Abordagens para detecção de Síndrome Metabólica por meio de sinais de Eletrocardiografia

Abstract

O conjunto de fatores da Síndrome Metabólica (SM), que está associado principalmente à resistência à insulina e à presença da diabetes, provoca alterações fisiológicas que podem ocasionar prejuízos à saúde e qualidade de vida dos portadores. Estudos científicos associam essas alterações ao risco cardiovascular. Esses estudos apontam que parâmetros extraídos dos sinais de Eletrocardiografia (ECG) podem ser associados à presença da SM. Apesar disso, não foram encontrados artigos científicos relacionados à detecção de SM utilizando sinais de ECG. Logo, é relevante investigar elementos relacionados ao sistema cardiovascular que indiquem quadros suspeitos de SM, com o intuito de desenvolver estratégias de detecção da SM de forma objetiva e precoce por meio de sinais de ECG. Sendo assim, em virtude dessa lacuna científica, a proposta deste trabalho consistiu em desenvolver e avaliar ferramentas de detecção de SM utilizando sinais de ECG. Para avaliar com que exatidão e precisão sistemas classificadores permitem detectar a SM a partir dos sinais de ECG, foram adotados os seguintes procedimentos. Inicialmente foram detectados os picos Q, R e S dos sinais de ECG para extrair características temporais dos sinais. Essas características foram utilizadas no treinamento e validação de sistemas classificadores para detecção da SM, utilizando duas técnicas, denominadas Máquinas de Vetores Suporte (SVM, do inglês Support Vector Machine) e RobustBoost. Além disso, foi utilizado o sinal de ECG em uma técnica de aprendizagem profunda denominada Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network). E, por último, foram realizadas análises estatísticas a fim de comparar os resultados obtidos pelos diferentes classificadores. Os resultados de medidas de desempenho dos sistemas classificadores indicaram que é possível classificar um sinal de ECG em duas classes distintas, diferenciando indivíduos com SM dos demais, com valores estatisticamente significativos. Utilizando características extraídas dos sinais de ECG, médias e variâncias das relações e intervalos entre os picos Q, R e S consecutivos e o eixo cardíaco, notou-se que SVM e RobustBoost obtiveram valores de exatidão média de aproximadamente 94% e 89%, respectivamente. Além disso, 12 derivações dos sinais de ECG foram utilizadas para o treinamento da CNN, que obteve acurácia de aproximadamente 98%. Portanto, conclui-se que é possível detectar a SM a partir dos sinais de Eletrocardiografia com resultados estatisticamente significativos, utilizando diferentes abordagens. Logo, um eletrocardiógrafo pode ser utilizado para avaliar um possível diagnóstico de SM.