medigraphic.com
ISSN 1729-519X (Impreso)

2019, Número 4

<< Anterior Siguiente >>

Revista Habanera de Ciencias Médicas 2019; 18 (4)


Aplicabilidad clínica de software diagnóstico de la dinámica cardíaca basado en la Ley de Zipf-Mandelbrot

Rodríguez J, Oliveros D, Correa C, Prieto S

Idioma: Español
Referencias bibliográficas: 30
Paginas: 624-633
Archivo PDF: 601.71 Kb.


RESUMEN

Introducción: La Ley de Zipf-Mandelbrot permitió el desarrollo de una metodología que realiza distinciones cuantitativas entre dinámicas cardíacas agudas y normales, de forma objetiva y reproducible.
Objetivo: Confirmar la capacidad diagnóstica y utilidad clínica de un software que automatiza una metodología basada en la Ley de Zipf-Mandelbrot, que realiza diagnósticos objetivos de la dinámica cardíaca.
Material y Métodos: Se realizó un estudio ciego con 80 registros Holter, 20 normales y 60 con hallazgos patológicos. El software organizó de manera jerárquica las frecuencias cardíacas mediante las frecuencias de aparición en rangos de 15 lat/min, linealizó los datos y obtuvo la dimensión fractal estadística, lo cual permitió la realización del análisis de complejidad.
Resultados: La dimensión fractal estadística de los registros Holter normales se halló entre 0,720 y 0,913, y exhibió valores entre 0,454 y 0,665 en los registros Holter anormales. Se encontró un coeficiente Kappa de 1, y valores de especificidad y sensibilidad de 100%.
Conclusiones: Se confirmó la utilidad clínica del software que automatiza la metodología fundamentada en La ley de Zipf-Mandelbrot, el cual permitió evaluar el comportamiento de los sistemas cardíacos normales y agudos.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. WHO. [Internet]. 2016. Cardiovascular Diseases. [Citado 21 Jun 2017]. Disponible en: http://www.who.int/cardiovascular_diseases/en /

  2. Abegunde DO, Mathers CD, Adam T, Ortegon M, Strong K. The burden and costs of chronic diseases in low-income and middle-income countries. Lancet. 2007;370:1929-

  3. Ferreira-González I. Epidemiología de la enfermedad coronaria. Revista Española de Cardiología, 2014; 67(2):139-44.

  4. Mandelbrot B. Scaling and power laws without geometry. In: The Fractal Geometry of Nature. San Francisco: Freeman Ed.; 1972, p. 344-8.

  5. Goldberger A, Amaral L, Hausdorff JM, Ivanov P, Peng Ch, Stanley HE. Fractal dynamics in physiology: alterations with disease and aging. PNAS. 2002; 99: 2466-72.

  6. Peitgen H. Length area and dimension. Measuring complexity and scalling properties. En: Chaos and Fractals: New Frontiers of Science. New York: Springer-Verlag; 1992, p. 183-228.

  7. Mandelbrot B. The fractal geometry of nature. Freeman. Barcelona: Tusquets Eds. S.A.; 2000, p. 341-8.

  8. Zipf, GK. The Psycho-Biology of Language: An Introduction to Dynamic Philology. United States: The MIT Press Second Edition. 1965.

  9. Zipf, GK. The human Behavior and the Principle of Least Effort. Cambridge, MA: Addison-Wesley Press; 1949.

  10. Mandelbrot, B. Information theory and psycholinguistics: a theory of words frequencies, in: P. Lazafeld, N. Henry (Eds.), Readings in Mathematical Social Science. Cambridge, MA: MIT Press; 1966.

  11. Mandelbrot B. Structure formelle des textes et comunication. World: 1954; 10(1):1-27.

  12. Harris P, Stein PK, Fung GL, Drew BJ. Heart rate variability measured early in patients with evolving acute coronary syndrome and 1-year outcomes of rehospitalization and mortality. Vasc Health Risk Manag. 2014; 10: 451-464.

  13. Shahbazi F, Asl BM. Generalized discriminant analysis for congestive heart failure risk assessment based on long-term heart rate variability. Comput Methods Programs Biomed. 2015; 122(2):191-8.

  14. Lakusic N, Mahovic D, Kruzliak P, Cerkez Habek J, Novak M, Cerovec D. Changes in Heart Rate Variability after Coronary Artery Bypass Grafting and Clinical Importance of These Findings. Biomed Res Int. [Internet]. 2015. [Consultado 21/06/017]. 2015:680515. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PM C4452832/pdf/BMRI2015-680515.pdf

  15. Goldberger AL. Is the normal heartbeat chaotic or homeostatic? Physiology. Am Physiological Soc; 1991;6(2):87-91.

  16. Glass L. Chaos and heart rate variability. J Cardiovasc Electrophysiol. 1999;10(10):1358-60.

  17. Lombardi F. Chaos theory, heart rate variability and arrhythmic mortality. Circulation. 2000;101(1):8-10.

  18. Goldberger, AL. & West, BJ. Applications of nonlinear dynamics to clinical cardiology. Ann. N Y Acad. Sci; 1987; 504: 195-213.

  19. Goldberger AL, Rigney DR, Mietus J, Antman EM, Greenwald S. Nonlinear dynamics in sudden cardiac death syndrome: heart rate oscillations and bifurcations. Experientia. 1988; 44:(11- 12):983-987.

  20. Porta A, Bari V, Marchi A, De Maria B, Cysarz D, Van Leeuwen P, et al. Complexity analyses show two distinct types of nonlinear dynamics in short heart period variability recordings. Front Physiol. [internet]. 2015; [Consultado 21/06/017]. 10:6-71. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PM C4354335/pdf/fphys-06-00071.pdf

  21. Nicolini P, Ciulla MM, Malfatto G , Abbate C, Mari D, Rossi PD. Autonomic dysfunction in mild cognitive impairment: evidence from power spectral analysis of heart rate variability in a cross-sectional case-control study. PloS one. [internet]. 2014; [Consultado 21/06/017]. 9(5):e96656. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PM C4011966/pdf/pone.0096656.pdf

  22. Krafty RT, Zhao M, Buysse DJ, Thayer JF, Hall M. Nonparametric spectral analysis of heart rate variability through penalized sum of squares. Statist. Med. 2014; 33(8):1383-94.

  23. Poliakova N, Dionne G, Dubreuil E, Ditto B, Pihl RO, Pérusse D. A methodological comparison of the Porges algorithm, fast Fourier transform, and autoregressive spectral analysis for the estimation of heart rate variability in 5 ‐ month ‐ old infants. Psychophysiology. [internet]. 2014. [Consultado 21/06/017]. 51(6): 579-83. Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1111 /psyp.12194

  24. Rodríguez J, Prieto S, Correa C, Mendoza F, Weiz G, Soracipa Y, et al. Physical mathematical evaluation of the cardiac dynamic applying the Zipf Mandelbrot law. Journal of Modern Physics. [Internet]. 2015. [Consultado 21/06/017];6:1881- 88. Disponible en: https://www.scirp.org/pdf/JMP_201510291103 2237.pdf

  25. Chang MC, Peng CK, Stanley HE. Emergence of dynamical complexity related to human heart rate variability. Phys Rev E Stat Nonlin Soft Matter Phys. 2014 Dec;90(6):062806.

  26. Pincus, SM. Approximate entropy as a measure of system complexity. Proc. Natl Acad. Sci. USA. 1991; 88:2297-2301.

  27. Ksela J, Avbelj V, Kalisnik JM. Multifractality in heartbeat dynamics in patients undergoing beating-heart myocardial revascularization. ComputBiol Med. 2015;60:66-73.

  28. Rodríguez J, Bernal P, Álvarez L, Pabón S, Ibáñez S, Chapuel N, Pérez H, Correa A, Salazar LC, Walteros R. Predicción de unión de péptidos de MSP-1 y EBA-140 de plasmodium falciparum al HLA clase II Probabilidad, combinatoria y entropía aplicadas a secuencias peptídicas. Inmunología. 2010;29(3):91-99.

  29. Rodríguez J, Bernal P, Prieto S, Correa C. Teoría de péptidos de alta unión de malaria al glóbulo rojo. Predicciones teóricas de nuevos péptidos de unión y mutaciones teóricas predictivas de aminoácidos críticos. Inmunología. 2010; 29(1):7-19.

  30. Rodríguez J. Método para la predicción de la dinámica temporal de la malaria en los municipios de Colombia. Rev Panam Salud Pública. [Internet]. 2010. [Consultado 21/06/017]; 27(3):211-218. Disponible en: http://www.scielosp.org/scielo.php?script=sci_arttext&pid=S1020-49892010000300008




2020     |     www.medigraphic.com