Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Software para el análisis de datos de series temporales de frecuencia cardíaca y presión arterial de la maniobra de Valsalva

1.7K vistas

⸱

DOI:

10.3791/67222

⸱

27 de junio de 2025

 ,  , 
1Department of Mathematics, North Carolina State University, 2Department of Anesthesiology & Intensive Care Medicine, Copenhagen University Hospital - Hvidovre

En este artículo

Resumen

El software ValsalvaAnalyzer incluye funciones para analizar el electrocardiograma continuo latido a latido y las mediciones de la presión arterial (PA) registradas durante la maniobra de Valsalva (VM). Los biomarcadores clínicos calculados y los resultados estimados del modelo proporcionan información sobre la regulación simpática y parasimpática de la frecuencia cardíaca y la PA durante la VM.

Resumen

La Maniobra de Valsalva (VM) es una prueba de bajo riesgo y muy accesible que mide la respuesta de la frecuencia cardíaca (FC) y la presión arterial (PA) inducidas por el barorreflejo a la respiración forzada frente a una presión intratorácica de 40 mmHg durante 15 s. Este estudio demuestra el software ValsalvaAnalyzer, que combina el modelado y el análisis de datos para extraer biomarcadores a partir de datos de series temporales de PA y electrocardiograma (ECG). El software, programado en MATLAB, incorpora una interfaz gráfica de usuario, lo que hace que el análisis de datos y las predicciones de modelado matemático sean accesibles para los clínicos. El software calibrado para PC y Mac lee los datos de ECG y BP medidos durante la VM. Identifica automáticamente los picos R y S en la señal de ECG, con verificación integrada por el usuario para garantizar la precisión de las señales capturadas. Los intervalos RR se utilizan para predecir la FC, y los cambios de magnitud del complejo QRS se utilizan para predecir la respiración. Se registra la PA sistólica y diastólica, y el usuario identifica el inicio y la duración de la VM a partir de la PAS. El software detecta automáticamente las cuatro fases de la VM y la presión intratorácica. Esta última se obtiene fusionando la señal respiratoria en reposo con la presión de 40 mmHg contra la que el sujeto respira durante la VM. Los marcadores clínicos de VM más comúnmente reportados, calculados a partir de los datos de FC y PA, se reportan junto con estimaciones de parámetros específicos del paciente obtenidos utilizando un modelo de ecuaciones diferenciales, que predice la dinámica simpática y parasimpática. El resultado final, más de 35 métricas, incluye la presión arterial y la frecuencia cardíaca, la frecuencia cardíaca máxima y mínima, la relación de Valsalva y las medidas de sensibilidad barorrefleja, todo guardado en una hoja de cálculo. El software está diseñado para analizar los datos de la máquina virtual, pero la metodología se puede extender a otras pruebas autonómicas. Su fuerza radica en la combinación de cantidades extraídas de los datos brutos con los resultados del modelo, aumentando los datos clínicos con un modelo matemático que proporciona información sobre cantidades inconmensurables autónomas.

Introducción

La Maniobra de Valsalva es una prueba de bajo riesgo, no invasiva, barata y altamente accesible para medir la función del sistema nervioso autónomo a través de ejercicios espiratorios forzados 1,2. La maniobra es realizada por los pacientes que exhalan en un dispositivo de presión positiva al final de la espiración (PEP) conectado a un manómetro, manteniendo una presión intratorácica de 40 mmHg durante 15 s, generalmente en decúbito supino o sentado 2,3. Esta maniobra desafía simultáneamente los sistemas autónomo y cardiovascular, imitando la respuesta fisiológica a factores estresantes como el esfuerzo al levantar objetos pesados o el equilibrio de la presión al volar4. Esta prueba se utiliza con frecuencia en el ámbito clínico 2,5, pero se necesitan más herramientas para analizar los datos que cuantifican los mecanismos fisiológicos subyacentes. El modelado neurológico aplicado a la VM puede facilitar la identificación de criterios diagnósticos mejorados y mecanismos causales para la disfunción autonómica5.

La VM tiene cuatro fases6. Se ve facilitada por una apnea, que aumenta la presión intratorácica, comprimiendo las cámaras cardíacas y la aorta torácica y vaciando la sangre en la circulación sistemática, provocando así un aumento transitorio de la PA. La fase I se caracteriza por un aumento continuo de la presión intratorácica, reduciendo el flujo sanguíneo venoso al corazón, el volumen sistólico y la PA arterial media. En respuesta, se activan los barorreceptores arteriales de alta presión. La disminución de la PA durante la primera parte de la Fase II provoca una retirada parasimpática, aumentando la FC. Durante la última parte de la Fase II, el exceso simpático media la vasoconstricción, aumentando la PA y la FC. En pacientes sanos, la recuperación de la PA es el valor de reposo antes de liberar la apnea. La Fase III es recíproca a la Fase I. Esta fase se inicia cuando el paciente libera la apnea, lo que provoca descensos bruscos de la presión intratorácica y de la presión arterial, normalmente seguidos de un aumento de la FC. En la Fase IV, el aumento del retorno venoso al corazón y la vasoconstricción persistente de la Fase II tardía dan lugar a un marcado aumento de la PA llamado rebasamiento. La estimulación de los barorreceptores arteriales de alta presión por el rebasamiento activa el nervio vago para reducir la FC. Se espera que el paciente se recupere a los valores previos a la prueba aproximadamente 10-30 s después del inicio de la VM 2,5.

La VM se utiliza para la evaluación de la función autonómica y cardiovascular a pie de cama7. El biomarcador más común de VM, el cociente de Valsalva (VR)8,9,10, mide la función parasimpática como la relación entre el intervalo RR más largo después del inicio de la apnea y el intervalo RR más corto. Se ha establecido previamente que la taquicardia ortostática postural (POTS) se asocia con una VR alta y un notable sobreimpulso de la PA en la Fase IV11, también llamada respuesta del patrónN 1. Otra métrica es la sensibilidad del barorreflejo vagal. Esta métrica se estima en la primera parte de las Fases II y IV como la pendiente de regresión entre los intervalos RR y los cambios característicos de la PA 3,10,12,13,14. El análisis cualitativo de las respuestas de la PA a la VM puede identificar diferentes soplos cardíacos9, y una respuesta distintiva de onda cuadrada es un indicador de deterioro de la función ventricular e insuficiencia cardíaca15,16. La ausencia de rebasamiento de la PA y la presencia de bradicardia después de la liberación en apnea es indicativa de disautonomía13. La respuesta del patrón V con disminución progresiva de la PA en la Fase II tardía y recuperación lenta en la Fase IV es característica de la hipotensión ortostática neurogénica, lo que indica un fallo barorreflejo alfa-adrenérgico1. Otros estudios han demostrado la eficacia del uso de la VM para complementar la prueba de inclinación de la cabeza hacia arriba en el cribado de trastornos ortostáticos 1,17,18.

Numerosos estudios han examinado la función autónoma mediante el análisis de las respuestas de FC y BP durante el VM1, pero no se dispone de sistemas automatizados de código abierto para cuantificar la función barorrefleja. Muchos estudios han analizado datos de la VM 19,20,21,22, y algunos programas se especializan en la función autónoma, incluidos VitalScan de Medeia 23 y Kubios24. VitalScan utiliza señales de ECG y BP, pero Kubios solo analiza señales de ECG. El sitio web de VitalScan señala que este software evalúa la función autónoma, pero carece de una descripción detallada de las cantidades calculadas. Kubios determina la variabilidad de la FC (HRV) y el VR25. Para abordar estas brechas, este estudio desarrolla un nuevo software de código abierto que calcula los índices de VM más comunes 1,25.

El software analiza los datos de ECG y PA medidos durante una maniobra VM manteniendo una presión intratorácica de 40 mmHg durante 15 s. Se recomienda incluir al menos 30 segundos de datos estables antes y después de la máquina virtual. Una vez identificada la FC y la PA sistólica, el inicio y la liberación de la VM, se extrae un conjunto de marcadores clínicos. Además, este software utiliza el modelo matemático de Randall et al.20 para predecir la señalización simpática y parasimpática junto con los parámetros que caracterizan la sensibilidad barorrefleja. Dos características críticas son la capacidad de leer datos de señales ruidosas, para identificar y eliminar artefactos, y la detección automática con corrección manual de marcadores de VM. Esto último es vital para los pacientes con disfunción autonómica, donde falla la detección puramente automática. Esta exposición incluye todos los resultados del sujeto 1 y un protocolo para extraer los resultados de los sujetos 2-8. Los resultados de la asignatura 1 se incluyen en el código, el texto y las figuras, y los resultados de todas las asignaturas se muestran en la Figura complementaria 1, la Figura complementaria 2, la Figura complementaria 3, la figura complementaria 4, la figura complementaria 5, la figura complementaria 6, la figura complementaria 7 y la figura complementaria 8.

El software Valsalva Analyzer calcula los índices adrenérgicos y vagales caracterizando la respuesta a la maniobra de Valsalva (VM) a partir de mediciones continuas de ECG y BP. Para demostrar el software, proporcionamos una breve descripción de la configuración experimental seguida de una descripción detallada del software. El software lee los datos extraídos de los registros de pacientes almacenados en LabChart. El análisis se demuestra en un paciente de control sano, pero el software incluye datos de ocho sujetos con una gama de respuestas autonómicas. A continuación, discutimos ejemplos de pacientes y describimos el protocolo para instalar y ejecutar el software. El protocolo incluye referencias a figuras generadas dentro de MATLAB. Para distinguirlos de las cifras incluidas en los resultados representativos, todos ellos se denominan MFigure #.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Se seleccionaron tres conjuntos de datos de ejemplo de donantes de sangre de hombres adultos (30-45 años) elegibles para la donación de sangre de acuerdo con la legislación danesa26, tres de un estudio que examinó los efectos de los opioides preoperatorios en pacientes adultos (de 40 a 61 años) que recibían reemplazos de rodilla y cadera27, y uno de un paciente diagnosticado con síndrome de taquicardia ortostática postural (POTS)28. Los estudios de BD y opioides fueron aprobados por el comité de ética local de Dinamarca (H-19069845 y H-20071567, respectivamente), registrados en la agencia danesa de protección de datos y registrados en ClinicalTrials.gov (NCT04499664 y NCT04902222, respectivamente). El comité de ética de los hospitales Frederiksberg y Bispebjerg de Dinamarca aprobó el uso de datos para diagnosticar el POTS para la investigación. Todos los datos fueron anonimizados antes de ser preparados como ejemplos para este software, y todos los sujetos pudieron hablar y entender danés y dieron su consentimiento informado para participar en sus respectivos estudios.

NOTA: El software proporciona herramientas para extraer marcadores de las mediciones de ECG y PA del paciente. Los usuarios pueden ingresar un número de identificación del sujeto, edad, sexo, peso y altura. Esta información es opcional. Se anima a los usuarios a citar este manuscrito. El software incluye datos de ejemplo de mediciones de ECG (canal 1), FC derivada de ECG (canal 2) y BP (canal 3). La Tabla 1 incluye una descripción detallada del paciente y notas para el paciente. Los ocho ejemplos de conjuntos de datos anonimizados proporcionados con este software fueron extraídos de estudios previamente publicados 26,27,28. Los datos fueron seleccionados para demostrar los rasgos característicos observados durante la VM. La intención es demostrar las características del software, no realizar un estudio clínico específico. Los criterios de exclusión para los estudios de donantes de sangre y opioides incluyen el abuso de alcohol y drogas, y el uso habitual de opioides, arritmia o insuficiencia cardíaca, antecedentes de hipotensión ortostática. Los criterios de exclusión que no se enumeran explícitamente para cada estudio se enumeran en26,27.

PacienteEdad (años)Sexo (h/m)Altura (cm)Peso (kg)IMC (kg/m2)Notas
Tema 135m1769229.7 (ob)Respuesta normal
Tema 231m1807021.6 (NO)Respuesta normal
Tema 330m1879326.6 (ow)Gran rebasamiento en fase IV. Artefactos de FC debido al ruido de la señal de ECG
Tema 442m1757624.5 (NO)Respuesta V típica de la disfunción autonómica. Efecto cronotrópico inadecuado en la fase II. No hubo recuperación de BP en la fase II tardía. Falta rebasamiento en la fase IV.  PRT largo
Tema 537f1658531.2 (ob)No hay rebasamiento en la fase IV
Tema 661f17010737.0 (ob)Recuperación inadecuada de la PA en la fase II tardía. La PA máxima no es igual a la PA final en la fase II tardía
Tema 742m1778426.8 (ow)Falta rebasamiento en la fase IV
Tema 858f1667727.9 (ow)Descenso insignificante de la PA en la fase II temprana. Artefactos de FC debido al ruido de la señal de ECG. Artefactos de BP en fase IV
nw: IMC de peso normal (18,5-25), ow: sobrepeso (IMC (25-30), obeso: obeso (IMC > 30)26

Tabla 1. Haga clic aquí para descargar esta tabla.

1. Configuración experimental

  1. Recoger mediciones continuas de la PA de un manguito de presión arterial de un dedo colocado en los dedos índice y medio de la mano no dominante (Figura 1A). Coloque la mano a la altura del corazón para eliminar los efectos de la gravedad (Figura 1B).
  2. Mida el ECG utilizando un ECG estándar de 3 electrodos con electrodos colocados a equidistancia del corazón en la aurícula izquierda y derecha y en el borde inferior del lado izquierdo de la caja torácica. Después de la instrumentación, realice la maniobra de Valsalva exhalando el sujeto en un dispositivo de presión positiva al final de la espiración (PEP) conectado a un manómetro (Figura 1C, D).
  3. Pida al sujeto que respire normalmente durante 1-5 minutos hasta que se genere una señal estable. Para tener suficientes datos para el análisis, registre señales estables durante al menos 30 s antes y después de la máquina virtual. Realice la VM pidiéndole al sujeto que exhale durante 15 s, manteniendo una presión de 40 mmHg (Figura 1D). Durante la grabación, si es posible, apague la calibración para evitar interrupciones en la señal de presión arterial.
  4. El software analiza las señales exportadas de LabChart a MATLAB a 1.000 Hz. En el menú Exportar como MATLAB, incluya canales con señales de ECG, FC y BP, y la presión intratorácica si se registra. Anote los números de canal de cada señal. En el menú, elija pinta flotante de 32 bits, Aumentar la muestra a la misma velocidad, quitar el comentario de Comentarios y Marcadores de evento. Haga clic en Aceptar para exportar el archivo .mat y en Cancelar para detener la exportación.

figure-protocol-1
Figura 1: Instrumentación, manguito de presión arterial, colocación de ECG, monitor, equipo de VM. (A) Montaje del manguito BP en el dedo índice y medio en la mano no dominante. (B) Los brazaletes de los dedos BP se sujetan a la altura del corazón, utilizando un vendaje CoFlex cohesivo para eliminar los efectos de la gravedad. (C) Dispositivo PEP conectado a un manómetro. (D) El sujeto sentado exhala en un dispositivo de presión positiva al final de la espiración (PEP) conectado a un manómetro, manteniendo una presión intratorácica de 40 mmHg durante 15 segundos. (E) El módulo CNAP mide continuamente la presión arterial y está conectado a una computadora que procesa y guarda datos utilizando LabChart. Haga clic aquí para ver una versión más grande de esta figura.

2. Instalación de software, carga de datos y puesta en marcha

NOTA: Este protocolo describe cómo exportar señales de LabChart a MATLAB, pero el protocolo no depende de las grabaciones almacenadas en este software. Nos remitimos a sus manuales para señales grabadas por otro software y notamos que puede ser necesaria la conversión para exportar las grabaciones en el formato correcto. Los datos deben incluir mediciones continuas de series temporales de ECG y BP.

  1. Descargue el software ValsalvaAnalyzer. Clona el repositorio de GitHub en https://github.com/msolufse/ValsalvaAnalyzer. Haga clic en el botón verde Código . Haga clic en Descargar ZIP.
  2. Vaya a la carpeta ValsalvaAnalyzer. El script principal DriverBasic.m debe reemplazarse por la carpeta ValsalvaAnalyzer y todos los demás scripts (archivos .m) deben estar en la carpeta Core. El software incluye las subcarpetas: Figuras, Marcadores, Optimizado, Sensibilidades y WS.
    NOTA: La carpeta Figuras almacena las figuras generadas. Esta carpeta contiene dos subcarpetas (Datos y Model_fits): Almacenes de datos para figuras generadas a partir del análisis de datos y figuras generadas por el modelo de ecuaciones diferenciales. La carpeta Labchart incluye los archivos .mat exportados, pero no los archivos originales de LabChart. La carpeta Marcadores contiene las hojas de cálculo con ratios clínicos (un archivo por sujeto). Las carpetas Sensibilidades y Optimizado incluyen archivos .mat con las sensibilidades y los valores de parámetros estimados. La carpeta WS contiene archivos .mat generados al limpiar datos. La carpeta principal ValsalvaAnalyzer incluye DriverBasic.m, el script principal necesario para ejecutar el programa. Cuando se descarga el software. La carpeta Labchart incluye un archivo .mat para cada uno de los ocho temas de ejemplo, mientras que las carpetas con resultados (Marcadores, Sensibilidades, Optimizado y WS) solo tienen resultados para el Asunto 1. A medida que se analizan los conjuntos de datos de ejemplo de la carpeta, los archivos de salida se almacenarán en estas carpetas. El archivo Patientinfo.xls (y la Tabla 1) incluye información del paciente (edad (años), sexo (h/f), altura (cm), peso (kg) e IMC (kg/m2)) para cada uno de los ocho conjuntos de datos de ejemplo. El peso se caracteriza como normal (nw), sobrepeso (ow) u obesidad (ob)29, y se observa si el sujeto presenta una respuesta normal o patológica a la VM.
  3. Para ejecutar el software, vaya a la carpeta ValsalvaAnalyzer y abra el archivo DriverBasic.m en MATLAB. En el panel superior, haga clic en Editor y, a continuación, haga clic en el triángulo verde con la etiqueta Ejecutar para ejecutar el programa.

3. Plataforma de software

NOTA: El software distribuido por GitHub ha sido probado en Windows (Windows 11 Education) y Mac (MacOS Sonoma, versión 14.3) y utiliza MATLAB (versión R2023a). Los valores predeterminados se establecen en el entorno de MacOS con sugerencias para Windows.

  1. En el menú emergente Seleccione "Parámetros de figura", seleccione el tipo de plataforma de software, el tamaño de fuente de la figura, el tamaño del marcador y el ancho de línea.
  2. Haga clic en Aceptar para aceptar y continuar con el Paso 4 o haga clic en Cancelar para finalizar el programa.

4. Selección de pacientes

NOTA: Este paso implica la selección y el análisis de los datos. El software leerá los archivos .mat de la carpeta Labchart.

  1. Seleccione cualquier número de pacientes de la lista con el ratón. El botón Seleccionar todo marca a todos los pacientes. Las etiquetas de los pacientes se determinan a partir de los nombres de archivo. Estos se utilizan en todos los archivos exportados. Haga clic en Aceptar para continuar con el paso 5 o en Cancelar para salir del programa.

5. Selección de la operación

NOTA: Los métodos de análisis de datos se enumeran en un menú que proporciona las operaciones disponibles. Estos incluyen métodos para limpiar los datos de ECG y BP, identificar las fases de la VM y calcular las características de la VM. El primero se lleva a cabo con los datos brutos utilizando la frecuencia de muestreo incorporada en las mediciones (los ejemplos adjuntos se muestrean a 1.000 Hz). Las características de la VM de identificación utilizan señales de HR limpias y SBP sistólica submuestreadas a 10 Hz. Los datos submuestreados también se utilizan para determinar la señalización simpática y parasimpática obtenida de la resolución del modelo de ecuaciones diferenciales de Randall et al.20 Las cifras generadas se guardan como archivos .png y se almacenan en la carpeta Figuras y los números generados se almacenan en una hoja de cálculo (.xlsx) en la carpeta Marcadores. El diseño de las funciones dentro de este software se ilustra en la Figura 2.

figure-protocol-2
Figura 2: Operaciones de software. Después de seleccionar a los pacientes, el software ofrece la opción de corregir las señales medidas, incluyendo (1) el ECG, del que se extraen la frecuencia cardíaca y la respiración, (2) la señal de presión arterial (PA) latido a latido de la que se extraen la PA sistólica y diastólica. Después de estos procedimientos, el software identifica las fases de la maniobra de Valsalva y extrae los biomarcadores clínicos. Por último, ofrecemos la opción de ejecutar un modelo computacional que prediga la función barorrefleja. Haga clic aquí para ver una versión más grande de esta figura.

  1. Seleccione las operaciones que se van a realizar en el menú de selección de subconjuntos. Operaciones completas en orden descendente, por ejemplo, se debe ingresar la información del paciente antes de analizar el ECG. Si se selecciona más de un tema y una tarea en el menú Selección de operaciones en el paso 4, el software completará la primera tarea para todos los temas antes de pasar a la siguiente tarea.
    1. El software incluye las siguientes operaciones: Información del paciente (Operación 1, Paso 6); Electrocardiograma (ECG; Operación 2, Paso 7); Frecuencia cardíaca (FC; Operación 3, Paso 8); Respiración (Operación 4, Paso 9); Presión arterial (PA; Operación 5, Paso 10); Fases de VM (operación 6, paso 11); Ratios clínicos (Operación 7, Paso 12); Modelo de predicción (nominal; Operación 8, Paso 13); Análisis de sensibilidad (Operación 9, Paso 14); Optimización (Operación 10, Paso 15); Predicciones del modelo de trazado (Operación 11, Paso 16); Resumen (Operación 12, Paso 17).
  2. Después de seleccionar las operaciones, haga clic en Aceptar para continuar con la operación o haga clic en Cancelar para volver al paso 4.

6. Información al paciente (Operación 1)

NOTA: La primera operación consiste en introducir las características del paciente (ID, Edad, Sexo, Altura y Peso), los números de canal del archivo Labchart exportado (ECG, FC, PB, presión intratorácica, si está disponible) e identificar el intervalo de tiempo para el análisis de los datos.

  1. Introduzca el ID del paciente (entero), la edad (entero, años), el sexo (h/m, hombre/mujer), la altura (número real, cm) y el peso (número real, kg). Haga clic en Aceptar para continuar o en Cancelar para volver al paso 5. El software se ejecutará sin selecciones. Los valores característicos de los ocho sujetos se enumeran en la Tabla 1. Estos valores no se utilizan en el análisis de datos, pero pueden ser útiles para las estadísticas de resumen.
  2. Identifique en qué canal se almacena cada señal, los valores predeterminados son: Canal 1 (ECG), canal 2 (HR), canal 3 (BP), canal 4 (presión intratorácica - Pth) se establece en 0. Los conjuntos de datos de ejemplo 1-8 no incluyen esta señal.
  3. La figura 1 (Figura 3) muestra el ECG (mV) superior, el centro de FC (lpm) y la presión arterial (mmHg) inferior en función del tiempo (segundos). Seleccione los datos que desea analizar. Incluya aproximadamente 20 segundos antes y después de la máquina virtual.
  4. Colocando el punto de mira, haga clic una vez con el ratón al principio (~20 s antes de la VM) y una segunda vez al final (~20 s después de la VM). Los datos seleccionados aparecerán en rojo en MFigure 1. Haga clic en Guardar y salir. MFigure 1, con los datos seleccionados, se guardará en la carpeta Figuras/Datos bajo el nombre [nombre del paciente] + _dataAnalyzed.png.

figure-protocol-3
Figura 3: Los gráficos muestran los datos de ECG (mV, arriba), frecuencia cardíaca (HR lpm, centro) y presión arterial (mmHg, abajo). La traza azul muestra todos los datos extraídos de LabChart, y la traza roja muestra los datos seleccionados para el análisis en este estudio. La región roja que contiene el inicio y el final de ECG, FC y BP ~20 segundos antes y después de la maniobra de VM. Haga clic aquí para ver una versión más grande de esta figura.

7. Electrocardiograma (Operación 2)

NOTA: La operación 2 consiste en identificar los picos R y Q o S en la señal de ECG (eliminando y/o añadiendo los picos faltantes). Esta operación se realiza con los datos brutos muestreados a 1.000 Hz. La magnitud del complejo QRS (la distancia absoluta entre los picos R y Q o S) se utiliza para crear la señal de respiración antes y después de la apnea.

  1. MFigure 1 muestra la señal de ECG (línea negra). Los picos R detectados automáticamente se marcan con rojo y los picos Q o S con círculos azules. El objetivo es corregir los picos mal colocados. El número total de picos R y Q o S se imprime a la derecha del gráfico. Esta tarea solo se puede completar si el número de picos R y S es el mismo. Para corregir los picos mal colocados, desplácese con la mano hacia la derecha a través de la señal y deténgase cuando los picos a corregir estén en la ventana. En la Figura 4 se muestra un ejemplo de un pico S adicional colocado incorrectamente y la señal después de que se ha eliminado el pico.
    NOTA: Los picos R y S se identifican utilizando la metodología descrita por Randall et al.20. Este algoritmo utiliza findpeaks.m para encontrar picos entre el 25% y el 200% de la señal media. La frecuencia de muestreo es de 1.000 Hz (codificada en los datos) y MinPeakDistance se establece en 1,5. Los picos R se encuentran a partir de la señal sin procesar, y los picos S (o Q) se encuentran analizando el negativo de la señal. Cabe señalar que para algunos conjuntos de datos, el algoritmo identificará picos S y para algunos picos Q. En la Figura 4A se muestran ejemplos. La magnitud del QRS se utiliza para determinar la respiración descrita por Randell et al.20.
  2. Repita la corrección hasta que el número de picos S y R sea el mismo siguiendo los pasos que se describen a continuación.
    1. Para corregir los picos mal colocados, desplácese hacia la derecha y deténgase cuando los picos que se van a corregir estén en la ventana.
    2. Si falta un pico, está colocado incorrectamente o hay un pico adicional marcado, desplácese hasta la ubicación del pico. Presione Entrar en el teclado y aparecerá una cruz. Haga clic en el punto para corregir. La siguiente consulta del menú es: ¿Agregar o quitar punto? Seleccione Agregar (paso 7.2.3), Quitar (paso 7.2.4) o Cancelar, volviendo al paso 7.2.1.
    3. Haga clic en Agregar y el punto marcado se agregará y aparecerá en rojo (pico R) o azul (Hablar). El programa utilizará la ubicación exacta del clic y clasificará automáticamente el punto como R o S.
    4. Haga clic en Eliminar y se eliminará el punto marcado. Repita este paso si el punto no desaparece, volviendo a la tarea 7.2.2.
  3. Repita el paso 7.2 hasta que todos los picos R y S se identifiquen correctamente y el número de picos R y S (o Q) sea el mismo. A continuación, pulse Intro en el teclado. En el mensaje que pide que se corrijan los puntos, haga clic en No. Continúe con la operación 3 (HR). Si la serie temporal no tiene errores, pero el número de picos R y S (o Q) no es idéntico. Para corregir este error, vuelva al paso 7.2. Tenga en cuenta que para mantener la coherencia dentro de una señal, elija picos S o Q.
  4. Si el usuario hace clic en No cuando el número de picos R y S no es idéntico, aparece un nuevo menú que indica que el número de picos R y S debe ser igual. Inspeccionar los datos. Haga clic en Aceptar y el código volverá al paso 7.2.

figure-protocol-4
Figura 4: Gráficos utilizados para guiar la corrección del ECG (mV). La figura muestra la traza del ECG (negro), las ondas R (círculos rojos) y las ondas S (círculos azules). (A) El grafo tiene una onda S mal colocada. En (B), esta onda S se ha eliminado. Una señal de ECG limpia tendrá el mismo número de picos R y S, como se indica en el lado derecho del gráfico. Haga clic aquí para ver una versión más grande de esta figura.

8. RRHH (Operación 3)

NOTA: Este paso implica convertir los intervalos RR a HR. Una vez que se ha corregido la señal de ECG (como se describió anteriormente), para la mayoría de los conjuntos de datos, la señal de FC es suave. Sin embargo, si la señal HR tiene artefactos (ejemplo mostrado en la Figura 5A). La operación 3 brinda la oportunidad de corregir la señal (ejemplo mostrado en la Figura 5B).

figure-protocol-5
Figura 5: Gráficos utilizados para guiar la corrección de la frecuencia cardíaca (FC, lpm). (A) Frecuencia cardíaca (línea azul) generada a partir del ECG corregido. Los pequeños círculos azules marcan los momentos en los que late el corazón. (B) Ejemplo de una spline que conecta dos puntos (línea verde), eliminando un artefacto de la señal de frecuencia cardíaca. Haga clic aquí para ver una versión más grande de esta figura.

  1. MFigure 1 (Figura 5A) muestra la FC (bpm) en el panel superior y el ECG (mV) en el panel inferior. La FC (lpm) se calcula a partir de los picos corregidos del RR del ECG. Si la señal de FC no tiene artefactos, haga clic en Guardar y salir y continúe con la Operación 4 (Respiración). Si hay errores en los datos (compare los dos paneles de la Figura 5), haga clic en Corregir frecuencia cardíaca y continúe con el paso 8.2.
  2. Desplácese a lo largo de la señal HR y localice los artefactos. Pulse Intro en el teclado cuando visualice una región para corregirla. Continúe con el paso 8.3.
  3. Haga clic en Aceptar en el menú de consulta Haga clic en los puntos para conectarse. Alinee el punto de mira sobre el primer punto antes del artefacto y haga clic una vez con el ratón. A continuación, alinee el punto de mira sobre el primer punto después del artefacto y haga clic una segunda vez con el ratón. Una spline lineal (trazada en verde) conecta los dos puntos. Un menú pregunta: ¿Aceptar cambio? Respuestas: Sí (vaya al paso 8.3.1), Deshacer (vaya al paso 8.3.2) y Agregar cambio (vaya al paso 8.3.3).
    1. Seleccione Sí para aceptar la spline lineal, salir de esta operación y volver al paso 4. Seleccione Deshacer para eliminar la spline lineal y volver al paso 8.2. Seleccione Agregar para mantener la spline lineal y vuelva al paso 8.2 para permitir correcciones adicionales.
  4. MFigure 1 muestra la FC (bpm) y el ECG (mV) en los paneles superior e inferior. La figura se guarda en la carpeta Figuras/Datos con el nombre [nombre del paciente] + _HeartRateECG.png. Para continuar, presione Guardar y salir. Las señales se almacenarán a la frecuencia de muestreo (1.000 Hz para los conjuntos de datos de ejemplo) incorporada en las mediciones.

9. Respiración (Operación 4)

NOTA: Se extrae una señal de respiración de la señal de ECG corregida calculando la magnitud del complejo QRS, ajustando un spline polinómico de interpolación de Hermite cúbico a trozos (utilizando interp1.m con el método pchip) a través de esta diferencia como se describe en el estudio de Randall et al.20.

  1. La figura 1 (Figura 6) muestra la señal respiratoria extraída de la diferencia entre los picos R y S corregidos. Inspeccione el gráfico, haga clic en Guardar y salir, y continúe con la operación 5 (presión arterial). MFigure 1 se guardará en la carpeta Figuras/Datos bajo el nombre [nombre del paciente] + _RespiratorySignal.png.

figure-protocol-6
Figura 6: Señal respiratoria. Señal respiratoria (línea azul) generada a partir de los cambios en la amplitud del intervalo QRS, según lo descrito por Randall et al.20. Haga clic aquí para ver una versión más grande de esta figura.

10. Presión arterial (Operación 5)

NOTA: Este paso consiste en extraer la PA sistólica y diastólica. Se forman dos curvas generando una spline a través de los puntos de datos seleccionados. Para esta operación, el usuario puede corregir las curvas detectadas automáticamente. Dado el cambio significativo en la PA, es probable que sea necesaria una corrección inmediatamente después de la liberación de la apnea.

  1. MFigure 1 (que se muestra en la Figura 7A) muestra una ventana ampliada con los datos de BP. Alinee la cruz con un pico de BP y haga clic una vez con el ratón. A continuación, alinee el punto de mira en el siguiente pico a la derecha y vuelva a hacer clic. La distancia entre los dos picos estima la duración del ciclo cardíaco. Esta distancia es necesaria para identificar los picos sistólicos y diastólicos. Aparece la figura 2 (Figura 7B, C), que muestra las señales sistólicas y diastólicas detectadas automáticamente.
    NOTA: Los picos sistólicos y diastólicos se encuentran utilizando peaks2.m, que ingresa la duración del ciclo cardíaco en reposo para establecer la distancia mínima del pico. Similar a R. Los picos sistólicos se encuentran directamente a partir de la señal, y los picos diastólicos se encuentran analizando la señal negativa.
  2. Corrección de la presión sistólica: Aparece un menú que pregunta: ¿Desea corregir los puntos sistólicos? Presione Sí (Paso 10.4) para iniciar un protocolo para corregir la PA sistólica y No (Paso 10.3) para proceder a la corrección de la PA diastólica.
  3. La corrección de la presión diastólica comienza con un menú que pregunta: ¿Desea corregir los puntos diastólicos? Presione Sí (Paso 10.4) para iniciar un protocolo para corregir la PA diastólica y No para continuar. Presione Guardar y salga y continúe con la operación 6 (fases de la maniobra de Valsalva).
    NOTA: El protocolo para la corrección de la PA diastólica es idéntico al que corrige la PA sistólica; ambos se describen en el Paso 10.4.
  4. MFigure 2 muestra un zoom de los datos de los primeros 40 s. Inspeccione la región y siga desplazándose hasta que aparezca un punto incorrecto (trazo corregido que se muestra en la Figura 7B,C). Presione Enter en el teclado y coloque la cruz en el último pico correcto antes de los puntos mal colocados, haga clic en este punto y continúe moviendo la cruz, haciendo clic en todos los puntos a corregir, terminando con un punto correcto. Pulse Intro cuando haya terminado. Aparece una línea discontinua que conecta los puntos corregidos (ejemplos mostrados en la Figura 7B,C).
    NOTA: La corrección se puede repetir hasta que no sea necesario modificar más segmentos. Para cada sección, los puntos corregidos se conectan con una línea discontinua roja (SBP) y verde (DBP) unida a los puntos existentes en cada extremo. La señal BP continua, trazada en azul, se utiliza como guía. El sistema registrará los picos en los que se haga clic incluso si no se alinean con la señal de presión arterial. Esta operación corrige las señales sistólicas y diastólicas. Dentro de cada señal, solo se corrigen los puntos asociados a la señal, es decir, no se intenta corregir los puntos diastólicos al corregir la PA sistólica o viceversa.

figure-protocol-7
Figura 7: Corrección de la presión arterial. (A) Zoom de la señal de PA en reposo. Se pide al usuario que haga clic en dos picos consecutivos para determinar la duración media del ciclo cardíaco. (B) Un zoom de la presión sistólica (roja) y diastólica (verde) original y corregida. En este panel, las mediciones continuas de la presión arterial (mmHg) se muestran en azul. (C) Las señales originales y corregidas de la presión arterial sistólica (rojo) y diastólica (verde) durante el rango de tiempo analizado. En todos los paneles, la señal BP continua de latido a latido se muestra con una línea azul, el SBP con una línea roja y el DBP con una línea verde. Para las señales SBP y DBP, cada ciclo cardíaco está marcado por pequeñas estrellas. Haga clic aquí para ver una versión más grande de esta figura.

11. Fases de la Maniobra de Valsalva (VM) (Operación 6)

NOTA: La operación 6 implica la detección de la máquina virtual. Esta operación utiliza datos de FC, SBP, DBP y los datos de presión intratorácica (si están disponibles) submuestreados a 10 Hz. Se le pide al usuario que identifique el inicio y la liberación de la apnea. La apnea comienza en el valor más bajo de PA antes del primer pico y se libera en el valor de PA antes de la segunda caída de PA. Después de identificar estos puntos, el software determina las cuatro fases de la VM a partir de las características de las señales. Estos se pueden corregir manualmente, lo que es especialmente importante cuando se analizan datos para detectar respuestas hemodinámicas anormales.

  1. La figura 1 representa la PA continua (línea fina) y sistólica (PAS, línea en negrita) en el panel superior (mmHg), la FC (lpm) en el2º panel, la respiración (Resp, mV) en el3º panel y el ECG (mV) en el panel inferior Si se dispone de presión intratorácica, esta señal se mostrará en el 3º panel (Pth, mmHg), y la señal respiratoria (Resp, mV) en el 4º panel. Las fases de Valsalva se detectan automáticamente y el software continúa con el paso 1.3 para conjuntos de datos sin mediciones de Pth. Para marcar el inicio de la VM, alinee el punto de mira con el inicio de la apnea (el mínimo de PAS inmediatamente antes del aumento significativo de la PAS y la disminución de la FC) y haga clic una vez con el ratón.
  2. Para marcar el final de la VM, alinee el punto de mira con el extremo de apnea (el valor de PA inmediatamente antes de la2ª caída de la PAS) y haga clic una vez con el ratón. Estos puntos se utilizan para determinar las cuatro fases de VM en MFigure 2, mostrando BP (mmHg) en el panel superior, HR (bpm) en el panel central y respiración (Resp, mV) en el panel inferior. Si se mide la presión intratorácica (mmHg), se muestra entre los paneles de frecuencia cardíaca y respiración.
  3. Un menú pregunta: ¿Aceptar índices? Seleccione Sí para completar la operación y continuar con la Operación 7 (ratios clínicos). Seleccione No para inspeccionar la detección automatizada de fases delineadas por líneas verticales.
  4. Un menú consulta: Corrección de índice. Seleccione una, varias o todas las fases y, a continuación, haga clic en Aceptar para continuar con el paso 10.4 para la corrección o en Cancelar para volver al paso 11.1.
  5. Aparece un punto de mira en MFigure 2. La segunda línea del título describe la fase que se está corrigiendo. Para la fase seleccionada, haga clic en la hora, marcando el inicio de la fase. Repita esta operación hasta que se hayan corregido todas las fases seleccionadas. Los tiempos corregidos se muestran con líneas verticales rojas. Una vez corregidas todas las fases seleccionadas, vuelve a aparecer el menú, consultando: ¿Aceptar índices? Al hacer clic en Sí , se continúa con el paso 11.5 y No se revierte al paso 11.1. Tenga en cuenta que las fases deben corregirse en orden secuencial.
  6. MFigure 3 (Figura 8) muestra las fases finales de la máquina virtual. La figura muestra el panel superior de presión arterial (mmHg), el panel central de FC (lpm) y el panel inferior de presión torácica (Pth, mmHg). Esta señal se obtiene fusionando la señal respiratoria extraída con la presión intratorácica medida o calculada durante la apnea. Las cuatro fases están sombreadas en gris. Haga clic en Guardar y salir y continúe con la operación 7 (Ratios clínicos). Esta figura se guardará en la carpeta Figuras/Datos bajo el nombre [nombre del paciente] + _VMphases.png.

figure-protocol-8
Figura 8: Valsalva Fases I-IV. El gráfico superior muestra la presión arterial continua (azul claro) y sistólica (línea azul gruesa); El segundo panel muestra la frecuencia cardíaca y el panel inferior muestra la presión torácica. Este último se obtiene fusionando la señal respiratoria con la presión durante la apnea (ajustada a 40 mmHg). Las Fases I y III de Valsalva están marcadas con paneles grises. Los valores de referencia (PAS media, FC antes y después de la VM) se indican mediante líneas discontinuas horizontales. Haga clic aquí para ver una versión más grande de esta figura.

12. Ratios clínicos (Operación 7)

NOTA: En este paso se calculan las proporciones clínicas que caracterizan la VM utilizando HR, RR y SBP, datos submuestreados a 10 Hz. Todos los factores se enumeran en la Tabla 2. Estos incluyen las características del paciente (identificación del paciente, edad, sexo, altura y peso), la duración de las fases de VM, los intervalos mínimo y máximo de P, FC, RR dentro de cada fase de VM30,31 y el tiempo de recuperación de la presión32,33. La pendiente y la bondad de ajuste (valor R2) de las líneas de regresión HR y RR en la Fase II temprana (línea cian) y IV (línea marrón), caracterizando la estimulación vagal y el aumento de la presión en la Fase II temprana (línea cian) y tardía (línea azul) y en la Fase IV temprana (línea marrón). Este último determina la estimulación simpática. Además, el software caracteriza el cambio en los marcadores PAS, vagal 1,32,34,35 y adrenérgico (BRS)1,32,33,36. Una vez más, las fases y puntos detectados automáticamente se pueden corregir según sea necesario. Por ejemplo, la PA máxima y la FC mínima al principio de la Fase IV suelen estar desalineadas. En la figura 9 se muestran las proporciones clínicas antes (figura 9A del panel) y después (figura 9B del panel) de la corrección. La figura 9C muestra las proporciones adaptadas de Palamarchuk et al.1 y Sandroni et al.31. Nota: Las cantidades que se muestran en esta figura se derivan de los valores extraídos de los datos descritos en los pasos 12.1-12.4.

figure-protocol-9
Figura 9: Ratios clínicos. (A, B) Razones y líneas de regresión para la presión arterial (PA, mmHg) en el panel superior, la frecuencia cardíaca (FC, lpm) en el panel central y los intervalos RR (s) en el panel inferior. (A) muestra los ratios detectados automáticamente y el panel (B) la PA máxima corregida y la FC mínima en la Fase IV temprana. (C) Línea de regresión a través de ratios corregidos. Haga clic aquí para ver una versión más grande de esta figura.

  1. La figura 1 (que se muestra en la Figura 9) muestra la presión arterial sistólica (PAS, mmHg) en el panel superior, la FC (lpm) en el panel central y el intervalo (s) RR en el panel inferior. Los valores característicos de PAS, FC y RR se anotan con marcadores circulares. Aparece un menú en el que se pregunta: ¿Desea aceptar marcadores? Inspecciona los marcadores. Haga clic en Sí si todos los puntos son correctos; esta operación se ha completado, volviendo al paso 4. Haga clic en No si es necesario ajustar un punto.
  2. Un menú consulta: Seleccione los puntos que desea mover. El menú permite seleccionar uno, varios o todos los puntos. Si se han seleccionado índices, haga clic en Aceptar para continuar (paso 12.3) o en Cancelar para continuar sin cambiar ningún índice, continuando con el paso 12.4.
  3. Para cada cantidad seleccionada, un menú desplegable enumera los puntos que se van a corregir. Haga clic en Aceptar para continuar. Alinee el punto de mira en el punto deseado y haga clic una vez con el ratón. Cuando se han corregido todos los puntos seleccionados, MFigure 1 muestra BP (mmHg) en el panel superior, HR (bpm) en el panel central y RR intervalos (s) en el panel inferior. Muestra los puntos corregidos y las líneas de regresión durante la Fase II temprana y tardía y la Fase IV temprana. Presione Guardar y continúe con la operación 8 (Ejecutar modelo).
  4. La figura 2 (mostrada en la Figura 9C) muestra las líneas de regresión que relacionan el intervalo RR con la PAS y la bondad de ajuste (el valor de R2 ). Presione Guardar y salir, volviendo al paso 4. Las imágenes 1 y 2 se guardarán en la carpeta Figuras/Datos con los nombres [nombre del paciente] + ratios.png y [nombre del paciente] + _ratios_regression.png.

13. Ejecutar modelo (Operación 8)

NOTA: La operación 8 implica resolver el modelo de ecuaciones diferenciales barorreflejas de Randall et al.20, que predice la señalización simpática y parasimpática. Este paso ejecuta el modelo con los valores de los parámetros establecidos utilizando la información del paciente y las proporciones clínicas identificadas en la Operación 7. Esta operación es necesaria para probar predicciones nominales; si los ajustes nominales tienen errores significativos, es posible que los resultados de la operación de optimización (paso 15) no sean correctos para el conjunto de datos específico.

  1. Resuelve el modelo de ecuaciones diferenciales de Randell et al.20 utilizando valores nominales de parámetros específicos del paciente extraídos de los datos y la información del paciente introducida en el Paso 5. MFigure 1 muestra el panel superior izquierdo de BP (mmHg), los datos de FC (lpm) (azul) y el modelo (magenta) en el panel superior derecho, la presión torácica (Pth, mmHg) en el panel inferior izquierdo y las predicciones parasimpáticas (magenta) y simpáticas (púrpura oscuro) en el panel inferior derecho. Los resultados se representan con una resolución temporal de 10 Hz, que corresponde a la resolución de los datos de FC y PAS submuestreados. Haga clic en Guardar y salir y continuar con la operación 8 (Ejecutar modelo). Esta figura se guardará en la carpeta Figuras/Model_fits como [nombre del paciente] + _nominal.png.

14. Análisis de sensibilidad (Operación 9)

NOTA: El análisis de sensibilidad no es necesario para el análisis de datos. Este análisis genera un gráfico que representa la sensibilidad (o importancia) de los parámetros del modelo para una predicción precisa de la FC. Las sensibilidades se evalúan a una frecuencia de 10 Hz, correspondiente a los datos de FC y PAS submuestreados. La operación utiliza el análisis de sensibilidad local descrito en detalle por Randall et al.20

  1. Esta operación calcula la sensibilidad de los parámetros del modelo a la HR. Los resultados (en una escala logarítmica) que representan sensibilidades clasificadas se muestran en MFigure 1 (Figura 10). Haga clic en Guardar y salir y continúe con la operación 10 (Optimización). Tenga en cuenta que este cálculo tarda unos minutos. El resultado mostrado en MFigure 1 se guarda en la carpeta Figuras/Model_fits como [nombre del paciente] + _sensitivities.png.

figure-protocol-10
Figura 10: Sensibilidad de los parámetros del modelo a la predicción de la frecuencia cardíaca. El modelo y los parámetros se discuten en detalle en el estudio de Randall et al.20, y los parámetros estimados se explican en la Tabla 2. Haga clic aquí para ver una versión más grande de esta figura.

15. Optimización (Operación 10)

NOTA: Esta operación estima un subconjunto de parámetros identificables dado el modelo matemático de ecuaciones diferenciales y la disponibilidad de datos (HR). El resultado es un modelo de FC calibrado con datos submuestreados a 10 Hz. Además de un conjunto de parámetros estimados, el modelo optimizado predice señales simpáticas y parasimpáticas. Si la simulación no se ajusta bien a los datos, las señales simpáticas y parasimpáticas predichas no se pueden interpretar. La optimización se lleva a cabo utilizando el método de Levenberg Marquardt descrito por Randall et al.20.

  1. La estimación de los parámetros puede tardar entre 5 y 10 minutos en completarse. Durante el cálculo, la ventana de comandos de MATLAB imprime hasta 30 líneas de cinco números que denotan (de izquierda a derecha) la norma de gradiente, el coste de mínimos cuadrados, el número de iteración y el número de condición de la matriz jacobiana. Cuando se complete la optimización y continúe con la Operación 11 (Trazar predicciones del modelo). El parámetro estimado y un vector INDMAP se guardan en la carpeta Optimizado.

16. Trazar las predicciones del modelo (Operación 11)

NOTA: Los resultados de las predicciones del modelo con valores de parámetros nominales (Paso 13, Operación 8) y estimados (Paso 15, Operación 10) se representan a una resolución de 10 Hz correspondiente a los datos submuestreados. Si la predicción de HR que se muestra en el panel superior derecho de MFigure 1 es razonable, el código predice la señalización simpática y parasimpática (panel inferior derecho de MFigure 1).

  1. En el menú, Seleccionar predicciones de modelo para ver, haga clic en Nominal para trazar las predicciones del modelo del paso 13 y Optimizado para ver las predicciones del modelo optimizado del paso 15. La figura 1 (parámetros nominales de la figura 11A y parámetros optimizados de la figura 11B ) muestra la presión arterial (mmHg) en la esquina superior izquierda, la frecuencia cardíaca (lpm) en los datos de la esquina superior derecha (azul) y el modelo (magenta), la presión torácica (Pth, mmHg) está en la esquina inferior izquierda. La predicción de señales parasimpáticas (magenta) y simpáticas (púrpura oscuro) se encuentran en la esquina inferior derecha. Haga clic en Guardar y salir, y continúe con la Operación 12 (Resumen). Esta figura se guardará en la carpeta Figuras/Model_fits bajo el nombre [nombre del paciente] + _[acción].pn, donde [acción=nominal] o [acción=óptima] dependiendo de la acción elegida.

figure-protocol-11
Figura 11: Predicción del modelo. El modelo se predijo con (A) valores nominales y (B) valores de parámetros optimizados. La figura muestra arriba a la izquierda: presión arterial (línea azul gruesa de la PAS y línea azul clara continua de la PA, mmHg); arriba a la derecha: frecuencia cardíaca (FC, lpm), predicción del modelo (línea rosa) y datos (línea azul); abajo a la izquierda: presión torácica (Pth, mmHg) línea azul oscuro; y abajo a la derecha: predicciones de actividad parasimpática (rosa) y simpática (morada). Ambos son adimensionales. Haga clic aquí para ver una versión más grande de esta figura.

17. Resumen (Operación 12)

  1. Un resumen de los hallazgos se almacena como una hoja de cálculo de Excel (.xlsx) y como un archivo separado por comas (.csv). El menú Guardar datos consulta: Ingrese el nombre del archivo de resumen de datos (por ejemplo, FileName), ingrese el nombre preferido en el cuadro de texto.
  2. Si los archivos existen, un menú consulta al usuario: Agregar o sobrescribir el archivo existente. Esta operación también imprime salidas en la línea de comandos de MATLAB. Haga clic en Aceptar para generar el archivo y en Cancelar para enviar solo a la línea de comandos. El archivo guardado (.xlxs y .cvs) contiene información del paciente (Operación 1, Paso 6), Marcadores Clínicos y Líneas de Regresión (Operación 7, Paso 12) y valores de parámetros Nominales (u Optimizados) (Operación 11, Paso 16). Para cada línea de regresión, el valor R2 indica la bondad del ajuste.
    NOTA: Esta operación (paso 17) se puede completar sin ejecutar los pasos de modelado, sensibilidad y optimización (operaciones 8-11).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Los ocho conjuntos de datos de ejemplo se seleccionan para representar una amplia gama de respuestas. La Figura 3, la Figura 4, la Figura 5, la Figura 6, la Figura 7, la Figura 8, la Figura 9, la Figura 10 y la Figura 11 presentan los resultados de un suje...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El software ValsalvaAnalyzer demostrado en este estudio proporciona funcionalidad para analizar los datos clínicos de ECG y PA registrados durante la maniobra de Valsalva. El software ofrece la capacidad de limpiar señales ruidosas, lo que hace factible obtener medidas consistentes en toda la población. Con los datos corregidos, el software calcula más de 35 marcadores que el usuario puede interpretar. El software tiene como objetivo incluir todas las cantidades conocidas reportadas dura...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen nada que revelar.

Agradecimientos

Este estudio fue parcialmente financiado por los premios de la National Science Foundation (DMS-2051010) y los premios de la NSA (H98230-21-1-0014 y H98230-20-1-0259). Queremos agradecer a Sanaa Elmajdoubi, Rigshospitalet, Dinamarca, Niloufar Mehrani y Jesper Mehlsen, Klinik Mehlsen, Dinamarca por probar el software. Queremos agradecer a E. Benjamin Randall, Applied Research Associates, Raleigh, Carolina del Norte, por discutir el modelo matemático e Iryna Palamarchuk, Universidad de Toronto, Canadá, por la discusión de los índices. Finalmente, agradecemos a Sophie Carlson, de la Universidad de California en San Diego, por revisar y editar el código computacional. El software almacena los resultados localmente en la computadora y no comparte información con entidades externas. Los desarrolladores del software ValsalvaAnalyzer no son responsables del uso y la protección de los datos de los pacientes. Cualquier usuario de ValsalvaAnalyzer es responsable de proteger los datos y obtener las aprobaciones adecuadas antes de publicar los resultados generados con este software.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Software LabChartADInstrumentsque los datos analizados se exportan desde
el software MATLABMathworksutilizado para el programa ValsalvaAnalyzer

Referencias

  1. Palamarchuk, I., Baker, J., Kimpinski, K. The utility of Valsalva maneuver in the diagnoses of orthostatic disorders. Am J Physiol. 310 (3), R243-R252 (2016).
  2. Pstras, L., Thomaseth, K., Waniewski, K., Balzani, I., Bellavere, F. The Valsalva manoeuvre: physiology and clinical examples. Acta Physiologica. 217 (2), 103-119 (2016).
  3. Singer, W., OpferGgehrking, T., McPhee, B., Hilz, M., Low, P. Influence of posture on the Valsalva manoeuvre. Clin Sci (London). 100 (4), 433-440 (2001).
  4. Groth, P., Tjernström, O. Pressure chamber tests for selection of aircrew. ORL J Otorhinolaryngol Relat Spec. 46 (5), 264-269 (1984).
  5. Gelfman, D. The Valsalva maneuver, set in stone. Am J Med. 134 (6), 823-824 (2021).
  6. Pstras, L., Thomaseth, K., Waniewski, J., Baizani, I., Bellavere, F. Mathematical modelling of cardiovascular response to the Valsalva manoeuvre. Math Med Biol. 34 (2), 261-292 (2017).
  7. Barbato, A. Chapter 78 - The History, Physical, and Laboratory Examinations. , Butterworths. (1990).
  8. Low, P., et al. Effect of age and gender on sudomotor and cardiovagal function and blood pressure response to tilt in normal subjects. Muscle Nerve. 20 (12), 1561-1568 (1997).
  9. Ewing, D., Martyn, C., Young, R., Clarkea, B. The value of cardiovascular autonomic function tests: 10 years experience in diabetes. Diabetes Care. 8 (5), 491-498 (1985).
  10. Nagar, A., Dhingra, N. Valsalva retinopathy. Postgrad Med J. 93 (1097), 174(2017).
  11. Sandroni, P., Novak, V., Opfer-Gehrking, T., Huck, C., Low, P. Mechanisms of blood pressure alterations in response to the Valsalva maneuver in postural tachycardia syndrome. Clin Auton Res. 10 (1), 1-5 (2000).
  12. El-Khayat, A. Valsalva haemorrhagic retinopathy in pregnancy after yoga. BMJ Case Rep. 2017, bcr2017221099(2017).
  13. Low, P. Testing the autonomic nervous system. Semin Neurol. 23 (4), 407-421 (2003).
  14. Won, H., Kim, P., Lee, J. Changes in echogenicity of hepatic hemangiomas during the Valsalva maneuver. J Clin Ultrasound. 45 (6), 328-331 (2017).
  15. Ricci, S., Moro, L., Minotti, G., Incalzi, R., De Maeseneer, M. Valsalva maneuver in phlebologic practice. Phlebology. 33 (2), 75-83 (2018).
  16. Felker, G., Cuculich, P., Gheorghiade, M. The Valsalva maneuver: a bedside "biomarker" for heart failure. Am J Med. 119 (2), 117-122 (2006).
  17. Kim, J., et al. Utility of corrected QT interval in orthostatic intolerance. PLoS One. 9 (9), e106417(2014).
  18. Kim, H., Yi, H., Hong, J., Lee, H. Detailed relationship between the pattern of blood pressure change during the Valsalva maneuver and the degree of orthostatic hypotension during the head-up tilt test in patients with orthostatic intolerance: a retrospective case-control study. Medicine (Baltimore). 95 (19), e3608(2016).
  19. Bingger, W., Mitchell, R., Harron, D., McKaigue, J., McAloney, R. Real time analysis of Valsalva maneuver. Comput BIol Med. 19 (5), 319-329 (1989).
  20. Randall, E., Billeschou, A., Brinth, L., Mehlsen, J., Olufsen, M. A model-based analysis of autonomic nervous function in response to the Valsalva maneuver. J Appl Physiol. 127 (5), 1386-1402 (2019).
  21. Motamedi, M., Akbarzadeh, M., Safari, S., Shahhoseini, M. Valsalva maneuver using a Handmade Device in Supraventricular Tachycardia Reversion; a quasi experimental study. Emerg (Tehran). 5 (1), e81(2017).
  22. Abdulhamid, A., et al. Modified Valsalva versus standard Valsalva for cardioversion of supraventricular tachycardia: systematic review and meta-analysis. Int J Arrhythmia. 22, 2(2021).
  23. VitalScan. The future of health care autonomic nervous system testing. , (2023).
  24. Heart rate variability (HRV) software. , Kubios. (2023).
  25. Robertson, D., Biaggioni, I., Burnstock, G., Low, P. A., Paton, J. Primer on the autonomic nervous system. , Elsevier. (2012).
  26. Hristovska, A., et al. Orthostatic intolerance after acute mild hypovolemia: incidence, pathophysiologic hemodynamics, and heart-rate variability analysis-a prospective observational cohort study. Can J Anaesth. 70 (10), 1587-1599 (2023).
  27. Hristovska, A., Uldall-Hansen, B., Mehlsen, J., Kehlet, H., Foss, N. Orthostatic intolerance after intravenous administration of morphine: incidence, haemodynamics and heart rate variability analysis. Anesthesia. 78 (4), 526-528 (2022).
  28. Geddes, J., Ottesen, J., Mehlsen, J., Olufsen, M. Postural orthostatic tachycardia syndrome explained using a baroreflex response model. JR Soc Interface. 19 (193), 20220220(2022).
  29. Overweight and obesity. , Centers for Disease Control and Prevention. https://www.cdc.gov/obesity/index.html (2022).
  30. Denq, J., O'Brian, P., Low, P. Normative data on phases of the Valsalva maneuver. J Clini Neurophysiol. 15 (6), 535-540 (1998).
  31. Sandroni, P., Benarroch, E., Low, P. Pharmacological dissection of components of the Valsalva maneuver in adrenergic failure. J Appl Physiol. 71 (4), 1563-1567 (1985).
  32. Huang, C., Sandroni, P., Sletten, D., Weigand, S., Low, P. Effect of age on adrenergic and vagal baroreflex sensitivity in normal subjects. Muscle Nerve. 36 (5), 637-642 (2007).
  33. Novak, P. Assessment of sympathetic index from the Valsalva maneuver. Neurology. 76 (23), 2010-2016 (2011).
  34. Wada, N., et al. Determination of vagal baroreflex sensitivity in normal subjects. Muscle Nerve. 50 (4), 535-540 (2014).
  35. Wada, N., et al. Comparison of baroreflex sensitivity with a fall and rise in blood pressure induced by the Valsalva manoeuvre. Clin Sci (London). 127 (5), 307-313 (2014).
  36. Schrezenmaier, C., et al. Adrenergic and vagal baroreflex sensitivity in autonomic failure. Arch Neurol. 64 (3), 381-386 (2007).
  37. Trefethen, L. Spectral methods in Matlab. , SIAM. (2000).
  38. Moštak, I., Višnjić, N., Junaković, A., Skorić, M. Comparison of baroreflex sensitivity indices with standard tests of autonomic system function. J Neurol Sci. 426, 117473(2021).
  39. García, J., López, A., Stefan, M., Milner, D. Influence of repetitions on the Valsalva maneuver. Neurophysiol Prac. 5, 104-111 (2020).
  40. Vogel, E., Sandroni, P., Low, P. Blood pressure recovery from Valsalva maneuver in patients with autonomic failure. Neurology. 65 (10), 1533-1537 (2005).
  41. Kobayashi, H. Normalization of respiratory sinus arrhythmia by factoring in tidal volume. Appl Human Sci. 17 (5), 207-213 (1998).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

An lisis de la frecuencia card acaan lisis de la presi n arterialsensibilidad del barorreflejoprocesamiento de se ales de ECGdisfunci n auton micasoftware MATLABdin mica simp ticadin mica parasimp tica
Software para el análisis de datos de series temporales de frecuencia cardíaca y presión arterial de la maniobra de Valsalva
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.