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

Sintesi Tecnica: Creazione di dataset PPG con etichettatura clinica da MIMIC-III per la ricerca su CAD e CVD

Problematica
Nonostante la vasta disponibilità di segnali di fotopletismografia (PPG) in database pubblici, esiste una significativa scarsità di risorse che combinino le forme d'onda PPG a livello di paziente con etichette clinicamente significative per la coronaropatia (CAD) e le malattie cardiovascolari (CVD) in senso lato. I dataset pubblici esistenti sono progettati principalmente per la stima della frequenza cardiaca, il riconoscimento dello stress o la predizione della pressione sanguigna senza bracciale, carendo della struttura necessaria per i codici diagnostici e l'aggregazione a livello di paziente per la costruzione di coorti di malattie. Inoltre, la mancanza di documentazione trasparente riguardante il pre-processing, la logica dei codici diagnostici e la separazione a livello di paziente nei database esistenti limita la riproducibilità e rischia di causare perdite di informazioni (information leakage) quando le finestre di forma d'onda dello stesso soggetto vengono utilizzate in diverse partizioni di analisi.

Metodologia
Gli autori presentano un workflow riproducibile in cinque fasi per costruire dataset PPG etichettati clinicamente partendo dai componenti di forma d'onda e clinici accoppiati del database MIMIC-III. Il workflow è implementato in Python ed è progettato per essere rieseguito localmente da utenti autorizzati.

1. Estrazione della forma d'onda PPG:

   • Le forme d'onda sono state estratte dal database di forme d'onda accoppiate di MIMIC-III (mimic3wdb-matched/1.0) utilizzando le API WFDB.
   • Il workflow ha identificato i canali PPG cercando "PLETH" o "PPG" nei nomi dei canali.
   • I record sono stati elaborati per conservare i primi otto minuti di campioni finiti. I primi due minuti sono stati scartati, mentre i minuti 3–8 sono stati conservati come un segmento di sei minuti.
   • Controllo Qualità: I segmenti sono stati esclusi se la deviazione standard era inferiore a 0,01 o se l'ampiezza picco-picco era inferiore a 0,05.
   • I segmenti di sei minuti accettati sono stati suddivisi in sei finestre da un minuto (ppg_min_3 attraverso ppg_min_8).

2. Collegamento Demografico:

   • Le righe delle forme d'onda sono state collegate alle tabelle PATIENTS e ADMISSIONS tramite SUBJECT_ID.
   • Il genere è stato unito direttamente da PATIENTS.
   • L'età è stata calcolata in base alla prima ammissione e alla data di nascita. Le età >300 (de-identificate) sono state mappate a 90, e le età >89 sono state raggruppate a 90 per l'analisi.

3. Eventi Diagnostici ed Etichettatura:

   • Le etichette sono state derivate dalla tabella DIAGNOSES_ICD collegata a ADMISSIONS.
   • Etichetta CAD Rigorosa: Assegnata se il paziente presentava un codice ICD-9 che iniziava con 4140 (Aterosclerosi coronarica).
   • Etichetta CVD Ampia: Assegnata se il paziente presentava codici ICD-9 che iniziavano con 410–414 (Cardiopatia ischemica), 420–429 (Altre malattie cardiache) o 440–448 (Malattie arteriose).
   • Comorbilità: Flag per Diabete (250), Colesterolo Alto (272) e Obesità (278) sono stati generati a livello di soggetto.
   • Logica di Assegnazione Etichette: Poiché le righe PPG estratte mancavano di timestamp espliciti o ID di ammissione per il matching con specifici eventi diagnostici, le etichette sono state assegnate a livello di SUBJECT_ID. Un soggetto era etichettato come positivo se esisteva qualsiasi evidenza diagnostica rilevante nel suo record.

4. Aggregazione a Livello di Paziente:

   • Per prevenire la perdita di informazioni (information leakage), il workflow ha ridotto molteplici record di forma d'onda per soggetto a un singolo record selezionato per SUBJECT_ID.
   • Una salvaguardia deterministica ha ordinato per record_id per garantire la riproducibilità in caso di righe duplicate.
   • L'output finale consiste in una riga per paziente contenente demografia, etichette binarie di malattia/comorbilità e sei finestre PPG da un minuto.

5. EDA e Validazione:

   • I dataset finali sono stati sottoposti a validazione per l'unicità a livello di paziente, l'integrità delle etichette binarie, la coerenza caso-controllo e la completezza delle finestre di forma d'onda.

Contributi Chiave

• Workflow Riproducibile: Una pipeline documentata end-to-end per l'estrazione, il filtraggio e l'etichettatura dei dati PPG da MIMIC-III, disponibile tramite un repository GitHub.
• Due Coorti Distinte:
  • Un Dataset CAD Rigoroso focalizzato sulla specificità (ICD-9 4140), escludendo casi cardiovascolari non risolti dal gruppo di controllo.
  • Un Dataset CVD Ampio focalizzato sulla copertura (ICD-9 410–448), comprendente cardiopatia ischemica, altre condizioni cardiache e malattie arteriose.
• Design Consapevole della Perdita di Informazioni (Leakage-Aware): L'aggregazione a livello di paziente assicura che le finestre di forma d'onda dello stesso soggetto non appaiano come campioni indipendenti nelle divisioni di training/test.
• Metadati Ricchi: I file CSV rilasciati includono età, sesso, flag di comorbilità, metadati della forma d'onda (frequenza di campionamento, record sorgente) e le sei finestre PPG.

Risultati
Lo studio ha prodotto due dataset finali a livello di paziente:

• Dataset CAD Rigoroso: Contiene 3.465 pazienti unici (1.625 positivi a CAD, 1.840 controlli).
  • I soggetti positivi a CAD erano significativamente più anziani (70,8 ± 12,6 anni) rispetto ai controlli (55,3 ± 17,1 anni), con un grande effetto (Cohen's d = 1,02).
  • I soggetti positivi a CAD mostravano una maggiore prevalenza di diabete (44,6% vs 20,1%), colesterolo alto (63,1% vs 24,2%) e obesità.
• Dataset CVD Implementato: Contiene 5.456 pazienti unici (3.616 positivi a CVD, 1.840 controlli).
  • Il gruppo positivo a CVD era anche significativamente più anziano (68,4 ± 14,8 anni) rispetto ai controlli (55,3 ± 17,1 anni), con Cohen's d = 0,84.
  • Questa coorte rappresenta il 66,3% dei casi positivi a CVD.
• Caratteristiche del Segnale: Tutti i record conservati contengono sei finestre da un minuto campionate a 125 Hz.

Significatività e Claim
Gli autori posizionano questo lavoro non come un modello predittivo o un benchmark per le prestazioni degli algoritmi, ma come una risorsa di contribuzione di dataset. La significatività primaria risiede nell'abbassare la barriera d'ingresso per i ricercatori interessati all'analisi clinica del PPG. Fornendo un workflow trasparente e documentato che gestisce i compiti non banali dell'estrazione delle forme d'onda, del filtraggio della qualità, del collegamento delle tabelle cliniche e della costruzione di etichette ICD-9, lo studio consente la rigenerazione di queste specifiche coorti.

Gli autori sottolineano che i dataset sono destinati a supportare futuri studi di ingegneria biomedica utilizzando forme d'onda fisiologiche derivate da MIMIC. Essi notano esplicitamente che la risorsa privilegia la "costruzione trasparente della coorte e l'organizzazione del paziente consapevole della perdita di informazioni" rispetto a una fenotipizzazione temporale esaustiva. Il documento riconosce i limiti, tra cui la natura retrospettiva dei dati, l'uso di codici ICD-9 che può introdurre incertezza nella codifica, e l'impossibilità di verificare l'allineamento temporale tra la specifica forma d'onda PPG e l'ammissione diagnostica a causa della mancanza di timestamp nelle righe estratte. Di conseguenza, gli autori consigliano agli utenti di tenere conto dei fattori di confondimento come età e sesso e di evitare di interpretare le prestazioni del modello come evidenza del segnale specifica per la malattia senza un appropriato aggiustamento.