Auxílio ao Diagnóstico para Predição de Morte Súbita em Pacientes Chagásicos a Partir de Dados Clínicos: uma Abordagem baseada em Aprendizagem de Máquina

• Pedro E. O. Primo UFC
• Weslley L. Caldas UFC
• Gabriel S. Almeida UFC
• Luan P. L. Brasil UFC
• Carlos H. L. Cavalcante IFCE
• João P. V. Madeiro UFC
• Danielo G. Gomes UFC
• Roberto C. Pedrosa UFRJ

DOI: https://doi.org/10.5753/sbcas.2021.16077

Resumo

A doença de Chagas (DC) afeta cerca de 7 milhões de pessoas no mundo e pode levar à Morte Súbita Cardíaca (MSC) do paciente por cardiomiopatia, cuja evolução pode ser controlada com diagnóstico precoce. Neste artigo, foram utilizados 7 algoritmos de aprendizagem de máquina com uma base de dados clínicos de pacientes chagásicos, objetivando a classificação em alta ou baixa predisposição do paciente à MSC, com seleção de atributos e balanceamento dos dados. Os melhores resultados indicam AUC:85.35 e F1:75.79 para o algoritmo K-Vizinhos Mais Próximos. Devido ao forte impacto nos modelos de aprendizagem de máquina, sugerimos o uso da Taquicardia Ventricular Não Sustentada e Extrassístole Ventricular Total como indicadores de MSC iminente.

Referências

Alberto, A. C., Limeira, G. A., Pedrosa, R. C., Zarzoso, V., and Nadal, J. (2017). Ecgbased predictors of sudden cardiac death in chagas’ disease. In 2017 Computing in Cardiology (CinC), pages 1–4. IEEE.

Alberto, A. C., Pedrosa, R. C., Zarzoso, V., and Nadal, J. (2020). Association between circadian holter ecg changes and sudden cardiac death in patients with chagas heart disease. Physiological Measurement, 41(2):025006.

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16:321–357.

Coura, J. R. and Viñas, P. A. (2010). Chagas disease: a new worldwide challenge. Nature, 465(7301):S6–S7.

de Souza, A. C. J., Salles, G., Hasslocher-Moreno, A. M., de Sousa, A. S., do Brasil, P. E. A. A., Saraiva, R. M., and Xavier, S. S. (2015). Development of a risk score to predict sudden death in patients with chaga’s heart disease. International journal of cardiology, 187:700–704.

Guedes, P. M. M., Gutierrez, F. R. S., Silva, G. K., Dellalibera-Joviliano, R., Rodrigues, G. J., Bendhack, L. M., Rassi Jr, A., Rassi, A., Schmidt, A., Maciel, B. C., et al. (2012). Deficient regulatory t cell activity and low frequency of il-17-producing t cells correlate with the extent of cardiomyopathy in human chagas’ disease. PLoS Negl Trop Dis, 6(4):e1630.

Hernandez, J., Carrasco-Ochoa, J. A., and Martínez-Trinidad, J. F. (2013). An empirical study of oversampling and undersampling for instance selection methods on imbalance datasets. In Iberoamerican Congress on Pattern Recognition, pages 262–269. Springer.

Jovíc, A., Brkíc, K., and Bogunovíc, N. (2015). A review of feature selection methods with applications. In 2015 38th international convention on information and communication technology, electronics and microelectronics (MIPRO), pages 1200–1205. Ieee.

Li, P.-J., Jin, T., Luo, D.-H., Shen, T., Mai, D.-M., Hu, W.-H., and Mo, H.-Y. (2015). Effect of prolonged radiotherapy treatment time on survival outcomes after intensity-modulated radiation therapy in nasopharyngeal carcinoma. PloS one, 10(10):e0141332.

Rassi Jr, A., Rassi, A., Little, W. C., Xavier, S. S., Rassi, S. G., Rassi, A. G., Rassi, G. G., Hasslocher-Moreno, A., Sousa, A. S., and Scanavacca, M. I. (2006). Development and validation of a risk score for predicting death in chagas’ heart disease. New England Journal of Medicine, 355(8):799–808.

Silva, L. E. V., Moreira, H. T., Bernardo, M. M. M., Schmidt, A., Romano, M. M. D., Salgado, H. C., Fazan Jr, R., Tin´os, R., and Marin-Neto, J. A. (2021). Prediction of echocardiographic parameters in chagas disease using heart rate variability and machine learning. Biomedical Signal Processing and Control, 67:102513.

WHO (2021). Chagas disease (american trypanosomiasis). https://www.who.int/healthtopics/chagas-disease.