Nociception inference from vital sign measurements: the influence and correction of ectopic intervals in the electrocardiogram

Abstract

Sendo reconhecido que o processo de nocicepção está relacionado com o Sistema Nervoso Autónomo (ANS), os níveis de nocicepção podem ser indiretamente avaliados através da análise de parâmetros fisiológicos. Desta forma, a análise da variabilidade da frequência cardíaca (HRV) torna-se fulcral para o estudo das respostas autonómicas subjacentes aos estímulos nociceptivos. A importância da análise da HRV deve-se ao facto desta tornar possível a análise de alterações no equilíbrio do ANS. No entanto, torna-se bastante desafiador conseguir uma análise significativa e objetiva da HRV uma vez que este parâmetro é interdependente em sistemas regulatórios neuronais e cardíacos que se modelam a qualquer estímulo ambiental ou psicológico. Batimentos ectópicos representam um dos fatores que condicionam a análise significativa da HRV e, portanto, torna-se crucial que se limite o risco de conclusões erróneas aquando da interpretação de informações clínicas.A Analgesia Nociception Index (ANI) é uma tecnologia atualmente comercializada com o intuito de possibilitar um melhor controlo do stress cirúrgico através de uma medida contínua e não invasiva do tónus do sistema nervoso parassimpático. Ao longo deste estudo, tirando vantagem da simulação controlada de dados, verificou-se a importância da correção de intervalos ectópicos antes da interpretação clínica dos valores de ANI, pois o algoritmo demonstrou ser sensível à identificação precisa da localização dos batimentos cardíacos. Foram construídos conjuntos de dados editados através da introdução de intervalos ectópicos nos sinais HRV de controlo que foram previamente extraídos de dados reais de pacientes. Os dados clínicos incluídos neste estudo fazem parte da VitalDB, uma base de dados intraoperatória disponibilizada publicamente, tendo sido incluídos 105 pacientes sujeitos a cirurgias de conservação mamária. Diversos métodos foram explorados para a correção dos intervalos ectópicos que foram artificialmente inseridos nos sinais de HRV de controlo. Para diversos graus de ectopia artificialmente introduzidos, o desempenho dos métodos referidos foi avaliado através do erro absoluto médio (MAE) e da informação mútua normalizada (NMI).Numa proporção de 10% de intervalos ectópicos e antes de aplicar algum método de correção ectópica, os valores de ANI calculados através dos sinais HRV editados eram significativamente diferentes dos valores ANI calculados através dos sinais HRV de controlo (MAE = 30.56 ± 10.18, NMI = 0.04 ± 0.07), limitando a monitorização adequada do tónus do sistema nervoso parassimpático. Depois de ser efetuada a validação estatística dos resultados, a técnica proposta neste trabalho para corrigir intervalos ectópicos consiste em substituir esses intervalos por intervalos R-R estimados com um modelo autorregressivo. As discrepâncias entre as variáveis ANI calculadas através dos sinais de HRV de controlo foram significativamente reduzidas com a aplicação da técnica proposta (MAE = 1.66 ± 0.78, NMI = 0.41 ± 0.11). Assim, é plausível assumir que a técnica proposta para corrigir intervalos ectópicos tornará a interpretação clínica do algoritmo de ANI mais robusto à presença de batimentos ectópicos numa proporção de 10%.Pode ser verificado que a previsão de amostras futuras dos sinais de HRV é um dos principais objetivos do processamento da sua informação, sendo benéfico para diversas aplicações clínicas, nomeadamente na monitorização de nocicepção em pacientes anestesiados. Apesar da dificuldade de treinar um modelo capaz de aprender o comportamento geral de sinais de HRV de diversos contextos clínicos e de ainda ser necessária uma futura validação dos resultados, a técnica proposta neste estudo poderá ser integrada no desenvolvimento de futuros algoritmos baseados na análise da HRV.

Nociception and the autonomous nervous system (ANS) are recognized to be remarkably related, and, consequently, nociception levels can be indirectly assessed through the analysis of physiological parameters. Accordingly, analysis of Heart Rate Variability (HRV) becomes of utmost importance while studying the underlying autonomic response to nociceptive stimuli since it attempts to tease out the shifts in the sympathovagal balance. However, meaningful HRV analysis is a major challenge, as it may be constraint by the fact that this parameter is interdependent on regulatory systems corresponding to the neurocardiac modulation to any environmental and psychological stimulus. Ectopic beats represent one of the factors conditioning the measurement of HRV, and, therefore, it is crucial to limit the risk of erroneous conclusions during the interpretation of clinical information. The Analgesia Nociception Index (ANI) is a technology currently commercialized to allow better control of surgical stress by providing continuous and non-invasive measurement of the relative parasympathetic tonus. Throughout this study, taking advantage of controlled simulated data, the limits of the ANI were assessed, verifying the importance of correcting the ectopic intervals before attempting to clinically interpret the ANI values, as the algorithm would heavily rely on the precise identification of peak timing. Edited datasets have been composed by artificially introducing ectopic intervals into control HRV signals (ectopy-free) extracted from real patient data. The clinical data included in this study is part of VitalDB, an open-source intraoperative database, and comprised 105 patients undergoing breast-conserving surgery. Several methods had been explored to correct the ectopic intervals artificially introduced to the control HRV signals. The performance of the referred methods was assessed in terms of mean absolute error (MAE) and normalized mutual information (NMI) at varying degrees of ectopy artificially introduced into the baseline HRV signals. At a proportion of 10% of ectopy and prior to the correction of ectopic intervals, the ANI values calculated from the edited HRV signals were significantly different from the ANI values calculated from the control HRV signals (MAE = 30.56 ± 10.18, NMI = 0.04 ± 0.07), constraining the accurate monitoring of the parasympathetic tone. Posteriorly to statistical validation, the proposed technique to correct the ectopic intervals consists of replacing them with R-R intervals predicted with an autoregressive model. The discrepancies between the ANI variables calculated from the control HRV signals and the edited HRV signals were significantly reduced by the proposed strategy to correct ectopic intervals (MAE = 1.66 ± 0.78, NMI = 0.41 ± 0.11), being plausible to assume that the proposed technique for correction of ectopic intervals would robust the interpretation of the ANI algorithm in the presence of ectopic beats to an extent of 10%. Therefore, it could be verified that the prediction of the HRV signals would be one of the main targets of information processing, being beneficial in several clinical applications, including the monitoring of nociception in anaesthetized patients. Notwithstanding the difficulty of training a model capable of learning the general behaviour of the HRV signal in a wide range of clinical settings and although further validation is required, the proposal of this study can be integrated into the development of oncoming HRV-based algorithms, thus allowing real-time correction of ectopic intervals present in HRV signals.