Deep Learning and Permutation Entropy in the Stratification of Patients with Chagas Disease

Abstract

La enfermedad de Chagas se trata de una enfermedad potencialmente mortal que en las últimas décadas se estaba convirtiendo en un problema de salud pública debido al cambio en el patrón epidemiológico. Puede ser silenciosa y asintomática en la fase crónica, de ahí la necesidad del desarrollo de marcadores tempranos. Para lograr esto, proponemos una arquitectura de red neuronal profunda para clasificar 292 pacientes en tres grupos: el grupo Control con 83 voluntarios, el grupo CH1 con 102 pacientes con serología positiva y sin compromiso cardíaco y el grupo CH2 con 107 pacientes con serología positiva e insuficiencia cardiaca incipiente. Los datos utilizados provienen de ECG’s de 24 horas, los intervalos RR de cada sujeto se dividieron en 288 cuadros de 5 minutos cada uno. Luego se preprocesaron usando entropía de permutación obteniendo así el perfil circadiano de cada paciente. Y al aplicar PCA, cada paciente terminó representado por un vector de 144 entradas. Esto a su vez se utilizó para el entrenamiento de la arquitectura ANN propuesta. La clasificación expresó un 91 % de exactitud y una media del 92 % de precisión, consistiendo en un gran trabajo de clasificación validado por el AUC en cada curva ROC. Como estos resultados se obtuvieron con una cantidad limitada de datos, este estudio puede mejorarse con más muestras, convirtiendo este modelo en una herramienta de análisis de ECG para intentar realizar una evaluación y diagnóstico temprano de un compromiso cardíaco relacionado con la silenciosa fase crónica.