%0 Journal Article
%T An¨¢lisis cuantitativo de variables hemodin¨¢micas de la aorta obtenidas de 4D flow Quantitative analysis of hemodynamic variables of the aorta by 4D flow MRI
%A Julio Sotelo P
%A Rodrigo Salas F
%A Cristi¨¢n Tejos N
%A Ster¨¦n Chabert
%J Revista Chilena de Radiolog¨ªa
%D 2012
%I Publimpacto
%X Objetivo: Los par¨¢metros hemodin¨¢micos son de gran utilidad para realizar un adecuado diagn¨®stico. Sin embargo, debido a la gran cantidad de variables que pueden obtenerse, el an¨¢lisis global de todas ellas puede ser complejo. Para facilitar esta tarea, nosotros proponemos crear un modelo que permita clasificar distintas variables hemodin¨¢micas entre las pertenecientes a un individuo sano o a uno patol¨®gico. Para ello, usaremos t¨¦cnicas de miner¨ªa de datos que permitan identificar y encontrar relaciones entre distintos par¨¢metros hemodin¨¢micos de la aorta obtenidos a trav¨¦s de flujo multidimensional (4D flow) por resonancia magn¨¦tica. M¨¦todo: Una secuencia 4D flow de todo el coraz¨®n y los grandes vasos fue adquirida utilizando resonancia magn¨¦tica en 19 voluntarios sanos y 2 pacientes (uno con una coartaci¨®n a¨®rtica y otro con una coartaci¨®n a¨®rtica reparada). Retrospectivamente, los datos fueron reformateados a lo largo de la aorta, origin¨¢ndose 3 cortes en los voluntarios y 30 cortes en cada paciente. En cada corte la aorta fue segmentada y distintos par¨¢metros fueron cuantificados: ¨¢rea, velocidad m¨¢xima, velocidad m¨ªnima, flujo y volumen, calcul¨¢ndose en los cuatro ¨²ltimos su valor m¨¢ximo, promedio, desviaci¨®n est¨¢ndar, curtosis, sesgo, proporci¨®n de tiempo en alcanzar el valor m¨¢ximo, entre otros. Teniendo un total de 26 variables por cada corte. Se aplic¨® la t¨¦cnica de ¨¢rboles de decisi¨®n tipo CART (por sus siglas en ingl¨¦s) para clasificar los datos. Para validar el modelo, 2 cortes extras fueron generados por cada voluntario y 20 cortes por cada paciente. Resultados: La t¨¦cnica CART, mediante la utilizaci¨®n de s¨®lo 7 variables, puede clasificar las im¨¢genes de los voluntarios y pacientes con una tasa de error del 14,1%, una sensibilidad de 82,5% y una especificidad de 89.4%. Conclusiones: 4D flow provee una gran cantidad de datos hemodin¨¢micos que son dif¨ªciles de analizar. En este trabajo demostramos que al utilizar miner¨ªa de datos se pueden clasificar im¨¢genes a partir de par¨¢metros hemodin¨¢micos relevantes y sus relaciones para apoyar el diagn¨®stico de alteraciones cardiovasculares. Objective: Hemodynamic parameters are critical to perform a proper diagnosis. However, due to the large number of variables that can be obtained, overall analysis may represent a complex task. To facilitate this, we propose to create a model for classifying different hemodynamic variables between those belonging to a healthy individual and to a pathological patient. For this purpose, we employed data mining techniques to identify relationships among various aortic
%K CART
%K Resonancia magn¨¦tica card¨ªaca
%K 4D flow
%K Cardiac magnetic resonance
%K CART technique
%K 4D flow
%U http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0717-93082012000200005