Análisis de la fotopletismografía para determinación de variaciones en el tono vascular y la presión arterial: Estudio basado en redes neuronales

• Autores: N. I. Echeverría, Adriana Graciela Scandurra, C. M. Acosta, Gustavo Javier Meschino, E. Suarez Sipmann, Graciela Martínez Pallí
• Localización: Revista española de anestesiología y reanimación, ISSN 0034-9356, Vol. 70, Nº. 4, 2023 (Ejemplar dedicado a: abril), págs. 209-217
• Idioma: español
• Títulos paralelos:
  • Photoplethysmography waveform analysis for classification of vascular tone and arterial blood pressure: Study based on neural networks
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Antecedentes y objetivo El propósito del presente estudio fue evaluar si una red neuronal superficial (RN-S) puede detectar y clasificar los cambios en la presión arterial (PA), dependientes del tono vascular mediante un análisis del contorno de la onda de fotopletismografía (FPG).

    Material y métodos Las señales de FPG y PA invasivas fueron simultáneamente registradas en 26 pacientes programados para cirugía general. Se estudió la aparición de episodios de hipertensión (presión arterial sistólica (PAS) > 140 mmHg), normotensión e hipotensión (PAS < 90 mmHg). El tono vascular fue clasificado según la FPG en dos formas: 1) Mediante inspección visual de los cambios en la amplitud de la onda de FPG y en la posición de la incisura dícrota; donde las clases I-II representan vasoconstricción (incisura dícrota ubicada a > 50% de la amplitud de FPG en ondas de pequeña amplitud), tono vascular normal de clase III (incisura dícrota ubicada entre 20-50% de la amplitud de FPG en ondas normales) y vasodilatación de clases IV-V-VI (incisura dícrota a < 20% de la amplitud FPG en ondas grandes). 2) Mediante un análisis automatizado basado en RN-S que combina siete parámetros derivados de la onda de FPG.

    Resultados La evaluación visual fue precisa en la detección de hipotensión (sensibilidad 91%, especificidad 86% y precisión 88%) e hipertensión (sensibilidad 93%, especificidad 88% y precisión 90%). La normotensión se presentó como clase visual III (III-III) (mediana y 1°- 3° cuartiles), hipotensión como clase V (IV-VI) e hipertensión como clase II (I-III); todos con significancia estadística (p < 0,0001). La RN-S funcionó bien en la clasificación de las condiciones de PA. El porcentaje de datos con clasificación correcta por la RN-S fue del 83% para normotensión, 94% para hipotensión y 90% para hipertensión.

    Conclusiones Los cambios en la PA inducidos por alteraciones en el tono vascular fueron clasificados correctamente de forma automática con una RN-S con base en parámetros obtenidos de la onda de FPG.

  • English

    Background To test whether a Shallow Neural Network (S-NN) can detect and classify vascular tone dependent changes in arterial blood pressure (ABP) by advanced photopletysmographic (PPG) waveform analysis.

    Methods PPG and invasive ABP signals were recorded in 26 patients undergoing scheduled general surgery. We studied the occurrence of episodes of hypertension (systolic arterial pressure (SAP) > 140 mmHg), normotension and hypotension (SAP < 90 mmHg). Vascular tone according to PPG was classified in two ways: 1) By visual inspection of changes in PPG waveform amplitude and dichrotic notch position; where Classes I-II represent vasoconstriction (notch placed > 50% of PPG amplitude in small amplitude waves), Class III normal vascular tone (notch placed between 20-50% of PPG amplitude in normal waves) and Classes IV-V-VI vasodilation (notch < 20% of PPG amplitude in large waves). 2) By an automated analysis, using S-NN trained and validated system that combines seven PPG derived parameters.

    Results The visual assessment was precise in detecting hypotension (sensitivity 91%, specificity 86% and accuracy 88%) and hypertension (sensitivity 93%, specificity 88% and accuracy 90%). Normotension presented as a visual Class III (III-III) (median and 1st-3rd quartiles), hypotension as a Class V (IV-VI) and hypertension as a Class II (I-III); all p < 0.0001. The automated S-NN performed well in classifying ABP conditions. The percentage of data with correct classification by S-ANN was 83% for normotension, 94% for hypotension, and 90% for hypertension.

    Conclusions Changes in ABP were correctly classified automatically by S-NN analysis of the PPG waveform contour.