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

Resumo Técnico: Criação de Conjuntos de Dados de PPG com Rotulagem Clínica do MIMIC-III para Pesquisa em CAD e CVD

Definição do Problema
Apesar da ampla disponibilidade de sinais de Fotopletismografia (PPG) em conjuntos de dados públicos, há uma escassez significativa de recursos que combinem formas de onda de PPG ao nível do paciente com rótulos clinicamente significativos para Doença Arterial Coronariana (CAD) e Doenças Cardiovasculares (CVD) de forma mais ampla. Os conjuntos de dados públicos existentes são projetados primariamente para estimativa de frequência cardíaca, reconhecimento de estresse ou predição de pressão arterial sem o uso de braçadeira, carecendo dos códigos de diagnóstico estruturados e da agregação ao nível do paciente necessários para a construção de coortes de doenças. Além disso, a falta de documentação transparente sobre o pré-processamento, a lógica dos códigos de diagnóstico e a separação ao nível do paciente nos recursos existentes limita a reprodutibilidade e gera riscos de vazamento de informações (information leakage) quando janelas de forma de onda do mesmo sujeito são utilizadas em diferentes partições de análise.

Metodologia
Os autores apresentam um fluxo de trabalho reprodutível de cinco etapas para construir conjuntos de dados de PPG rotulados clinicamente a partir dos componentes de forma de onda e clínicos correspondentes do banco de dados MIMIC-III. O fluxo de trabalho é implementado em Python e foi projetado para ser executado localmente por usuários autorizados.

1. Extração de Forma de Onda de PPG:

   • As formas de onda foram extraídas do banco de dados de formas de onda correspondentes do MIMIC-III (mimic3wdb-matched/1.0) usando APIs WFDB.
   • O fluxo de trabalho identificou canais de PPG pesquisando por "PLETH" ou "PPG" nos nomes dos canais.
   • Os registros foram processados para reter os primeiros oito minutos de amostras finitas. Os dois primeiros minutos foram descartados, e os minutos 3–8 foram retidos como um segmento de seis minutos.
   • Controle de Qualidade: Segmentos foram excluídos se o desvio padrão fosse inferior a 0,01 ou se a amplitude pico a pico fosse inferior a 0,05.
   • Os segmentos de seis minutos aceitos foram divididos em seis janelas de um minuto (ppg_min_3 até ppg_min_8).

2. Vinculação Demográfica:

   • As linhas de forma de onda foram vinculadas às tabelas PATIENTS e ADMISSIONS usando o SUBJECT_ID.
   • O gênero foi mesclado diretamente de PATIENTS.
   • A idade foi calculada com base no tempo de admissão mais precoce e na data de nascimento. Idades >300 (desidentificadas) foram mapeadas para 90, e idades >89 foram agrupadas como 90 para análise.

3. Eventos de Diagnóstico e Rotulagem:

   • Os rótulos foram derivados da tabela DIAGNOSES_ICD vinculada a ADMISSIONS.
   • Rótulo Estrito de CAD: Atribuído se o paciente apresentasse um código ICD-9 iniciando com 4140 (Aterosclerose coronária).
   • Rótulo Amplo de CVD: Atribuído se o paciente apresentasse códigos ICD-9 iniciando com 410–414 (Doença cardíaca isquêmica), 420–429 (Outras doenças cardíacas) ou 440–448 (Doenças arteriais).
   • Comorbidades: Flags para Diabetes (250), Colesterol Alto (272) e Obesidade (278) foram geradas ao nível do sujeito.
   • Lógica de Atribuição de Rótulo: Como as linhas de PPG extraídas careciam de carimbos de data/hora (timestamps) explícitos ou IDs de admissão para corresponder a eventos de diagnóstico específicos, os rótulos foram atribuídos ao nível do SUBJECT_ID. Um sujeito foi rotulado como positivo se qualquer evidência de diagnóstico relevante existisse em seu registro.

4. Agregação ao Nível do Paciente:

   • Para evitar o vazamento de informações, o fluxo de trabalho reduziu múltiplos registros de forma de onda por sujeito a um único registro selecionado por SUBJECT_ID.
   • Uma salvaguarda determinística ordenou por record_id para garantir a reprodutibilidade caso ocorressem linhas duplicadas.
   • O resultado final consiste em uma linha por paciente contendo demografia, rótulos binários de doença/comorbidade e seis janelas de um minuto de PPG.

5. EDA e Validação:

   • Os conjuntos de dados finais passaram por validação de unicidade ao nível do paciente, integridade de rótulo binário, consistência de caso-controle e completude das janelas de forma de onda.

Principais Contribuições

• Fluxo de Trabalho Reprodutível: Um pipeline documentado de ponta a ponta para extração, filtragem e rotulagem de dados de PPG do MIMIC-III, disponível via repositório GitHub.
• Duas Coortes Distintas:
  • Um Conjunto de Dados de CAD Estrito focando em especificidade (ICD-9 4140), excluindo casos cardiovasculares não resolvidos do grupo de controle.
  • Um Conjunto de Dados de CVD Amplo focando em cobertura (ICD-9 410–448), abrangendo doença cardíaca isquêmica, outras condições cardíacas e doenças arteriais.
• Design Consciente de Vazamento (Leakage-Aware): A agregação ao nível do paciente garante que as janelas de forma de onda do mesmo sujeito não apareçam como amostras independentes nas divisões de treinamento/teste.
• Metadados Ricos: Os arquivos CSV liberados incluem idade, sexo, flags de comorbidade, metadados da forma de onda (frequência de amostragem, registro de origem) e as seis janelas de PPG.

Resultados
O estudo produziu dois conjuntos de dados finais ao nível do paciente:

• Conjunto de Dados de CAD Estrito: Contém 3.465 pacientes únicos (1.625 positivos para CAD, 1.840 controles).
  • Os sujeitos positivos para CAD eram significativamente mais velhos (70,8 ± 12,6 anos) do que os controles (55,3 ± 17,1 anos), com um grande tamanho de efeito (Cohen's d = 1,02).
  • Sujeitos positivos para CAD mostraram maior prevalência de diabetes (44,6% vs. 20,1%), colesterol alto (63,1% vs. 24,2%) e obesidade.
• Conjunto de Dados de CVD Implementado: Contém 5.456 pacientes únicos (3.616 positivos para CVD, 1.840 controles).
  • O grupo positivo para CVD também era significativamente mais velho (68,4 ± 14,8 anos) do que os controles (55,3 ± 17,1 anos), com Cohen's d = 0,84.
  • Esta coorte representa 66,3% de casos positivos para CVD.
• Características do Sinal: Todos os registros retidos contêm seis janelas de um minuto amostradas a 125 Hz.

Significância e Alegações
Os autores posicionam este trabalho não como um modelo preditivo ou um benchmark de desempenho de algoritmos, mas como um recurso de contribuição de conjunto de dados. A principal significância reside em baixar a barreira de entrada para pesquisadores interessados em análise de PPG vinculada clinicamente. Ao fornecer um fluxo de trabalho transparente e documentado que lida com as tarefas não triviais de extração de forma de onda, filtragem de qualidade, vinculação de tabelas clínicas e construção de rótulos ICD-9, o estudo permite a regeneração dessas coortes específicas.

Os autores enfatizam que os conjuntos de dados pretendem apoiar futuros estudos de engenharia biomédica utilizando formas de onda fisiológicas derivadas do MIMIC. Eles explicitamente observam que o recurso favorece a "construção transparente de coortes e organização de pacientes consciente de vazamento" em vez de fenotipagem temporal exaustiva. O artigo reconhece limitações, incluindo a natureza retrospectiva dos dados, o uso de códigos ICD-9 que podem introduzir incerteza de codificação e a incapacidade de verificar o alinhamento temporal entre a forma de onda de PPG específica e a admissão do diagnóstico devido à ausência de carimbos de data/hora nos registros extraídos. Consequentemente, os autores aconselham os usuários a considerar os fatores de confusão de idade e sexo e a evitar interpretar o desempenho do modelo como evidência de sinal específica da doença sem o ajuste apropriado.