Atrial fibrillation (AF) is a progressive disease often initially manifested by intermittent episodes terminating spontaneously and eventually leading to sustained forms of AF for a subset of patients. This rhythm disorder is the most common arrhythmia encountered in clinical practices with predictions of affecting 6-12 million people in the USA by 2050 and 17.9 million in Europe by 2060. However, the underlying mechanisms are still under investigation. The main objective of this thesis is to propose methodological advancements for the characterization of the AF triggers and episodes detected by implantable cardiac monitors (ICM) in cohorts of continuously monitored patients, to attain a better understanding of AF and its mechanisms that may lead to improvement in clinical decisions, as those related to catheter ablation strategies which could lead to a more effective patient triage that could reduce the economic and personal burden of the ablation procedure by increasing the success rate of long-term AF termination. To accomplish this, the patient population used throughout the thesis was composed by combining two different cohorts: the Reveal LINQ Usability study (N=151, 33.1% female, 66.9% male, 56.6±12.1 years old) obtained by Medtronic, and a database acquired from the National Institute of Cardiovascular Diseases in Bratislava (N=40, 20% female, 80% male, 55.9±9.9 years old). Due to algorithm requirements, each chapter of the thesis uses a different subset of patients extracted from these cohorts. In the first part of this thesis, the characterization of AF triggers, and an automatic unsupervised AF trigger classification method based on a combination of heart rate variability (HRV) features extracted from ICMs in a cohort of continuously monitored patients is presented. These HRV features were evaluated, and principal component analysis (PCA) was used to determine the most representative features and compute their linear combination, i.e., the principal components. The unsupervised classification method used in this study was k-means algorithm in which the triggers were placed into different clusters based on their principal components. The optimum number of clusters was determined by the silhouette coefficient and any cluster which contained fewer than 5% of the observations was discarded as an outlier cluster. The results obtained when analysing the HRV features from the different clusters extracted from the Flashbacks, the 500 beats preceding the AF onset, showed that distinct triggers could be found. Although the inference of clinical information from unsupervised classification of patterns has relative reliability, the triggers that could potentially be identified in the clusters ware premature atrial complexes (PACs), atrial tachycardia (AT), atrial flutter and spontaneous AF, i.e., no trigger. Based on literature, we believe that patients with different triggers might respond differently to certain catheter ablation strategies. Therefore, the characterization of AF triggers could aid clinicians in selecting the optimum ablation strategy for their patients. Then, the AF episode characterization involved the modelling of the atrial fibrillatory rate (AFR) based on changes in autonomic tone quantified by RR series characteristics and the temporal aggregation of AF episodes. For the assessment of the modelling of the AFR, the f-wave signals, from which AFR is estimated, were extracted using a QRST cancellation process, from a single lead ECG of the first 2 minutes of the AF episodes. The AFR was then estimated as the fundamental frequency of a harmonic model fitted to the extracted f-waves. We used a fixed-effect (FE) model and compared the results to a mixed-effect (ME) approach to study both the population and patient specific effects of RR series in AFR and another ME modelling approach which allowed correction for confounding factors such as effect of episode duration, previous ablation, and circadian variations, to model the variations of AFR based on changes in autonomic tone quantified by RR series characteristics. The mixed-effect models were shown to have a better fit to the data than the fixed-effect models. This approach also showed that AFR was faster in episodes with longer duration, less organized RR intervals and after several ablation procedures. For the AF episode patterns characterization, the alternating bivariate Hawkes model was used. Two parameters of the alternating bivariate Hawkes model were used to characterize the pattern: AF dominance during the monitoring period (log⁡(μ)) and temporal clustering of episodes (β_1). This characterization was then used to investigate, for the first time, whether post-ablation recurrence of AF could be predicted by evaluating episode patterns. In addition, we compared the risk assessment of AF recurrence capabilities between the Hawkes parameters and stablished measurements of AF dominance and temporal aggregation such as AF burden and AF density. While the combination of AF burden and AF density is related to a non-significant hazard ratio, the Hawkes parameters showed increased risk of AF recurrence within 1 year after the procedure for patients with high AF dominance and high episode clustering and may be used for pre-ablation risk assessment. Finally, this thesis evaluated the feasibility of using clinical data and heart rate variability (HRV) features extracted from an ICM to predict recurrences in patients prior to undergoing catheter ablation for AF. HRV derived features were extracted from the Flashback and from the first 2 minutes of the last AF episode recorded by an ICM before undergoing first catheter ablation. Several single classification methods including Support Vector Machines (SVM), with linear, polynomial (SVMp) and Gaussian (SVMg) kernels, Classification and Regression Trees (CART) and K-Nearest Neighbour (KNN) algorithms are evaluated to predict AF recurrence. In addition, the capabilities of ensemble learning methods in which a weighted combination of the single classifiers is used as the predictor of AF recurrence was explored. The sequential forward floating search (SFFS) algorithm was used to select the optimum feature set for each classification method. The results showed that clinical and HRV features can be used to predict rhythm outcome using an ensemble classifier for superior accuracy. The proposed ensemble algorithm’s performance metrics for predicting AF recurrence after catheter ablation where: accuracy 0.82; sensitivity 0.76, specificity 0.87, F1-score 0.82 and Area under the ROC curve 0.85. This would enable a more effective pre-ablation patient triage that could reduce economic and personal burden of the procedure by increasing the success rate of first catheter ablation. This thesis is based on retrospective analyses that carry certain limitations including the relatively low number of patients enrolled from different cohorts, the unavailability of clinical and medication information, the heterogeneity of the characteristics of the patients, or the lack of validation of an independent cohort. Nonetheless, the database offered a unique characterization of patients diagnosed with AF and is crucial for deciding the optimum course of treatment such as catheter ablation, which has relatively low success rates. ICMs with high AF detection accuracy offer the unique advantage of long-term monitoring periods and continuous monitoring of the patient. With the rapidly increasing use of these devices for AF patients, the need for methods to characterize AF triggers and AF episodes which could be used in in tools that can help in clinical decisions, is increasingly important. In particular and if confirmed in future studies, the use of these characterization methods to, for instance, aid clinicians in deciding the best catheter ablation strategy is potentially of significant clinical relevance for several reasons: first, catheter ablation of AF substrate is a procedure with high economic and personal burden; secondly, due to the epidemic character of AF prevalence, these interventions cannot be offered (even in countries with developed health-care systems) to all patients and third, the selection of patients with higher probability of long-term elimination of AF has high priority. With this in mind, once a potential catheter ablation candidate is identified, the patient could be implanted and followed up while in the waiting list. Using the algorithms proposed and the data collected, the clinician could evaluate the status of the patient every couple of weeks and decide their position on the waiting list as well as start planning for the ablation strategy: that which will increase their chance of long-term AF termination.

La fibrillazione atriale (FA) è una malattia progressiva inizialmente manifestata da episodi intermittenti che terminano spontaneamente e che alla fine portano a forme sostenute di FA per un sottogruppo di pazienti. Questo disturbo del ritmo è l'aritmia più comune riscontrata nelle pratiche cliniche con previsioni di affettare 6-12 milioni di persone negli Stati Uniti entro il 2050 e 17,9 milioni in Europa entro il 2060. Tuttavia, i meccanismi sottostanti sono ancora oggetto di studio. L'obiettivo principale di questa tesi è proporre progressi metodologici per la caratterizzazione dei trigger e degli episodi di FA rilevati dai monitor cardiaci impiantabili (MCI) in coorti di pazienti monitorati continuamente, per ottenere una migliore comprensione della FA e dei suoi meccanismi che possono portare a un miglioramento delle decisioni cliniche, come quelle relative alle strategie di ablazione con catetere che potrebbero portare a un triage del paziente più efficace che potrebbe ridurre l'onere economico e personale della procedura di ablazione aumentando il tasso di successo dell'interruzione della FA a lungo termine. Nella prima parte di questa tesi, viene presentata la caratterizzazione dei trigger di FA e un metodo di classificazione dei trigger di FA non supervisionato automatico basato su una combinazione di caratteristiche della variabilità della frequenza cardiaca (Heart Rate Variability: HRV) estratte da MCI in una coorte di pazienti monitorati continuamente. Queste caratteristiche HRV sono state valutate e primary component analysis (PCA) è stata utilizzata per determinare le caratteristiche più rappresentative e calcolare la loro combinazione lineare, ovvero le componenti principali. Il metodo di classificazione non supervisionato utilizzato in questo studio era l'algoritmo k-mean in cui i trigger sono stati inseriti in cluster diversi in base alle loro componenti principali. Il numero ottimale di cluster è stato determinato dal coefficiente silhouette e qualsiasi cluster che conteneva meno del 5% delle osservazioni è stato scartato come cluster outlier. I risultati ottenuti analizzando le caratteristiche HRV dai diversi cluster estratti dai Flashback, gli 500 battiti precedenti l'inizio della FA, hanno mostrato che è possibile trovare trigger distinti. Sebbene l'inferenza delle informazioni cliniche dalla classificazione non supervisionata dei pattern abbia una relativa affidabilità, i trigger che potrebbero essere potenzialmente identificati nei cluster sono i complessi atriali prematuri (CAP), la tachicardia atriale (TA), il flutter atriale, e la FA spontanea, cioè nessun trigger. Quindi, la caratterizzazione degli episodi di FA ha comportato la valutazione delle variazioni circadiane della frequenza fibrillatoria atriale (FFA) e l'aggregazione temporale degli episodi di FA. Per la valutazione delle variazioni circadiane della FFA, i segnali dell'onda f, da cui si stima la FFA, sono stati estratti mediante un processo di cancellazione QRST, da un ECG a derivazione singola dei primi 2 minuti degli episodi di FA. La FFA è stata quindi stimata come la frequenza fondamentale di un modello armonico adattato alle onde f estratte. Abbiamo utilizzato un approccio mixed-effects (ME) per consentire la correzione di fattori confondenti come l'effetto della durata dell'episodio, l'ablazione precedente e i cambiamenti nel tono autonomico quantificati dalle caratteristiche della serie RR, per modellare le variazioni circadiane della FFA. Questo approccio ha mostrato che la FFA era più veloce negli episodi con durata maggiore, intervalli RR meno organizzati e dopo meno procedure di ablazione, tuttavia, non era influenzato dalla variazione circadiana. Per la caratterizzazione dei pattern degli episodi di FA, è stato utilizzato il modello di Hawkes bivariato alternato. Per caratterizzare il pattern sono stati utilizzati due parametri del modello Hawkes bivariato alternato: dominanza di FA durante il periodo di monitoraggio (log(mu)) e raggruppamento temporale degli episodi (beta1). Questa caratterizzazione è stata quindi utilizzata per indagare, per la prima volta, se fosse possibile prevedere la recidiva post-ablazione della FA valutando i modelli degli episodi. Inoltre, abbiamo confrontato la valutazione del rischio delle capacità di recidiva di FA tra i parametri di Hawkes e le misurazioni instituiti della dominanza di FA e dell'aggregazione temporale come il burden di FA e la densità di FA. Sebbene la combinazione di burden di FA e densità di FA sia correlata a un rapporto di rischio non significativo, i parametri di Hawkes hanno mostrato un aumento del rischio di recidiva di FA entro 1 anno dopo la procedura per i pazienti con predominanza di FA elevata e raggruppamento di episodi elevato e possono essere utilizzati per -valutazione del rischio di ablazione. Infine, questa tesi ha valutato la fattibilità dell'utilizzo dei dati clinici e delle caratteristiche della variabilità della frequenza cardiaca estratte da un MCI per prevedere le recidive nei pazienti prima di essere sottoposti ad ablazione per FA. Le caratteristiche derivate dall'HRV sono state estratte dai Flashback e dai primi due minuti dell'ultimo episodio di FA registrato dallo MCI prima di sottoporsi la prima ablazione. Diversi metodi di classificazione singoli, tra cui Support Vector Machines (SVM), con kernel lineari, polinomiali (SVMp) e gaussiani (SVMg), algoritmi di classificazione e regressione (CART) e K-Nearest Neighbor (KNN) vengono valutati per prevedere la ricorrenza di FA. Inoltre, sono state esplorate le capacità dei metodi di apprendimento d'insieme in cui una combinazione ponderata dei singoli classificatori viene utilizzata come perditore di ricorrenza di FA. L'algoritmo di ricerca mobile sequenziale (SFFS) è stato utilizzato per selezionare il set di funzionalità ottimale per ciascun metodo di classificazione. I risultati hanno mostrato che le caratteristiche cliniche e HRV possono essere utilizzate per predire l'esito della ablazione utilizzando un classificatore d'insieme per una precisione superiore che consentirebbe un triage del paziente pre-ablazione più efficace che potrebbe ridurre l'onere economico e personale della procedura aumentando il tasso di successo della prima ablazione. Un'adeguata caratterizzazione dei pazienti con diagnosi di FA è fondamentale per decidere il corso ottimo del trattamento, come l'ablazione, che ha tassi di successo relativamente bassi. Gli MCI con un'elevata precisione di rilevamento della FA offrono il vantaggio unico di periodi di monitoraggio lungi e monitoraggio continuo del paziente. Con il rapido aumento dell'uso di questi dispositivi per i pazienti con fibrillazione atriale, la necessità di metodi per caratterizzare i trigger di fibrillazione atriale e gli episodi di fibrillazione atriale che potrebbero essere utilizzati in strumenti che possono aiutare nelle decisioni cliniche, è sempre più importante. In particolare e se confermato in studi futuri, l'uso di questi metodi di caratterizzazione, ad esempio, per aiutare i medici a decidere la migliore strategia di ablazione è potenzialmente di significativa rilevanza clinica per diversi motivi: in primo luogo, l'ablazione di fibrillazione atriale è una procedura con elevato onere economico e personale; in secondo luogo, a causa del carattere epidemico della prevalenza della fibrillazione atriale, questi interventi non possono essere offerti (anche nei paesi con sistemi sanitari sviluppati) a tutti i pazienti, e in terzo luogo, la selezione dei pazienti con maggiore probabilità di eliminazione a lungo termine della fibrillazione atriale ha un'elevata priorità .

Assessment of atrial fibrillation triggers and their role in its progression

SAIZ VIVÓ, FRANCISCO JAVIER
2022/2023

Abstract

Atrial fibrillation (AF) is a progressive disease often initially manifested by intermittent episodes terminating spontaneously and eventually leading to sustained forms of AF for a subset of patients. This rhythm disorder is the most common arrhythmia encountered in clinical practices with predictions of affecting 6-12 million people in the USA by 2050 and 17.9 million in Europe by 2060. However, the underlying mechanisms are still under investigation. The main objective of this thesis is to propose methodological advancements for the characterization of the AF triggers and episodes detected by implantable cardiac monitors (ICM) in cohorts of continuously monitored patients, to attain a better understanding of AF and its mechanisms that may lead to improvement in clinical decisions, as those related to catheter ablation strategies which could lead to a more effective patient triage that could reduce the economic and personal burden of the ablation procedure by increasing the success rate of long-term AF termination. To accomplish this, the patient population used throughout the thesis was composed by combining two different cohorts: the Reveal LINQ Usability study (N=151, 33.1% female, 66.9% male, 56.6±12.1 years old) obtained by Medtronic, and a database acquired from the National Institute of Cardiovascular Diseases in Bratislava (N=40, 20% female, 80% male, 55.9±9.9 years old). Due to algorithm requirements, each chapter of the thesis uses a different subset of patients extracted from these cohorts. In the first part of this thesis, the characterization of AF triggers, and an automatic unsupervised AF trigger classification method based on a combination of heart rate variability (HRV) features extracted from ICMs in a cohort of continuously monitored patients is presented. These HRV features were evaluated, and principal component analysis (PCA) was used to determine the most representative features and compute their linear combination, i.e., the principal components. The unsupervised classification method used in this study was k-means algorithm in which the triggers were placed into different clusters based on their principal components. The optimum number of clusters was determined by the silhouette coefficient and any cluster which contained fewer than 5% of the observations was discarded as an outlier cluster. The results obtained when analysing the HRV features from the different clusters extracted from the Flashbacks, the 500 beats preceding the AF onset, showed that distinct triggers could be found. Although the inference of clinical information from unsupervised classification of patterns has relative reliability, the triggers that could potentially be identified in the clusters ware premature atrial complexes (PACs), atrial tachycardia (AT), atrial flutter and spontaneous AF, i.e., no trigger. Based on literature, we believe that patients with different triggers might respond differently to certain catheter ablation strategies. Therefore, the characterization of AF triggers could aid clinicians in selecting the optimum ablation strategy for their patients. Then, the AF episode characterization involved the modelling of the atrial fibrillatory rate (AFR) based on changes in autonomic tone quantified by RR series characteristics and the temporal aggregation of AF episodes. For the assessment of the modelling of the AFR, the f-wave signals, from which AFR is estimated, were extracted using a QRST cancellation process, from a single lead ECG of the first 2 minutes of the AF episodes. The AFR was then estimated as the fundamental frequency of a harmonic model fitted to the extracted f-waves. We used a fixed-effect (FE) model and compared the results to a mixed-effect (ME) approach to study both the population and patient specific effects of RR series in AFR and another ME modelling approach which allowed correction for confounding factors such as effect of episode duration, previous ablation, and circadian variations, to model the variations of AFR based on changes in autonomic tone quantified by RR series characteristics. The mixed-effect models were shown to have a better fit to the data than the fixed-effect models. This approach also showed that AFR was faster in episodes with longer duration, less organized RR intervals and after several ablation procedures. For the AF episode patterns characterization, the alternating bivariate Hawkes model was used. Two parameters of the alternating bivariate Hawkes model were used to characterize the pattern: AF dominance during the monitoring period (log⁡(μ)) and temporal clustering of episodes (β_1). This characterization was then used to investigate, for the first time, whether post-ablation recurrence of AF could be predicted by evaluating episode patterns. In addition, we compared the risk assessment of AF recurrence capabilities between the Hawkes parameters and stablished measurements of AF dominance and temporal aggregation such as AF burden and AF density. While the combination of AF burden and AF density is related to a non-significant hazard ratio, the Hawkes parameters showed increased risk of AF recurrence within 1 year after the procedure for patients with high AF dominance and high episode clustering and may be used for pre-ablation risk assessment. Finally, this thesis evaluated the feasibility of using clinical data and heart rate variability (HRV) features extracted from an ICM to predict recurrences in patients prior to undergoing catheter ablation for AF. HRV derived features were extracted from the Flashback and from the first 2 minutes of the last AF episode recorded by an ICM before undergoing first catheter ablation. Several single classification methods including Support Vector Machines (SVM), with linear, polynomial (SVMp) and Gaussian (SVMg) kernels, Classification and Regression Trees (CART) and K-Nearest Neighbour (KNN) algorithms are evaluated to predict AF recurrence. In addition, the capabilities of ensemble learning methods in which a weighted combination of the single classifiers is used as the predictor of AF recurrence was explored. The sequential forward floating search (SFFS) algorithm was used to select the optimum feature set for each classification method. The results showed that clinical and HRV features can be used to predict rhythm outcome using an ensemble classifier for superior accuracy. The proposed ensemble algorithm’s performance metrics for predicting AF recurrence after catheter ablation where: accuracy 0.82; sensitivity 0.76, specificity 0.87, F1-score 0.82 and Area under the ROC curve 0.85. This would enable a more effective pre-ablation patient triage that could reduce economic and personal burden of the procedure by increasing the success rate of first catheter ablation. This thesis is based on retrospective analyses that carry certain limitations including the relatively low number of patients enrolled from different cohorts, the unavailability of clinical and medication information, the heterogeneity of the characteristics of the patients, or the lack of validation of an independent cohort. Nonetheless, the database offered a unique characterization of patients diagnosed with AF and is crucial for deciding the optimum course of treatment such as catheter ablation, which has relatively low success rates. ICMs with high AF detection accuracy offer the unique advantage of long-term monitoring periods and continuous monitoring of the patient. With the rapidly increasing use of these devices for AF patients, the need for methods to characterize AF triggers and AF episodes which could be used in in tools that can help in clinical decisions, is increasingly important. In particular and if confirmed in future studies, the use of these characterization methods to, for instance, aid clinicians in deciding the best catheter ablation strategy is potentially of significant clinical relevance for several reasons: first, catheter ablation of AF substrate is a procedure with high economic and personal burden; secondly, due to the epidemic character of AF prevalence, these interventions cannot be offered (even in countries with developed health-care systems) to all patients and third, the selection of patients with higher probability of long-term elimination of AF has high priority. With this in mind, once a potential catheter ablation candidate is identified, the patient could be implanted and followed up while in the waiting list. Using the algorithms proposed and the data collected, the clinician could evaluate the status of the patient every couple of weeks and decide their position on the waiting list as well as start planning for the ablation strategy: that which will increase their chance of long-term AF termination.
DUBINI, GABRIELE ANGELO
RAVAZZANI, PAOLO GIUSEPPE
CORINO, VALENTINA
de Melis, Mirko
13-gen-2023
Assessment of atrial fibrillation triggers and their role in its progression
La fibrillazione atriale (FA) è una malattia progressiva inizialmente manifestata da episodi intermittenti che terminano spontaneamente e che alla fine portano a forme sostenute di FA per un sottogruppo di pazienti. Questo disturbo del ritmo è l'aritmia più comune riscontrata nelle pratiche cliniche con previsioni di affettare 6-12 milioni di persone negli Stati Uniti entro il 2050 e 17,9 milioni in Europa entro il 2060. Tuttavia, i meccanismi sottostanti sono ancora oggetto di studio. L'obiettivo principale di questa tesi è proporre progressi metodologici per la caratterizzazione dei trigger e degli episodi di FA rilevati dai monitor cardiaci impiantabili (MCI) in coorti di pazienti monitorati continuamente, per ottenere una migliore comprensione della FA e dei suoi meccanismi che possono portare a un miglioramento delle decisioni cliniche, come quelle relative alle strategie di ablazione con catetere che potrebbero portare a un triage del paziente più efficace che potrebbe ridurre l'onere economico e personale della procedura di ablazione aumentando il tasso di successo dell'interruzione della FA a lungo termine. Nella prima parte di questa tesi, viene presentata la caratterizzazione dei trigger di FA e un metodo di classificazione dei trigger di FA non supervisionato automatico basato su una combinazione di caratteristiche della variabilità della frequenza cardiaca (Heart Rate Variability: HRV) estratte da MCI in una coorte di pazienti monitorati continuamente. Queste caratteristiche HRV sono state valutate e primary component analysis (PCA) è stata utilizzata per determinare le caratteristiche più rappresentative e calcolare la loro combinazione lineare, ovvero le componenti principali. Il metodo di classificazione non supervisionato utilizzato in questo studio era l'algoritmo k-mean in cui i trigger sono stati inseriti in cluster diversi in base alle loro componenti principali. Il numero ottimale di cluster è stato determinato dal coefficiente silhouette e qualsiasi cluster che conteneva meno del 5% delle osservazioni è stato scartato come cluster outlier. I risultati ottenuti analizzando le caratteristiche HRV dai diversi cluster estratti dai Flashback, gli 500 battiti precedenti l'inizio della FA, hanno mostrato che è possibile trovare trigger distinti. Sebbene l'inferenza delle informazioni cliniche dalla classificazione non supervisionata dei pattern abbia una relativa affidabilità, i trigger che potrebbero essere potenzialmente identificati nei cluster sono i complessi atriali prematuri (CAP), la tachicardia atriale (TA), il flutter atriale, e la FA spontanea, cioè nessun trigger. Quindi, la caratterizzazione degli episodi di FA ha comportato la valutazione delle variazioni circadiane della frequenza fibrillatoria atriale (FFA) e l'aggregazione temporale degli episodi di FA. Per la valutazione delle variazioni circadiane della FFA, i segnali dell'onda f, da cui si stima la FFA, sono stati estratti mediante un processo di cancellazione QRST, da un ECG a derivazione singola dei primi 2 minuti degli episodi di FA. La FFA è stata quindi stimata come la frequenza fondamentale di un modello armonico adattato alle onde f estratte. Abbiamo utilizzato un approccio mixed-effects (ME) per consentire la correzione di fattori confondenti come l'effetto della durata dell'episodio, l'ablazione precedente e i cambiamenti nel tono autonomico quantificati dalle caratteristiche della serie RR, per modellare le variazioni circadiane della FFA. Questo approccio ha mostrato che la FFA era più veloce negli episodi con durata maggiore, intervalli RR meno organizzati e dopo meno procedure di ablazione, tuttavia, non era influenzato dalla variazione circadiana. Per la caratterizzazione dei pattern degli episodi di FA, è stato utilizzato il modello di Hawkes bivariato alternato. Per caratterizzare il pattern sono stati utilizzati due parametri del modello Hawkes bivariato alternato: dominanza di FA durante il periodo di monitoraggio (log(mu)) e raggruppamento temporale degli episodi (beta1). Questa caratterizzazione è stata quindi utilizzata per indagare, per la prima volta, se fosse possibile prevedere la recidiva post-ablazione della FA valutando i modelli degli episodi. Inoltre, abbiamo confrontato la valutazione del rischio delle capacità di recidiva di FA tra i parametri di Hawkes e le misurazioni instituiti della dominanza di FA e dell'aggregazione temporale come il burden di FA e la densità di FA. Sebbene la combinazione di burden di FA e densità di FA sia correlata a un rapporto di rischio non significativo, i parametri di Hawkes hanno mostrato un aumento del rischio di recidiva di FA entro 1 anno dopo la procedura per i pazienti con predominanza di FA elevata e raggruppamento di episodi elevato e possono essere utilizzati per -valutazione del rischio di ablazione. Infine, questa tesi ha valutato la fattibilità dell'utilizzo dei dati clinici e delle caratteristiche della variabilità della frequenza cardiaca estratte da un MCI per prevedere le recidive nei pazienti prima di essere sottoposti ad ablazione per FA. Le caratteristiche derivate dall'HRV sono state estratte dai Flashback e dai primi due minuti dell'ultimo episodio di FA registrato dallo MCI prima di sottoporsi la prima ablazione. Diversi metodi di classificazione singoli, tra cui Support Vector Machines (SVM), con kernel lineari, polinomiali (SVMp) e gaussiani (SVMg), algoritmi di classificazione e regressione (CART) e K-Nearest Neighbor (KNN) vengono valutati per prevedere la ricorrenza di FA. Inoltre, sono state esplorate le capacità dei metodi di apprendimento d'insieme in cui una combinazione ponderata dei singoli classificatori viene utilizzata come perditore di ricorrenza di FA. L'algoritmo di ricerca mobile sequenziale (SFFS) è stato utilizzato per selezionare il set di funzionalità ottimale per ciascun metodo di classificazione. I risultati hanno mostrato che le caratteristiche cliniche e HRV possono essere utilizzate per predire l'esito della ablazione utilizzando un classificatore d'insieme per una precisione superiore che consentirebbe un triage del paziente pre-ablazione più efficace che potrebbe ridurre l'onere economico e personale della procedura aumentando il tasso di successo della prima ablazione. Un'adeguata caratterizzazione dei pazienti con diagnosi di FA è fondamentale per decidere il corso ottimo del trattamento, come l'ablazione, che ha tassi di successo relativamente bassi. Gli MCI con un'elevata precisione di rilevamento della FA offrono il vantaggio unico di periodi di monitoraggio lungi e monitoraggio continuo del paziente. Con il rapido aumento dell'uso di questi dispositivi per i pazienti con fibrillazione atriale, la necessità di metodi per caratterizzare i trigger di fibrillazione atriale e gli episodi di fibrillazione atriale che potrebbero essere utilizzati in strumenti che possono aiutare nelle decisioni cliniche, è sempre più importante. In particolare e se confermato in studi futuri, l'uso di questi metodi di caratterizzazione, ad esempio, per aiutare i medici a decidere la migliore strategia di ablazione è potenzialmente di significativa rilevanza clinica per diversi motivi: in primo luogo, l'ablazione di fibrillazione atriale è una procedura con elevato onere economico e personale; in secondo luogo, a causa del carattere epidemico della prevalenza della fibrillazione atriale, questi interventi non possono essere offerti (anche nei paesi con sistemi sanitari sviluppati) a tutti i pazienti, e in terzo luogo, la selezione dei pazienti con maggiore probabilità di eliminazione a lungo termine della fibrillazione atriale ha un'elevata priorità .
File allegati
File Dimensione Formato  
Thesis_print_modified.pdf

accessibile in internet per tutti

Descrizione: Thesis document
Dimensione 5.83 MB
Formato Adobe PDF
5.83 MB Adobe PDF Visualizza/Apri
Report_thesis_review.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Thesis review report
Dimensione 298.98 kB
Formato Adobe PDF
298.98 kB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/195164