Creating Clinically Labeled MIMIC-III PPG Datasets for CAD and CVD Research: A Reproducible Workflow

Resumen Técnico: Creación de conjuntos de datos de PPG con etiquetas clínicas de MIMIC-III para la investigación en CAD y CVD

Planteamiento del problema
A pesar de la amplia disponibilidad de señales de fotopletismografía (PPG) en bases de datos públicas, existe una escasez significativa de recursos que combinen formas de onda de PPG a nivel de paciente con etiquetas clínicamente significativas para la enfermedad de la arteria coronaria (CAD) y enfermedades cardiovasculares (CVD) en general. Los conjuntos de datos públicos existentes están diseñados principalmente para la estimación de la frecuencia cardíaca, el reconocimiento de estrés o la predicción de la presión arterial sin manguito, careciendo de los códigos de diagnóstico estructurados y la agregación a nivel de paciente necesarios para la construcción de cohortes de enfermedades. Además, la falta de documentación transparente sobre el preprocesamiento, la lógica de los códigos de diagnóstico y la separación a nivel de paciente en los recursos existentes limita la reproducibilidad y genera riesgos de fuga de información cuando las ventanas de la forma de onda del mismo sujeto se utilizan en diferentes particiones de análisis.

Metodología
Los autores presentan un flujo de trabajo reproducible de cinco pasos para construir conjuntos de datos de PPG con etiquetas clínicas a partir de los componentes de formas de onda y clínicos emparejados de la base de datos MIMIC-III. El flujo de trabajo está implementado en Python y está diseñado para ser ejecutado localmente por usuarios autorizados.

1. Extracción de la forma de onda de PPG:

   • Las formas de onda se extrajeron de la base de datos de formas de onda emparejadas de MIMIC-III (mimic3wdb-matched/1.0) utilizando las API de WFDB.
   • El flujo de trabajo identificó los canales de PPG buscando "PLETH" o "PPG" en los nombres de los canales.
   • Los registros se procesaron para retener los primeros ocho minutos de muestras finitas. Se descartaron los dos primeros minutos y se retuvieron los minutos 3 a 8 como un segmento de seis minutos.
   • Control de Calidad: Los segmentos se excluyeron si la desviación estándar era inferior a 0.01 o si la amplitud pico a pico era inferior a 0.05.
   • Los segmentos aceptados de seis minutos se dividieron en seis ventanas de un minuto (ppg_min_3 hasta ppg_min_8).

2. Vinculación Demográfica:

   • Las filas de la forma de onda se vincularon con las tablas PATIENTS y ADMISSIONS mediante el SUBJECT_ID.
   • El género se fusionó directamente desde PATIENTS.
   • La edad se calculó basándose en la fecha de la admisión más temprana y la fecha de nacimiento. Las edades >300 (desidentificadas) se mapearon a 90, y las edades >89 se agruparon como 90 para el análisis.

3. Eventos de Diagnóstico y Etiquetado:

   • Las etiquetas se derivaron de la tabla DIAGNOSES_ICD vinculada con ADMISSIONS.
   • Etiqueta Estricta de CAD: Se asignó si el paciente tenía un código ICD-9 que comenzaba con 4140 (Aterosclerosis coronaria).
   • Etiqueta Amplia de CVD: Se asignó si el paciente tenía códigos ICD-9 que comenzaban con 410–414 (Enfermedad isquémica del corazón), 420–429 (Otras enfermedades cardíacas) o 440–448 (Enfermedades arteriales).
   • Comorbilidades: Se generaron indicadores para Diabetes (250), Colesterol Alto (272) y Obesidad (278) a nivel de sujeto.
   • Lógica de Asignación de Etiquetas: Dado que las filas de PPG extraídas carecían de marcas de tiempo explícitas o IDs de admisión para coincidir con eventos de diagnóstico específicos, las etiquetas se asignaron a nivel de SUBJECT_ID. Un sujeto fue etiquetado como positivo si existía cualquier evidencia de diagnóstico relevante en su registro.

4. Agregación a Nivel de Paciente:

   • Para evitar la fuga de información, el flujo de trabajo redujo múltiples registros de forma de onda por sujeto a un único registro seleccionado por SUBJECT_ID.
   • Un salvaguarda determinista ordenó por record_id para asegurar la reproducibilidad en caso de que ocurrieran filas duplicadas.
   • El resultado final consiste en una fila por paciente que contiene demografía, etiquetas binarias de enfermedad/comorbilidad y seis ventanas de un minuto de PPG.

5. EDA y Validación:

   • Los conjuntos de datos finales se sometieron a validación de unicidad a nivel de paciente, integridad de etiquetas binarias, consistencia de casos y controles, y completitud de las ventanas de la forma de onda.

Contribuciones Clave

• Flujo de Trabajo Reproducible: Un pipeline documentado de extremo a extremo para la extracción, filtrado y etiquetado de datos de PPG de MIMIC-III, disponible a través de un repositorio de GitHub.
• Dos Cohortes Distintas:
  • Un Conjunto de Datos de CAD Estricto centrado en la especificidad (ICD-9 4140), excluyendo casos cardiovasculares no resueltos del grupo de control.
  • Un Conjunto de Datos de CVD Amplio centrado en la cobertura (ICD-9 410–448), que abarca la enfermedad isquémica del corazón, otras afecciones cardíacas y enfermedades arteriales.
• Diseño Consciente de la Fuga de Información: La agregación a nivel de paciente asegura que las ventanas de la forma de onda del mismo sujeto no aparezcan como muestras independientes en las divisiones de entrenamiento/prueba.
• Metadatos Ricos: Los archivos CSV liberados incluyen edad, sexo, indicadores de comorbilidad, metadatos de la forma de onda (frecuencia de muestreo, registro de origen) y las seis ventanas de PPG.

Resultados
El estudio produjo dos conjuntos de datos finales a nivel de paciente:

• Conjunto de Datos de CAD Estricto: Contiene 3,465 pacientes únicos (1,625 positivos para CAD, 1,840 controles).
  • Los sujetos positivos para CAD eran significativamente mayores (70.8 ± 12.6 años) que los controles (55.3 ± 17.1 años), con un gran tamaño de efecto (Cohen's d = 1.02).
  • Los sujetos positivos para CAD mostraron una mayor prevalencia de diabetes (44.6% vs. el 20.1%), colesterol alto (63.1% vs. el 24.2%) y obesidad.
• Conjunto de Datos de CVD Implementado: Contiene 5,456 pacientes únicos (3,616 positivos para CVD, 1,840 controles).
  • El grupo positivo para CVD también fue significativamente mayor (68.4 ± 14.8 años) que los controles (55.3 ± 17.1 años), con un Cohen's d = 0.84.
  • Esta cohorte representa un 66.3% de casos positivos para CVD.
• Características de la Señal: Todos los registros retenidos contienen seis ventanas de un minuto muestreadas a 125 Hz.

Significancia y Reivindicaciones
Los autores posicionan este trabajo no como un modelo predictivo o un benchmark para el rendimiento de algoritmos, sino como un recurso de contribución de conjuntos de datos. La principal significancia radica en reducir la barrera de entrada para investigadores interesados en el análisis de PPG vinculado clínicamente. Al proporcionar un flujo de trabajo transparente y documentado que gestiona las tareas no triviales de extracción de formas de onda, filtrado de calidad, vinculación de tablas clínicas y construcción de etiquetas ICD-9, el estudio permite la regeneración de estas cohortes específicas.

Los autores enfatizan que los conjuntos de datos están destinados a apoyar futuros estudios de ingeniería biomédica utilizando formas de onda fisiológicas derivadas de MIMIC. Expresan explícitamente que el recurso favorece la "construcción transparente de cohortes y la organización de pacientes consciente de la fuga de información" sobre la fenotipificación temporal exhaustiva. El documento reconoce limitaciones, incluyendo la naturaleza retrospectiva de los datos, el uso de códigos ICD-9 que pueden introducir incertidumbre en la codificación, y la imposibilidad de verificar la alineación temporal entre la forma de onda de PPG específica y la admisión del diagnóstico debido a la falta de marcas de tiempo en las filas extraídas. En consecuencia, los autores aconsejan a los usuarios tener en cuenta los factores de confusión de edad y sexo, y evitar interpretar el rendimiento del modelo como evidencia de la señal específica de la enfermedad sin el ajuste apropiado.