Algoritmo multietapa para la detección de ventilaciones en la impedancia torácica durante la resucitación cardiopulmonar .

  1. X. Jaureguibeitia Lara 1
  2. U. Irusta Zarandona 1
  3. E. Aramendi Ecenarro 1
  4. H.E. Wang 2
  5. A.H. Idris 3
  1. 1 Universidad del País Vasco (UPV/EHU), Bilbao, España
  2. 2 University of Texas Health Science Center, Houston (TX, EEUU)
  3. 3 University of Texas Southwestern Medical Center, Dallas (TX, EEUU)
Libro:
XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas
  1. Roberto Hornero Sánchez (ed. lit.)
  2. Jesús Poza Crespo (ed. lit.)
  3. Carlos Gómez Peña (ed. lit.)
  4. María García Gadañón (ed. lit.)

Editorial: Grupo de Ingeniería Biomédica ; Universidad de Valladolid

ISBN: 978-84-09-25491-0

Año de publicación: 2020

Páginas: 352-355

Congreso: Congreso Anual de la Sociedad Española de Ingeniería Biomédica CASEIB (38. 2020. Valladolid)

Tipo: Aportación congreso

Resumen

La resucitación cardiopulmonar (RCP) es clave en el tratamiento de la parada cardiorrespiratoria extra-hospitalaria (PCREH). La impedancia torácica (IT) adquirida a través de los parches de un desfibrilador permite detectar las ventilaciones para proveer al rescatador de realimentación sobre el manejo de la vía aérea, pero presenta artefactos debidos a las compresiones torácicas. El objetivo de este trabajo fue el desarrollo de un algoritmo para la detección de ventilaciones en la IT durante compresiones concurrentes. Se analizaron un total de 152 episodios de PCREH, y se anotaron 9665 ventilaciones de referencia en el capnograma. El método constó de tres etapas: procesado de señal para la extracción de la componente de ventilación de la IT, incluyendo un bloque de filtrado adaptativo para eliminar el artefacto de compresiones, detección y caracterización de formas de onda de ventilación, y clasificación mediante una máquina de vectores de soporte para discriminar falsos positivos. Los pacientes, uno por episodio, fueron divididos en grupos de entrenamiento (70%) y evaluación (30%). Se utilizaron 100 particiones diferentes a fin de reducir el sesgo. Las métricas de desempeño finales mostraron valores medianos por paciente de 87.6% de sensibilidad y 85.0% de valor predictivo positivo. El algoritmo podría utilizarse para proporcionar realimentación al rescatador en términos de tasa de ventilación y volúmenes de aire insuflado.