Analysis and data processing to predict myocardial infarction complications

Abstract

La formació de coàguls a la sang deriva a un infart de miocardi i, generalment, es manifesta de forma inesperada. Aquests coàguls impedeixen la circulació normal de la sang cap al cor i, en conseqüència, les cèl·lules de la zona sense arribar moren, representant un dany irreversible al cor. Aquests pacients són ingressats en estat crític als centres hospitalaris, on la presa de decisions relatives al tractament que cal aplicar va directament relacionada amb les possibilitats de supervivència del pacient. Tenint en compte la quantitat d'analítiques que s'obtenen a l'ingrés, aquest treball té com a objectiu desenvolupar una eina basada en algoritmes de Machine Learning per donar suport a la presa de decisions al personal sanitari que aconsegueixi predir les complicacions derivades de l'infart de miocardi. L’estudi es realitza a partir d’una base de dades obtinguda per S.E. Golovenkin, A.N. Gorban, E.M.Mirkes, V.A. Shulman, D.A. Rossiev, P.A. Shesternya, S.Yu. Nikulina, Yu.V. Orlova, and M.G. Dorrer[1], on s’hi descriuen els paràmetres clínics més característics de 1700 pacients el primer dia d’entrada a l’UCI i un cop transcorregudes les primeres 24, 48 i 72 hores d’admissió a l’hospital. S’ha realitzat un estudi previ de cada una de les variables i, al tractar-se d’una base de dades amb molts valors faltants, ha sigut necessari dur a terme un reprocessament de les dades utilitzant la imputació. D’aquesta manera, ha sigut possible analitzar diferents models i tècniques de remostreig per aconseguir obtenir el millor model de predicció, el qual s’ha acabat evaluant i validant per tal de decidir si pot ser utilitzat per al personal mèdic. Els resultats han resultat ser prometedors atesa la complexitat de modelar la relació dels pacients davant de qualsevol patologia, tenint en compte la gran varietat de factors que influencien en el procés patològic de la malaltia. El bon funcionament d’aquesta eina suposa un gran impacte social ja que permet predir la gravetat d’un infart de miocardi considerant les característiques fenotípiques dels pacients.

La formación de coágulos en la sangre deriva a un infarto de miocardio y, generalmente, se manifiesta de forma inesperada. Estos coágulos impiden la circulación normal de la sangre hacia el corazón y, en consecuencia, las células de la zona sin llegar mueren, representando un daño irreversible en el corazón. Estos pacientes son ingresados en estado crítico en los centros hospitalarios, donde la toma de decisiones relativas al tratamiento a aplicar va directamente relacionada con las posibilidades de supervivencia del paciente. Teniendo en cuenta la cantidad de analíticas que se obtienen en el ingreso, este trabajo tiene como objetivo desarrollar una herramienta basada en algoritmos de Machine Learning para apoyar la toma de decisiones al personal sanitario que consiga predecir las complicaciones derivadas del infarto de miocardio. El estudio se realiza a partir de una base de datos obtenida por S.E. Golovenkin, A.N. Gorban, E.M.Mirkes, V.A. Shulman, D.A. Rossiev, P.A. Shesternya, S.Yu. Nikulina, Yu.V. Orlova, and M.G. Dorrer [1], donde se describen los parámetros clínicos más característicos de 1700 pacientes, durante el primer día de entrada en la UCI y una vez transcurridas las primeras 24, 48 y 72 horas de admisión en el hospital. Se ha realizado un estudio previo de cada una de las variables y, al tratarse de una base de datos con muchos valores faltantes, ha sido necesario realizar un reprocesamiento de los datos utilizando la imputación. De esta forma, ha sido posible analizar diferentes modelos y técnicas de remuestreo para conseguir obtener el mejor modelo de predicción, el cual se ha acabado evaluando y validando para decidir si puede ser utilizado para el personal médico. Los resultados han resultado ser prometedores dada la complejidad de modelar la relación de los pacientes ante cualquier patología debido a la gran variedad de factores que influencian en el proceso patológico de la enfermedad. El buen funcionamiento de esta herramienta supone un gran impacto social ya que permite predecir la gravedad de un infarto de miocardio considerando las características fenotípicas de los pacientes.

The formation of clots in the blood leads to a myocardial infarction and usually manifests itself unexpectedly. These clots prevent the normal circulation of blood to the heart and, consequently, the cells in the area without reaching it die, representing irreversible damage to the heart. These patients are admitted in critical condition to hospitals, where decision-making regarding the treatment to be applied is directly related to the patient's chances of survival. Taking into account the amount of analytics obtained on admission, this work aims to develop a tool based on Machine Learning algorithms to support decision-making for health personnel, being able to predict the complications derived from myocardial infarction. The study is carried out using a database collected by S.E. Golovenkin, A.N. Gorban, E.M.Mirkes, V.A. Shulman, D.A. Rossiev, P.A. Shesternya, S.Yu. Nikulina, Yu.V. Orlova, and M.G. Dorrer[1], where clinical characteristic parameters from 1700 patients are described on the first day of admission to the ICU and after the first 24, 48 and 72 hospital admission hours. A previous study of each of the variables has been performed and, as it is a database with many missing values, it has been necessary to reprocess the data using imputation. In this way, it has been possible to analyze different models and resampling techniques to obtain the best prediction model, which has been evaluated and validated to decide if it can be used for medical. The results are promising given the complexity of modeling the relationship of patients with any pathology due to the great variety of factors that influence the pathological process of the disease. The proper functioning of this tool has a great social impact since it allows predicting the severity of a myocardial infarction considering the phenotypic characteristics of the patients.