment-elevation myocardial infarction:
desempe no (sensibilidad y especificidad del 88%). Con la dis- findings from the Global Registry of Acute Coronary Events
minucin del nmero de neuronas de entrada no se alteraba (GRACE). Lancet. 2002;359:373---7.
la precisin diagnstica, como lo demuestran los trabajos 5. Lobach D, Sanders GD, Bright TJ, Wong A, Dhurjati R, Bristow
de Harrison19 y Bulgiba21 . Tampoco hubo diferencias entre E, et al. Enabling Health Care Decision Making Through Clinical
las arquitecturas que tenan una o 2 capas ocultas, hecho Decision Support and Knowledge Management. Evidence Report
conocido ya por los expertos en el tema. No. 203. (Prepared by the Duke Evidence-based Practice Center
under Contract No. 290-2007-10066-I.) AHRQ Publication No.
Pese a la extensa cantidad de estudios que demuestran
12-E001-EF. Rockville, MD: Agency for Healthcare Research and
la capacidad para clasificar de forma acertada los IAM gene- Quality; 2012.
rados durante los ltimos 20 a nos, su uso no se ha extendido 6. Sordo M, Vaidya S, Jain L. An introduction to computational
como se esperaba y, a excepcin de las estrategias para intelligence in healthcare: New directions. En: Advanced com-
la interpretacin de las se nales electrocardiogrficas, exis- putational intelligence paradigms in healthcare - 3. 3rd ed. New
ten muy pocos sistemas de soporte a las decisiones clnicas York, Berlin, Heidelberg: Springer; 2008. p. 1---26.
que estn en uso. Se ha propuesto que por tratarse de una 7. Trujillano J, March J, Sorribas A. Aproximacin metodolgica
caja negra, en la que se carece de una explicacin de cmo al uso de redes neuronales artificiales para la prediccin de
se llega a tomar una decisin27 , los mdicos se resisten a resultados en medicina. Med Clin (Barc). 2004;122 Supl 1:59---67.
seguir sus recomendaciones, independiente de su xito real 8. Cross SS, Harrison RF, Kennedy RL. Introduction to neural net-
works. Lancet. 1995;346:1075---9.
o potencial28 .
9. Baxt WG. Use of an artificial neural network for the diagnosis
Son posibles limitaciones de este trabajo el muestreo of myocardial infarction. Ann Intern Med. 1991;115:843---8.
por conveniencia y la probabilidad de una falta de repre- 10. Baxt WG, Skora J. Prospective validation of artificial neural net-
sentacin de otras entidades que se manifiesten con dolor work trained to identify acute myocardial infarction. Lancet.
torcico, lo que podra implicar un sesgo de seleccin. Se 1996;347:12---5.
requiere la validacin cruzada de los resultados y evaluar 11. Ellenius J, Groth T, Lindahl B, Wallentin L. Early assessment
su funcionamiento en tiempo real. El nmero de ejemplos of patients with suspected acute myocardial infarction by bio-
parece ser adecuado, ya que es posible lograr un entrena- chemical monitoring and neural network analysis. Clin Chem.
miento apropiado de las redes neuronales si se logra que 1997;43:1919---25.
Redes neuronales en el diagnstico del infarto agudo de miocardio 223
12. Hedn B, hlin H, Rittner R, Edenbrandt L. Acute myocardial of acute myocardial infarction and prediction of infarct size in
infarction detected in the 12-Lead ECG by Artificial Neural Net- chest pain patients. Int J Cardiol. 2007;114:366---74.
works. Circulation. 1997;96:1798---802. 23. Al-Naima FM, Ali AH, Mahdi SS. Data acquisition for myocardial
13. Ohno-Machado L, Fraser HS, Ohrn A. Improving machine learning infarction classification based on wavelets and Neural Net-
performance by removing redundant cases in medical data sets. works. IEEE; 2008, p. 1-6 [consultado 9 Feb 2013]. Disponible
Proc AMIA Symp. 1998:523---7. en: http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=
14. Chazaro A, Cravens G, Eberhart R. Myocardial infarction diagno- 4632817&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%
sis by a neural network. IEEE; 1998, p. 1121-1124 [consultado 2Fabs all.jsp%3Farnumber%3D4632817
15 Feb 2013]. Disponible en: http://ieeexplore.ieee.org/xpl/ 24. Braunwald E, Jones RH, Mark DB, Brown J, Brown L, Cheitlin
login.jsp?tp=&arnumber=747068&url=http%3A%2F% MD, et al. Diagnosing and managing unstable angina. Agency for
2Fieeexplore.ieee.org%2Fxpls%2Fabs all.jsp%3Farnumber% Health Care Policy and Research. Circulation. 1994;90:613---22.
3D747068 25. Anderson JL, Adams CD, Antman EM, Bridges CR, Califf RM,
15. Ellenius J, Groth T. Methods for selection of adequate neu- Casey Jr DE, et al. ACC/AHA 2007 guidelines for the mana-
ral network structures with application to early assessment of gement of patients with unstable angina/non-ST-Elevation
chest pain patients by biochemical monitoring. Int J Med Inform. myocardial infarction: A report of the American College of
2000;57:181---202. Cardiology/American Heart Association Task Force on Practice
16. Ellenius J, Groth T. Transferability of neural network-based Guidelines (Writing Committee to Revise the 2002 Guidelines
decision support algorithms for early assessment of chest-pain for the Management of Patients With Unstable Angina/Non-
patients. Int J Med Inform. 2000;60:1---20. ST-Elevation Myocardial Infarction) developed in collaboration
17. Baxt WG, Shofer FS, Sites FD, Hollander JE. A neural computa- with the American College of Emergency Physicians, the Society
tional aid to the diagnosis of acute myocardial infarction. Ann for Cardiovascular Angiography and Interventions, and the
Emerg Med. 2002;39:366---73. Society of Thoracic Surgeons endorsed by the American Asso-
18. Hollander JE, Sease KL, Sparano DM, Sites FD, Shofer FS, ciation of Cardiovascular and Pulmonary Rehabilitation and the
Baxt WG. Effects of neural network feedback to physicians on Society for Academic Emergency Medicine. J Am Coll Cardiol.
admit/discharge decision for emergency department patients 2007;50:e1---157.
with chest pain. Ann Emerg Med. 2004;44:199---205. 26. Antman EM, Anbe DT, Armstrong PW, Bates ER, Green LA, Hand
19. Harrison RF, Kennedy RL. Artificial neural network models for M, et al. ACC/AHA guidelines for the management of patients
prediction of acute coronary syndromes using clinical data with ST-elevation myocardial infarction----executive summary. A
from the time of presentation. Ann Emerg Med. 2005;46: report of the American College of Cardiology/American Heart
431---9. Association Task Force on Practice Guidelines (Writing Com-
20. Bigi R, Gregori D, Cortigiani L, Desideri A, Chiarotto FA, Toffolo mittee to revise the 1999 guidelines for the management of
GM. Artificial neural networks and robust Bayesian classifiers for patients with acute myocardial infarction). J Am Coll Cardiol.
risk stratification following uncomplicated myocardial infarc- 2004;44:671---719.
tion. Int J Cardiol. 2005;101:481---7. 27. Negnevitsky M. Artificial Intelligence: A Guide to Intelligent Sys-
21. Bulgiba AM. Using neural networks and just nine patient- tems. 2nd ed Tasmania, Australia: Pearson Education Limited;
reportable factors of screen for AMI. Health Informatics J. 2005. p. 259---98.
2006;12:213---25. 28. Awais MM, Awan SK. Gastro-intestinal tract inspired computa-
22. Eggers KM, Ellenius J, Dellborg M, Groth T, Oldgren J, Swahn tional model for myocardial infarction diagnosis. Expert Syst
E, et al. Artificial neural network algorithms for early diagnosis Appl. 2011;38:5633---41.