Aireztapenen maiztasunaren neurketa bihotz biriketako berpiztean kapnografia erabiliz.

Abstract

[EN]Hyperventilation, which is common both in-hospital and out-of-hospital cardiac arrest, decreases coronary and cerebral perfusion contributing to poorer survival rates in both animals and humans. Current resucitation guidelines recommend continuous monitoring of exhaled carbon dioxide (CO2) during cardiopulmonary resucitation (CPR) and emphasize good quality of CPR, including ventilations at 8-10 min1. Most of commercial monitors/de- brilators incorporate methods to compute the respiratory rate based on capnography since it shows uctuations caused by ventilations. Chest compressions may induce artifacts in this signal making the calculation of the respiratory rate di cult. Nevertheless, the accuracy of these methods during CPR has not been documented yet. The aim of this project is to analyze whether the capnogram is reliable to compute ventilation rate during CPR. A total of 91 episodes, 63 out-of-hospital cardiac arrest episodes ( rst database) and 28 in-hospital cardiac arrest episodes (second database) were used to develop an algorithm to detect ventilations in the capnogram, and the nal aim is to provide an accurate ventilation rate for feedback purposes during CPR. Two graphic user interfaces were developed to make the analysis easier and another two were adapted to carry out this project. The use of this interfaces facilitates the managment of the databases and the calculation of the algorithm accuracy. In the rst database, as gold standard every ventilation was marked by visual inspection of both the impedance, which shows uctuations with every ventilation, and the capnography signal. In the second database, volume of the respiratory ow signal was used as gold standard to mark ventilation instants since it is not a ected by chest compressions. The capnogram was preprocessed to remove high frequency noise, and the rst di erence was computed to de ne the onset of inspiration and expiration. Then, morphological features were extracted and a decission algorithm built based on the extracted features to detect ventilation instants. Finally, ventilation rate was calculated using the detected instants of ventilation. According to the results obtained in this project, the capnogram can be reliably used to give feedback ventilation rate, and therefore, on hyperventilation in a resucitation scenario.

[ES]La hiperventilaci on, muy com un durante la resucitaci on cardiopulmonar (RCP), disminuye la presi on de la perfusi on coronaria y cerebral, reduciendo la tasa de supervivencia tanto en animales como en personas. Las gu as de resucitaci on actuales, recomiendan la constante monitorizaci on del di oxido de carbono exhalado por el paciente y enfatizan la buena calidad del RCP, incluyendo ventilaciones con una frecuencia de 8-10 min1. La mayor a de los des briladores y monitores comercialmente disponibles a d a de hoy, usan la se~nal de capnograf a para el c alculo de dicha frecuencia, puesto que muestra uctuaciones con cada ventilaci on. El problema es que esta se~nal sufre interferencias causadas por las compresiones tor acicas, y la precisi on de los m etodos durante la RCP no ha sido documentada. En este contexto, el objetivo de este proyecto es analizar la abilidad del capnograma para la medida de la frecuencia de las ventilaciones durante la RCP. Para ello, se ha desarrollado un algoritmo que determina los instantes de ventilaci on a partir del capnograma, incluyendo los intervalos en los que se est an aplicando compresiones tor acicas. El objetivo nal es mostrar la frecuencia de ventilaciones. La base de se~nales utilizada incluye 91 episodios, de los cuales 63 pertenecen a paradas card acas extrahospitalarias (primera base de datos) y 28 intrahospitalarias (segunda base de datos). El desarrollo del proyecto incluye la implementaci on de dos herramientas gr a cas para la de nici on de la base de se~nales de prueba y para la evaluaci on del algoritmo de detecci on de ventilaciones. Adem as, se han adaptado otras dos herramientas gr a cas con el n de facilitar el proceso. Usando estas herramientas, la gesti on de las bases de datos y la medida de la precisi on del algoritmo ser an m as c omodas de realizar. En la primera base de datos, se han usado como referencia el capnograma y la se~nal de impedancia (la cual muestra uctuaciones en cada ventilaci on) para marcar las ventilaciones. En la segunda base de datos, se ha usado como referencia la se~nal de volumen del ujo respiratorio (la cual no se ve afectada por las compresiones tor acicas) para marcar las ventilaciones. El algoritmo preprocesa la se~nal para suprimir el ruido de alta frecuencia, y se calcula la primera diferencia para marcar los posibles instantes de inspiraci on/expiraci on. A partir de esta informaci on, se calculan ciertos par ametros y un algoritmo de decisi on descarta los falsos instantes de ventilaci on. Analizando los resultados, se puede concluir que el capnograma es able para la medida de la frecuencia respiratoria durante la resucitaci on cardiopulmonar. Adem as, en este documento se propone un algoritmo nuevo para conseguirlo.

[EU]Hiperbentilazioak, oso ohikoa bai ospitale-barruko (OB) eta bai ospitale-kanpoko (OK) bihotz-geldialdietan, biziraupen probabilitatea jaisten du. Egungo berpizte gomendioek, gaixoak botatako karbono dioxidoaren (CO2) etengabeko monitorizazioa gomendatzen dute bat-bateko bihotz geldialdi (BBG) eszenario batean, eta kalitate oneko bihotzbiriketako berpizte (BBB) bat bermatzeko, minutuko 8-10 aireztapen ematea gomendatzen dute. Egun merkatuan dauden monitore/des briladore gehienek, aireztapenen maiztasuna kapnograman oinarrituriko algoritmoen bidez kalkulatzen dute, baina sakadek interferentzia bat eragiten dute seinalearengan eta algoritmoen zehaztasuna ez da dokumentatu interferentzia hau ageri denean. Honen harira, proiektu honen helburua kapnogramaren zehaztasuna aztertzea da aireztapenen maiztasunaren kalkulurako, sakadak dauden testuinguru batean. Helburu hau betetzeko, algoritmo bat diseinatu da aireztapenak detektatzeko kapnograman BBB masajea aplikatzen ari den bitartean. Honetarako, guztira 91 episodioz osaturiko datu-multzoa erabili da, 63 OK geldialdiak ziren (lehenengo datu-basea) eta 28 OB geldialdiak (bigarren datu-basea). Prozesua errazteko asmoz, bi tresna gra ko garatu dira eta beste bi tresna proiektu honen betebeharrak asetzeko moldatu dira. Tresna hauek erabiliz, datu-baseen kudeaketa, algoritmoaren optimizazioa eta algoritmoaren zehaztasunaren analisia errazago gauzatzen dira. Lehenengo datu-basean, aireztapen guztiak inpedantzia-seinalea (zeinak uktuazioak erakusten dituen aireztapen bakoitzean) eta kapnograma erabiliz markatu dira. Bigarren datu-basean, bolumen-seinalea erabili da erreferentzi gisa aireztapenak markatzeko, sakadek sorturiko interferentziek gutxiago eragiten diote seinale honi eta aireztapenak erraz markatzen dira. Kapnograma aurreprozesatu egiten da goi-maiztasuneko zarata ezabatzeko, eta lehenengo diferentzia kalkulatzen da gaixoak arnasa hartu eta botatzen dituen uneak estimatzeko. Ondoren, parametro batzuk kalkulatzen dira eta deliberamendu algoritmo batek aireztapen uneak identi katzen ditu. Azkenik, aireztapenen maiztasuna kalkulatzen da. Emaitzak begiratuz, kapnograma aireztapenen maiztasunaren kalkulurako erabili daitekeela ondorioztatu daiteke, eta dokumentu honetan algoritmo berri bat proposatzen da hau lortzeko.