Dissertação

{pt_PT=Predicting Paroxysmal Atrial Fibrillation in Cardiac Patients} {} EVALUATED

{pt=Doenças cardiovasculares são a principal causa de morte em todo o mundo. A fibrilhação auricular é o tipo de arritmia cardíaca mais comum, afetando milhões de pessoas, e é expectado que anualmente 120,000 a 215,000 novos casos sejam diagnosticados. Como tal, a deteção precoce desta condição é essencial para prevenir consequências agravadas. Neste trabalho, um novo algoritmo para prever Fibrilhação Auricular Paroxística (PAF) é proposto, inspirado por uma abordagem biométrica utilizada para identificação de humanos. O método biométrico consiste em etapas de pré-processamento para segmentar os sinais de eletrocardiograma antes do evento em várias ondas P-QRS-T. Posteriormente, estas ondas são comparadas com um respetivo fragmento P-QRS-T de referência, obtido através de sinais do estado saudável do paciente, e foram extraídas as variáveis. Estas variáveis incluem correlações entre os fragmentos, bem como erros de amplitude e distâncias relativamente a pontos de interesse em cada onda. Numa etapa final, uma combinação de redes neuronais e Support Vector Machine é proposta para prever os episódios de PAF. Seleção de variáveis foi também aplicada aos dados e melhorou os resultados preditivos dos modelos. Nomeadamente, uma precisão, sensibilidade, e especificidade de respetivamente 84.38%, 95.83% e 77.50% foram atingidas, ultrapassando o desempenho dos métodos atualmente documentados. Em geral, o presente trabalho constitui uma nova abordagem perante a modelação preditiva de episódios de PAF, constituindo assim um passo em direção a uma monitorização em tempo real de pacientes e consequente redução das comorbidades associadas a esta prevalente doença., en=Cardiovascular diseases are the leading cause of death around the world. Atrial fibrillation, the most common type of cardiac arrhythmia, affects millions of people worldwide, and it is expected that annually 120,000 to 215,000 new cases will be detected. Early identification of this condition is, therefore, critical to prevent further consequences. However, the existing models to predict this disease do not present desirable performances to be applied in real treatments. In this work, a novel Paroxysmal Atrial Fibrillation (PAF) prediction algorithm is proposed, which is inspired by a biometric system approach for human identification. The biometric method consists of preprocessing steps to segment the electrocardiogram signals before the event into several P-QRS-T waves. These waves are later compared to a respective reference P-QRS-T fragment, obtained from records of the healthy state of the patient, and features such as correlations between the fragments, as well as amplitude and distance ratios regarding interest points of each wave, are extracted. Lastly, a combination of neural network models with a support vector machine classifier is proposed to predict the PAF episodes. Feature selection is also performed and results in an improvement in the predictive results of the models. Namely, a precision, sensitivity, and specificity of respectively 84.38%, 95.83%, and 77.50% are achieved, surpassing the performance of currently documented algorithms. Overall, the present work has provided new insights on predictive modeling of PAF, thus constituting a step towards real-time monitoring of patients and consequent reduction of the comorbidities of this highly prevalent disease.}
{pt=Fibrilhação Auricular Paroxística, Previsão, Redes Neuronais, Support Vector Machines, Selecção de Variáveis., en=Paroxysmal Atrial Fibrillation, Prediction, Neural Networks, Support Vector Machines, Feature Selection.}

Novembro 28, 2019, 11:0

Orientação

ORIENTADOR

Susana Margarida da Silva Vieira

Departamento de Engenharia Mecânica (DEM)

Professor Auxiliar

ORIENTADOR

Cátia Matos Salgado

IDMEC

Bolseira Pós Doc