Rodríguez VJO, Prieto BSE, Correa HSC, Soracipa MMY, Oliveros RH

Idioma: Español
Referencias bibliográficas: 42
Paginas: 1-15
Archivo PDF: 164.47 Kb.

RESUMEN

Introducción: desde los sistemas dinámicos se desarrolló un diagnóstico de la dinámica cardiaca de aplicación clínica en 16 horas, de utilidad en pacientes de Unidad de Cuidados Intensivos.
Objetivos: confirmar la capacidad diagnóstica de la nueva metodología de evaluación de la dinámica cardiaca en 16 horas y determinar la evolución de la presión arterial y venosa de oxígeno y dióxido de carbono.
Métodos: se tomaron 50 dinámicas, 10 normales y 40 con patologías agudas, tomando la frecuencia cardiaca mínima y máxima, y número de latidos cada hora. Se construyeron atractores y se evaluaron los espacios de ocupación y la dimensión fractal en 21 y 16 horas, comparando ambos diagnósticos físico-matemáticos entre sí. Posteriormente se realizó una confirmación del diagnóstico establecido en 16 horas mediante un estudio ciego de comparación con el diagnóstico convencional. Adicionalmente se tomaron los valores de la presión arterial y venosa de oxígeno y dióxido de carbono de 7 pacientes de Unidad de Cuidados Intensivos y se construyeron atractores caóticos, evaluando los valores mínimos y máximos del atractor en el mapa de retardo.
Resultados: se confirmó la capacidad diagnóstica de la metodología en 16 horas para la dinámica cardiaca, con sensibilidad y especificidad de 100 % y coeficiente kappa de 1 respecto al diagnóstico convencional; los valores mínimos y máximos de los atractores de la presión arterial y venosa de oxígeno y dióxido de carbono se encontraron entre 29,60 y 194,40; 24,20 y 56,10; 16,40 y 65,60 y 21,40 y 97,90 respectivamente.
Conclusiones: se confirmaron predicciones diagnósticas en 16 horas diferenciando normalidad, enfermedad crónica y enfermedad aguda, útiles para el seguimiento clínico en pacientes de Unidad de Cuidados Intensivos. Las variables se comportaron caóticamente; estos resultados podrían fundamentar aplicaciones clínicas y predicciones de mortalidad.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Devaney R. A first course in chaotic dynamical systems theory and experiments. Reading Mass: Addison- Wesley; 1992.

2. Mandelbrot B. Introducción. En: Los Objetos Fractales. Barcelona: Tusquets Eds. S.A; 2000. p. 13-26.

3. Peitgen H, Jurgens H, Saupe D. Strange attractors, the locus of chaos. In: Chaos and Fractals: New Frontiers of Science. New York: Springer-Verlag; 1992. p. 655-768.

4. Jimenez L, Montero FJ. Medicina de urgencias y emergencias: guía diagnóstica y protocolos de actuación. 3ª Ed, Madrid: Elsevier; 2006

5. Gómez D, Fernández G, Gutiérrez Á, Daza L, Fernández C, Manrique N, et al. Cálculo de los contenidos arterial y venoso de oxígeno, de la diferencia arteriovenosa de oxígeno, tasa de extracción tisular de oxígeno y shunt intrapulmonar con unas nuevas fórmulas, basadas en la saturación de oxígeno. Revista facultad de medicina. 2000;48(2):67-76.

6. Perkins G, McAuley D, Giles S, Routledge H, Gao F. Do changes in pulse oximeter oxygen saturation predict equivalent changes in arterial oxygen saturation? Crit Care. 2003;7(4):R67-R71.

7. Figueredo OL, González S. Morbimortalidad en la Unidad de Cuidados Intensivos. Rev Electrónica Portales Médicos; 2010. p. 1-22.

8. Feynman RP, Leighton RB, Sands M. Leyes de la Termodinámica. En: Física. Vol. 1. Primera edición Wilmington: Addison-Wesley Iberoamericana, S. A; 1998. p. 44-9.

9. Feynman R. Comportamiento cuántico. En: Feynman RP, Leighton RB, Sands M. Física. Vol. 1. Wilmington: Addison-Wesley Iberoamericana, S. A; 1964.

10. Rañada A. Introducción. En Orden y Caos. Scientific American. Barcelona: Prensa Cientifica S.A.; 1990. p. 4-8.

11. Rodríguez J, Correa C, Melo M, Domínguez, D, Prieto S, Cardona DM, et al. Chaotic cardiac law: Developing predictions of clinical application. J Med Med Sci 2013;4(2):79-84.

12. Rodríguez J, Prieto S, Mendoza F, Velásquez N. Physical mathematical evaluation of the cardiac dynamic applying the Zipf - Mandelbrot law. Journal of Modern Physics. 2015;6:1881-8.

13. Rodríguez J, Prieto S, Domínguez D, Melo M, Mendoza F, Correa C, et al. Mathematical-physical prediction of cardiac dynamics using the proportional entropy of dynamic systems. J Med Med Sci. 2013;4(8):370-81.

14. Rodríguez J, Prieto S, Correa C, Soracipa Y, Aguirre G, Méndez L, et al. Proportional entropy applied to the clinical diagnostic of cardiac dynamic: blind study with 600 holter. The 61st Annual Conference of the Israel Heart Society in association with The Israel Society of Cardiothoracic Surgery. Tel Aviv, Israel; 2014.

15. Rodríguez J. Proportional Entropy of the cardiac dynamics in CCU patients. 7th International Meeting Intensive Cardiac Care. Israel Heart Society, European Society of Cardiology, EBAC. Tel Aviv, Israel; 2011.

16. Rodríguez J, Prieto S, Avilán N, Correa C, Bernal P, Ortiz L, et al. Nueva metodología física y matemática de evaluación del Holter. Rev Colomb Cardiol. 2008;15:50-4.

17. Rodríguez J, Prieto S, Bernal P, Soracipa Y, Salazar G, Isaza D, et al. Nueva metodología de ayuda diagnóstica de la dinámica geométrica cardiaca dinámica cardiaca caótica del holter. Rev Acad Colomb Cienc. 2011;35(134):5-12.

18. Rodríguez J. Mathematics physical assessment of cardiac dynamics based on theory of probability and proportions of entropy in the intensive care unit for patients with arrhythmia. International Conference on Medical Physics. Birmingham, UK; 2015.

19. Rodríguez J, Prieto S, Correa C, Oliveros H, Soracipa Y, Velasco A, et al. Diagnóstico de la dinámica cardiaca durante 16 horas desde los sistemas dinámicos aplicable en UCI. En evaluación para publicación.

20. Perkiomaki J, Mäkikallio T, Huikuri H. Fractal and complexity measures of heart rate variability. En: Clinical and Experimental Hypertension. 2005;27(2-3):149-58.

21. Gallo J, Farbiarz J, Alvarez D. Análisis espectral de la variabilidad de la frecuencia cardiaca. Iatreia. 1999;12(2):61-71.

22. Guillen P, Vallverdú M, Rojas R, Jugo D, Carrasco H, Caminal P, et al. Dinámica no lineal para caracterizar la dinámica la variabilidad del ritmo cardíaco en pacientes chagásticos. Memorias II Congreso Lationoamericano de Ingenieria Biomedica. Habana, Cuba. 2001 [citado 17 de diciembre de 2015]. Disponible desde internet en: http://www.saber.ula.ve/bitstream/123456789/15820/1/dinamica_nolineal.pdf

23. Goldberger AL, Amaral L, Hausdorff JM, Ivanov PC, Peng CK, Stanley HE, et al. Fractal dynamics in physiology: alterations with disease and aging. Proc Natl Acad Sci U S A. 2002;99(1):2466-72.

24. Huikuri HV, Mäkikallio TH, Peng Ch, Goldberger AL, Hintze U, Moller M, et al. Fractal correlation properties of R-R interval dynamics and mortality in patients with depressed left ventricular function after an acute myocardial infartion. Circulation 2000;101:47-53.

25. Voss A, Schulz S, Schroeder R, Baumert M, Caminal P. Methods derived from nonlinear dynamics for analysing heart rate variability. Philosophical Transactions of Royal Society A. 2009;367(1887):277-96.

26. Juha S, PerkiöMä Ki, Timo H, Mäkikallio, Huikuri H. Fractal and complexity measures of heart rate variability. Clin Exp Hypertens 2005;2-3:149-58.

27. Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: a severity of disease classification system. Crit Care Med. 1985t;13(10):818-29.

28. Hosseini M, Ramazani J. Comparison of acute physiology and chronic health evaluation II and Glasgow Coma Score in predicting the outcomes of Post Anesthesia Care Unit's patients. Saudi J Anaesth. 2015;9(2):136-41.

29. Naved SA. Análisis APACHE II de una población de unidades de cuidados intensivos quirúrgicos en un hospital de atención terciaria en Karachi. Journal of the College of Physicians and Surgeons Pakistan. 2011;21(1):4-8.

30. Reich DL. Monitoring in Anesthesia and Perioperative Care. Cambridge: University Press; 2011.

31. Hsieh Y, Su M, Wang C. Wang, P. Prediction of survival of ICU patients using computational intelligence. Comput Biol Med. 2014;47:13-9.

32. Cismondi F, Celi LA, Fialho AS, Vieira SM, Reti SR, Sousa JM, et al. Reducing unnecessary lab testing in the ICU with artificial intelligence. International Journal of Medical Informatics. 2015;8:345-58.

33. Kajimoto K, Sato N, Takano T. Association of age and baseline systolic blood pressure with outcomes in patients hospitalized for acute heart failure syndromes. 2015;191:100-6.

34. Esteve F. Evaluation of the PaO2/FiO2 ratio after cardiac surgery as a predictor of outcome during hospital stay. BMC Anesthesiology. 2014;14:83.

35. Rodríguez J, Prieto S, Flórez M, Alarcón C, López R, Aguirre G, et al. Physicalmathematical diagnosis of cardiac dynamic on neonatal sepsis: predictions of clinical application. J Med Med Sci. 2014;5(5):102-8.

36. Rodríguez J. Nuevo diagnóstico físico y matemático de la monitoria fetal: predicción de aplicación clínica. Momento Revista de Física. 2012;44:49-65.

37. Rodríguez J. Método para la predicción de la dinámica temporal de la malaria en los municipios de Colombia. Rev Panam Salud Pública. 2010;27(3):211-8.

38. Rodríguez J, Prieto S, Correa C, Pérez C, Mora J, Bravo J, et al. Predictions of CD4 lymphocytes' count in HIV patients from complete blood count. BMC Medical Physics. 2013;13:3.

39. Prieto S, Rodríguez J, Correa C, Soracipa Y. Diagnosis of cervical cells based on fractal and Euclidian geometrical measurements: Intrinsic Geometric Cellular Organization. BMC Medical Physics. 2014;14(2):1-9.

40. Velásquez J, Prieto S, Correa C, Domínguez D, Cardona D, Melo M, et al. Geometrical nuclear diagnosis and total paths of cervical cell evolution from normality to cancer. J Cancer Res Ther. 2015;11(1):98-104.

41. Correa C, Rodríguez J, Prieto S, Álvarez L, Ospino B, Munévar A, et al. Geometric diagnosis of erythrocyte morphophysiology. J Med Med Sci. 2012;3(11):715-20.

42. Rodríguez J, Prieto S, Correa C, Bernal P, Puerta G, Vitery S, et al. Theoretical generalization of normal and sick coronary arteries with fractal dimensions and the arterial intrinsic mathematical harmony. BMC Med Phys. 2010;10:1-6.