Novel QRS-based biomarkers for risk stratification in patients affected by Brugada Syndrome

The large amount of data recorded for each patient by biological and medical devices nowadays requires the use of computational methods to process and analyse information. With the development of machine learning techniques, automated classifcation and biomarkers extraction have become crucial issues in the understanding and diagnosis of pathologies. However, for some diseases such as Brugada Syndrome (BrS) a genetic condition linked to a higher risk of sudden cardiac death the identifcation of relevant biomarkers and the development of accurate classifcation methods remain areas that require further research and improvement. BrS is diagnosed through a distinct electrocardiographic pattern associated with delayed and heterogeneous conduction. We hypothesize that this abnormal conduction manifests in the ECG as morphological abnormalities in the QRS complex. The main objective of this study is to identify biomarkers from patients'ECGs that are characteristic of Brugada Syndrome. Additionally, the study explores whether specific biomarkers among those extracted can distinguish symptomatic patients (those suffering arrhythmic events) within the Brugada cohort. Morphological and Hermite-based features have been extracted from the ECG signals and then evaluated both by observing boxplots and by using a function to assign a score to each feature based on its relevance and redundancy. The selected features were then used in an LDA classifier to give a further evaluation in terms of classification capacity estimated through the AUC value. In this work, we extracted novel QRS biomarkers based on the Hermite transform, enhancing the identification of BrS patients when compared to traditional QRS biomarkers. Some connections between these results and cardiac electrophysiology mechanisms have also been identified. As regards the search for biomarkers characteristic of symptomatic patients, no appreciable results have been achieved, mainly due to the scarcity of the database.

La grande quantità di dati registrati per ogni paziente da dispositivi biologici e medici al giorno d'oggi richiede l'uso di metodi computazionali per elaborare e analizzare le informazioni. Con lo sviluppo di tecniche di apprendimento automatico, la classificazione automatizzata e l'estrazione di biomarcatori sono diventate questioni cruciali nella comprensione e nella diagnosi delle patologie. Tuttavia, per alcune malattie come la sindrome di Brugada (BrS), una condizione genetica legata a un rischio più elevato di morte cardiaca improvvisa, l'identificazione di biomarcatori rilevanti e lo sviluppo di metodi di classificazione accurati rimangono aree che richiedono ulteriori ricerche e miglioramenti. La BrS viene diagnosticata attraverso un distinto modello elettrocardiografico associato a conduzione ritardata ed eterogenea. La nostra ipotesi è che questa conduzione anomala si manifesti nell'ECG come anomalie morfologiche nel complesso QRS. L'obiettivo principale di questo studio è identificare i biomarcatori dagli ECG dei pazienti che sono caratteristici della sindrome di Brugada. Inoltre, lo studio esplora se specifici biomarcatori tra quelli estratti possono distinguere i pazienti sintomatici (coloro che soffrono di eventi aritmici) all'interno della coorte di Brugada. Caratteristiche morfologiche e altre basate su Hermite sono state estratte dai segnali ECG e quindi valutate sia osservando i boxplot sia utilizzando una funzione per assegnare un punteggio a ciascuna caratteristica in base alla sua rilevanza e ridondanza. Le caratteristiche selezionate sono state quindi utilizzate in un classificatore LDA per fornire un'ulteriore valutazione in termini di capacità di classificazione stimata tramite il valore AUC. In questo lavoro, abbiamo estratto nuovi biomarcatori QRS basati sulla trasformata di Hermite, migliorando l'identificazione dei pazienti con BrS rispetto ai tradizionali biomarcatori QRS. Sono state identificate anche alcune connessioni tra questi risultati e i meccanismi dell'elettrofisiologia cardiaca. Per quanto riguarda la ricerca di biomarcatori caratteristici dei pazienti sintomatici, non sono stati ottenuti risultati apprezzabili, principalmente a causa della scarsità del database.