Sistemas de Soporte a las Decisiones Clínicas basado en Inteligencia Artificial Aplicada al Diagnóstico de los Síndromes Coronarios Agudos

John Sprockel

Maestría de Ingeniería de Sistemas y Computación, Universidad Javerianajsprockel@javeriana.edu.co

Resumen. Los

Palabras Clave: inteligencia artificial, redes neuronales, lógica difusa, sistemas de soporte a la toma de decisiones, dolor torácico, síndrome coronario agudo, infarto agudo del miocardio enfermedad coronaria.

1. Introducción

El dolor torácico representa aproximadamente entre el 8 al 15% de los motivos de consulta a urgencias y es causado en su mayoría por condiciones benignas. Cuando éste pone en riesgo la vida, el éxito de su tratamiento depende principalmente de con cuanta rapidez sea instaurado [1]. El síndrome coronario agudo (SCA) es una de las primeras causas de muerte en todo el mundo, en una proporción importante de los casos puede ser difícil de diagnosticar. El diagnóstico diferencial es amplio, pudiendo afectar muchos sistemas e incluye enfermedades que ponen en riesgo la vida como el embolismo pulmonar, neumotórax a tensión y disección aórtica, necesitándose un diagnóstico rápido y tratamientos que son diferentes a aquel del SCA [2].

En la tabla 1 podemos identificar los principales puntos fuertes y falencias de cada una de las herramientas de la inteligencia artificial. Los sistemas híbridos buscan, complementar sus características en pos de optimizar algún aspecto de su desempeño. Un modelo basado en sistemas de agentes racionales colaborativos podrían brindar una aproximación diferente que valdría la pena explorar en la toma de decisiones.

--: malo, -: más bien mal, +: más bien bueno, ++: buenoSBR: Sistemas Basados en Reglas, LD: Sistemas Difusos, ANN: Redes Neuronales y AG: Algoritmos Genéticos*Modificado de Negnevitsky [2].

En las secciones que siguen se realizará una exposición, que pretende ser exhaustiva, acerca del uso de las diferentes estrategias de los sistemas inteligentes en el diagnóstico de los SCA.

1

SBR LD ANN AG

Representación del conocimiento + ++ --Tolerancia a la incertidumbre + ++ ++ ++Tolerancia a la imprecisión -- ++ ++ ++Adaptabilidad -- - ++ ++Habilidad de aprendizaje -- -- ++ ++Habilidad de explicación ++ ++ -- -Descubrimiento del conocimiento y mineria de datos

-- - ++ +

Mantenibilidad -- + ++ +

TABLA 1. Comparación entre: Sistemas Basados en Reglas, Sistemas Difusos, Redes Neuronales y Algoritmos Genéticos

2. Uso de Redes Neuronales para el Diagnóstico del Infarto Agudo del Miocardio

De acuerdo a la IEEE Computational Intelligence Society, las Redes Neuronales (RN): Son paradigmas computacionales basados en modelos matemáticos con capacidad de un fuerte patrón de reconocimiento. Una Red Neuronal es un algoritmo de cálculo que se basa en una analogía del sistema nervioso [4]. Se intenta imitar la capacidad de aprendizaje de éste, haciendo que aprenda a identificar patrones de asociación entre las entradas (variables predictivas) y los estados dependientes de ellas (salidas) [5 y 6]. La señal progresa desde las entradas hasta obtener una respuesta traducida en el nivel de activación de los nodos de salida, los cuales predicen el resultado de acuerdo a las variables de entrada [4].

En la tabla 2 se presenta un resumen de las principales características de diferentes ensayos para la evaluación de las redes neuronales en el diagnóstico del infarto.

AUTOR/AÑO ESTRATEGIA PACIENTES RESULTADOS COMENTARIOS

Baxt, 1991 † [7]

ANN para diagnóstico de infarto. 20 entradas, dos capas ocultas de 10 neuronas.

356 pacientes (178 entrenamiento y 178 pruebas), retrospectivo.Evaluación prospectiva en 331 pacientes.

Sensibilidad: 97.2%Especificidad: 96.2%(sensibilidad: 92% y especificidad: 96% en las pruebas)

Comprueban la utilidad de una ANN previamente creada. Vs médicos.

Baxt, 1996 † [8]

ANN para diagnóstico de infarto. 20 entradas, dos capas ocultas de 10 neuronas (la misma).

1071 pacientes de urgencias por dolor torácico con sospecha de IAM.

Sensibilidad: 96%Especificidad: 96%

Unicéntrico

Ellenius, 1997‡ [9]

ANN tipo SLP con algoritmo BP, para diagnóstico de infarto. Usaron fuzzificación para medir el tamaño del infarto.

88 pacientes (50 entrenamiento y 38 pruebas). Pertenecientes al estudio BIOMACS.

Sensibilidad:100%Especificidad: 93%VPP: 85%VPN: 100%

Se tuvo en cuenta diferentes arquitecturas de las ANN. Le fue mejor a los médicos, pero en dx fue más temprano.

Hedén, 1997† [10]

ANN tipo MLP usando la variación de Langevin de BP, para diagnóstico de infarto basado en el EKG. Capa de entrada 72, y una capa oculta de 15 neuronas.

1120 EKG de ptes en unidad de dolor torácico10452 EKG de control

La ANN mostró mayor sensibilidad que la de los criterios basados en reglas convencionales y que los cardiólogos.Especificidad: 95.2%

Comparado con los cardiólogos.

Ohno-Machado, 1998‡ [11]

Se construyeron 100 ANN con 100 diferentes grupos de entrenamiento removiendo datos progresivamente y la compararon con la que tenía todos los datos. Todas con 40 entradas, 30 en capa oculta y 1 salida.

700 ptes para entrenamiento, 553 ptes pruebas con sospecha de infarto y 500 ptes para validación.

La remoción de datos no afecta el rendimiento de la ANN hasta un umbral del 40%.

Evalúa la remoción de las observaciones redundantes para la reducción del tiempo de entrenamiento

Cházaro, 1998‡ [12]

ANN usando BP, para diagnóstico de infarto. 95 variables, una capa oculta y dos salidas, se eligió la mejor configuración entre 5 y 20 nodos ocultos.

563 ptes (422 entrenamiento y 141 pruebas). 104 con datos faltantes. 53 con infarto y 369 sin infarto.

Sensibilidad: 85% Especificidad: 91% (ANN de 20 nodos)(Md: 87 y 78% y RL: 81 y 86%)

Comparó con RL y los médicos de urgencias.

Ellenius, 2000a† [13]

ANN de múltiples tipos (9 en total), centrados en mioglobina, troponina y tiempo de los síntomas.

Ptes con sospecha de infarto y EKG no conclusivo

Sensibilidad: 77 – 95% Especificidad: 88 – 96%Los mejores fueron 3: MSLP y FSLP

Evalúa el desempeño de diferentes estructuras de ANN.

Ellenius, 2000b† [14]

ANN tipo MSLP para diagnóstico de infarto, análisis de Monte Carlo para verificar la evolución con respecto a los biomarcadores (series de tiempo.)

Ptes de los estudios IMACS y FAST, 167 en total con SCA y 790 sin SCA

Inició en la población A:Sensibilidad: 93% Especificidad: 92%Encuentran una función de corrección para ajustar los resultados a otra institución.

Se evaluó la posibilidad de trasferir los resultados obtenidos en un grupo de ptes a otro distinto.

Baxt, 2002† [15]

ANN feed-forward usando BP, para diagnóstico de infarto, técnica de

Entrenamiento: 50 ptes con IAM, 1000 sin IAM

Sensibilidad: 94.5%Especificidad: 95.9%

Comparado vs regresión logística.

2

varianza de jackknife. Pruebas: 28 ptes con IAM, 200 sin IAM2204 ptes evaluación prospectiva

(RL: 77.3% y 75%) La ANN funciona bien pese a un 5% de datos perdidos.Estudio de costos.

Hollander, 2004 † [16]

Dos ANN para diagnóstico de infarto y de los SCA. Con 40 variables

Antes: 4492 ptesDespués: 432 ptes

IAM: Sensibilidad: 95%Especificidad: 96%SCA: Sensibilidad: 88%Especificidad: 88%)No afectó la decisión del ingreso de ptes.

No evaluó el rendimiento de la ANN.Uso en tiempo real.De antes y después.Evaluó la apreciación de los médicos.

Harrison, 2005‡ [17]

ANN para diagnóstico de infarto, usando 13 variables (fue la mejor entre 8, 13, 20 y 40 variables evaluadas). No la describen muy bien.

Entrenamiento: 1253 ptes (hospital 1). Pruebas 1904 ptes (de otros 2 hospitales).

Sensibilidad: 93%Especificidad: 93%VPP: 88%VPN: 96%

Participaron 3 hospitales.No incorporaron biomarcadores.Datos ingresados por enfermeras.

Bigi, 2005† [18]

ANN para pronóstico del infarto no complicado. Multicapa feedforward con BP. 5-40 neuronas, MACE a 200 días.

496 ptes en recuperación de un infarto.

Precisión: 70%Sensibilidad: 38%Especificidad: 83%

Comparó con clasificadores Bayesianos.

Bulgiba, 2006‡ [19]

200 ANN tipo MLP probaron 2, 4, 8, 16, 32 y 64 neuronas en la capa oculta, con modelos de 9, 11, 23, 64 y 94 entradas. Dos algoritmos: gradiente desendente y Fletcher-Reeves.

710 ptes. La mejor ANN tuvo un área bajo la curva ROC de 0.79 con 9 entradas, igual que la regresión logística con 64 variables.

Comparado con regresión logística

Eggers, 2007† [20]

Tres ANN: dos para dx: un MLP con dos capas ocultas y un SLP. Y una para medir el tamaño del infarto: SLP.

310 ptes con dolor torácico Sensibilidad: 86, 96, 94%Especificidad: 86, 94, 89%VPP: 85, 92, 85%VPN: 100, 99, 100%

Buscó aumentar la velocidad del diagnóstico del IAMEn tres centros diferentes.

Al-Naima, 2008 ‡ [21]

ANN supervisada con algoritmo BP con dos capas ocultas, para la interpretación de ondas del EKG en diagnóstico de infarto.

43 EKG de pacientes sanos y con infarto.

FT-ANN: precisión: 85%, Sensibilidad: 80%.WT-ANN: precisión: 90%, Sensibilidad: 90%.

Comparó dos sistemas de procesamiento de señales: TF y WT.

Tabla 2. Redes neuronales en el diagnóstico del Infarto.† Procedente de revista médica‡ Procedente de revista de ingenieríaANN: red neuronal artificial, BP: Back Propagation, MLP: perceptron de múltiples capas, SLP: perceptron de una sola capa, MSLP: múltiples perceptrones de una sola capa, RL: regresión logística, TF: trasformada de Fourier, WT: trasformada de ondas discretas, MACE: Eventos cardiovasculares mayores, CV: Cardiovascular, VPP: valor predictivo positivo, VPN: valor predictivo negativo.

3. Uso de Herramientas Evolutivas en el Diagnóstico de los Síndromes coronarios Agudos

La computación evolutiva (CE) representa una estrategia de simulación para resolver problemas complejos sobre la base de la Teoría de la Evolución Natural y Teoría de la Variación Genética [23]. El algoritmo genético (AG) es un algoritmo de búsqueda de enjambre típico para optimización global, sin embargo, debido a que adopta la tecnología de búsqueda de probabilidad, tiene un cierto grado de azar y algunos consideran que la convergencia local no es buena.

A continuación se hace la exposición de los artículos encontrados (Tabla 3). Como podemos observar en la mayoría se utiliza para optimizar el número de variables de entrada de otras técnicas, modificar los pesos o la arquitectura de otras estrategias de sistemas inteligentes, quizá la forma directa de su aplicación involucra la técnica de programación genética con la creación de árboles de decisiones.

3

AUTOR Y AÑO ESTRATEGIA POBLACIÓN RESULTADOBojarczuk, 2000 [23]

PG para reglas comprensibles clasificación.165 atributos para clasificar 12 enfermedades

138 pacientes (90 entrenamiento y 48 pruebas)

Precisión: 97%

Nugent, 2001 (duplicado) [24], [25]

ANN, usando PG para elegir el número de generaciones para evitar el overfitting.6 parámetros electrocardiográficos en diagnóstico de Infarto.

131 pacientes (97 entrenamiento y 44 pruebas)

Determinaron el mejor punto para el cese del entrenamiento

Sepulveda, 2002 [26]

AG para seleccionar el mejor subconjunto de variables para ser aplicadas en el modelo de SVM

726 pacientes con angina

el AG redujo de 75 a 14 las variablesSensibilidad= 66.67%Especificidad= 79,77%VPP = 79,12%VPN = 97,87%

Ha, 2007 [27] modelo evolutivo de hiper-redes, usaron CE para el reemplazo de los hiper-bordes, buscando reducir la cardinalidad (pesos)

135 pacientes seleccionaron 150 aptameros (proteínas) para dx, entre 3000.No sirvió para infarto

Zhou, 2009 [28] AG con búsqueda local flotante embebida (GA-LFE) niveles de mieloperoxidasa y troponina en diagnóstico del infarto

60 casos y 60 controles

La precisión de 3, 5 y 7 biomarcadores son 67.50, 72.92 y 77.08% respectivamente

Ming, 2010 [29] ANN, usando AG para determinar la mejor distribución de la capa oculta.13 características clínicas, electrocardiográficas y de laboratorio

497 pacientes con SCA (300 entrenamiento y 197 pruebas)

Disminuyeron de 537 a 37 las iteraciones de aprendizajePrecisión: 98.98%

Tabla 3. Resumen de los resultados de los estudios que exploran el uso de computación evolutiva en el diagnóstico de los SCA. AG: Algoritmo Genético, PG: Programación Genética, ANN: Red neuronal artificial, SVM: máquina de soporte de vectores.

4. Uso de Estrategias de Lógica Difusa para el Diagnóstico del Infarto Agudo del Miocardio

Propuesto por Lotfi A. Zadeh en 19651, la lógica difusa es una extensión de uno de los conceptos subyacentes fundamentales de la Lógica Clásica proposicional: la dicotomización [30]. La creación de reglas difusas presentan dos ventajas frente a las reglas nítidas (crisp) [31]: a) contienen información adicional y b) pueden definir más fácilmente las fronteras de decisión en un eje no paralelo. La lógica difusa puede ser vista como una teoría para manejar la incertidumbre de los sistemas complejos.

En la tabla 4 se describen las características generales de los estudios que emplearon estrategias de lógica difusa para diagnosticar infarto y sus resultados principales.

4

1. L.A. Zadeh. Fuzzy Sets, Information and Control, 8:338–353. 1965.

AUTOR/AÑO DESCRIPCIÓN DE LA ESTRATEGIA

BASE DE DATOS Y PACIENTES

RESULTADOS COMENTARIOS

Bozzola, 1996 [32]

Modelo neuro-fuzzy (FMLP) para la clasificación del infarto y su localización a partir del EKG. La morfología fue 96-288-4, hubo una poda del 67% de las conecciones.RF: ND, FP: exploraron varias distribuciones, PD: ND.

Una extensa librería de EKG en la universidad católica de Louvain, Bélgica. Se seleccionaron 539 EKG: 179/404 para entrenamiento y 60/135 para pruebas (otros/infarto).

Sensibilidad: 86.7-97.8%Especificidad: 96.9-99.4% Precisión: 93.2/82.2% (entrenamiento/pruebas)

Se logró una mejoría del 6% en la precisión al comparar el FMLP vs la ANN.

Downs, 1996 [33]

Aplica un modelo de ANN tipo fuzzy ARTMAP en el diagnóstico del infarto. Se sometió a un proceso de poda.RF: ND, FP: ND, PD: ND.

970 pacientes que consultaron al Edinburgh Royal Infirmary (Edinburgh, UK), por dolor torácico, 191 infartos. Tres sets: predicción: 150, entrenamiento 670 y pruebas: 150.

Sensibilidad: 78.6-56.7%Especificidad: 95.1-95.8% Precisión: 92/88% (entrenamiento/pruebas)

Efectuaron distintos procesos de poda buscando mejorar la sensibilidad o la especificidad con éxito relativo.Pobre descripción del proceso difuso.

Xue, 1998 [34] Se emplea un modelo neuro-fuzzy de cuatro capas para la clasificación del infarto y su localización basado en hallazgos del EKG. Se usó el error LMS con BP. RF: Sugeno, FP: en campana, PD: ND.

Se usó una base de datos de dolor torácico de un estudio comunitario, con un registro de 1161 pacientes, de los cuales 285 tenían infarto (123 anterior, 123 inferior y 50 lateral) y 322 angina. Entrenamiento 70% y pruebas 30%.

Antes de la adaptación:Sensibilidad: 50%Especificidad: 99% Luego de la adaptación (entrenamiento/pruebas):Sensibilidad: 60/54%Especificidad: 99/99% Una ANN sola tuvo:Sensibilidad: 38%Especificidad: 98%

Desventajas de las ANN: les hace falta una base de conocimiento estructural y no utilizan el conocimiento previo de los expertos

Lu, 2000 [35] Emplearon un modelo neuro-fuzzy con cuatro capas, la segunda representó las reglas fuzzy.

124 EKG, 20 normales y 104 con infarto.

Sensibilidad: 94.2/ 84.6% Especificidad: 100/90% (entrenamiento/pruebas).

Se tuvo en cuenta la localización del infarto.

Lim, 2005 [36] Se propone una red neuronal híbrida que comprende ARTMAP Fuzzy Fuzzy Clustering y de clasificación de patrones C-Medios con una formación incompleta y datos de prueba. 16 variables.RF: ND, FP: ND, PD: ND.

118 pacientes procedentes del hospital de Penang, Malasia. 79 para entrenamiento y 39 para pruebas. Datos perdidos variaron entre 0 y 50%.

Precisión: 63.43% Se centran en el problema de información incompleta.Pobre descripción del proceso difuso.

Ainon, 2010 [37]

Se utiliza un AG multiobjetivo (una variante del algoritmo NSGA-II) para disminuir el número de variables de entrada de un sistema experto basado en LD que luego fue optimizado por el método Fuzzy C-Means Clustering.RF: Mamdani, FP: Gaussianas, PD: ND.

Hospital de Selayang, Malasia. 887 pacientes con dolor torácico en urgencias

Crean 10 modelos, el mejor logra un AUC de 0.75 (mejoró con el AG desde 0.56) vs 0.79 para una ANN.

Lo comparan contra una ANN obteniendo una menor precisión con mejor trasparencia.(Usan mediciones de AST).

Chiang, 2010 [38]

Combinan las redes Bayesianas dinámicas con LD para clasificación del infarto basado en el EKG. En un modelo difuso basado en restricciones. Usan luego una técnica de gradiente desendente para optimizar los modelos.RF: Sugeno, FP: ND, PD: ND.

905 latidos obtenidos en un EKG, de ellos 470 procedían de pacientes con infarto.

Sensibilidad: 86.27%Precisión: 78.32%

Se trata de un estudio exploratorio con pocos datos, con una propuesta de abordaje nueva y promisoria.

Dingfei, 2010 [39]

Emplean una técnica de promedio ponderado difuso (FWA) para mejorar la precisión diagnostica del infarto a partir de EKG ortogonal de alta definición por tres derivaciones de Frank. Construyeron un sistema clasificador basado en SVM.

Se tomaron los datos de Physionet. 70 registros para entrenamiento y 70 para pruebas.

Sensibilidad: 87.5%Especificidad: 90% La sensibilidad y especificidad promedio se pueden aumentar por 8.75% y 7.5 respectiva-mente utilizando FWA.

Obtuvieron el EKG ortogonal a partir de la trasformación de los EKG de 12 derivaciones tradicionales

Cintra, 2011 Duplicado en [40], [41], [42], [43], [44]

Evalúan el diagnóstico de infarto a partir de una nueva técnica de procesamiento de señales de los EKG (FPGA). Se hizo una poda de datos empleando agrupamiento difuso (fuzzy

Se tomaron los datos de Physionet. 90 EKG de 79 pacientes.

Sensibilidad: 90%Precisión: 85%VPP: 93%Mostró una disminución de los ciclos de

Correlacionan las señales adquiridas con una librería que contiene 20 patrones (obtenidos por fuzzy

5

clustering).RF: a partir de expertos, FP: Gaussiana, PD: ND.

implementación en la implementación.

clusstering).

Muthukaruppan, 2012 [31]

Se crea un sistema experto basado en LD que es optimizado mediante PSO.RF: Mamdani, FP: triangular, PD: Centro de gravedad.

Instituto Húngaro de Cardiología y Cleveland Clinic. 597 datos con 13 atributos clínicos tenidos en cuenta. El desenlace fue angiográfico. Entrenamiento con 478 (278 sanos y 200 con enfermedad coronaria), pruebas 119 (74 y 45).

Sensibilidad: 93.2%Especificidad: 93.3% Precisión: 93.3%

Resaltan la creación de un número pequeño de reglas y que éstas pueden ser fácilmente interpretadas.

Farahabadi, 2012 [45]

Evalúan una ANFIS para el diagnóstico de infarto a partir de una nueva técnica de procesamiento de señales (DTW).RF: ND, FP: campana, PD: ND.

30 pacientes que consultaron a urgencias por dolor torácico y sospecha de SCA

Sensibilidad: 93%Especificidad: 93% VPP: 93%VPN: 93%

Buen diseño pero pocos datos para entrenamiento y pruebas.

Tabla 4. Uso de diversas estrategias de lógica difusa en el diagnóstico del Infarto.RF: regla de fuzzydificación, FP: función de pertenencia, PD: Proceso de defuzzicación, ND: No descrito, LD: Lógica difusa, ANN: red neuronal artificial, ANFIS: sistema de inferencia neuro-fuzzy adaptativo, FMLP: perceptrón multicapa difuso, ARTMAP: mapeo de teoría de resonancia adaptativa, AG: algoritmo genético, PSO: Particle swarm optimization, SVM: máquina de soporte vectorial, EKG: electrocardiograma, LMS: mínimo cuadrático medio, AUC: área bajo la curva, RL: regresión logística, VPP: valor predictivo positivo, VPN: valor predictivo negativo.

5. Uso de Estrategias de Aprendizaje de Máquina en el Diagnóstico del Infarto Agudo del Miocardio

6. Uso de Sistemas Multiagentes en el Diagnóstico del Infarto Agudo del Miocardio

7. CONCLUSIONES

La inteligencia artificial intenta emular la inteligencia humana: SBR por reglas e inferencia lógica, ANN por procesamiento paralelo de datos. Mientras los SBR no pueden aprender si logran explicar su razonamiento, las ANN operan de manera contraria. La interacción de herramientas logra mejorar el desempeño de estos aspectos. Los sistemas híbridos combinan al menos dos tecnologías inteligentes. Estos sistemas favorecen el razonamiento y aprendizaje en ambientes inciertos o imprecisos.El SCA es un problema complejo, su diagnóstico implica tener en cuenta una amplia cantidad de datos que pueden tener una presentación variada o que puede ser interpretada de distintas maneras por varios profesionales de la medicina.

Referencias

[1] Erhardt L, Herlitz J, Bossaert L, Halinen M, Keltai M, Koster R, et al. (2002) European Society of Cardiology: Task force on the management of chest pain. European Heart Journal, 23(15), 1153–1176.

[2] Blomkalns AL, Gibler WB. (2005) Chest Pain Unit Concept: Rationale and Diagnostic Strategies. Cardiol Clin, 23 (4), 411–421.

6

[3] Negnevitsky, M. (2005). Hybrid intelligent systems. In Artificial intelligence: a guide to intelligent systems (Second., pp. 259 – 298). Tazmania, Australia: Pearson Education Limited.

[4] Sordo, M., Vaidya, S., & Jain, L. (2008). An Introduction to Computational Intelligence in Healthcare: New Directions. In Advanced Computational Intelligence Paradigms in Healthcare - 3 (3rd ed., pp. 1 – 26). Springer Berlin Heidelberg.

[5] Trujillano, J., March, J., & Sorribas, A. (2004). [Methodological approach to the use of artificial neural networks for predicting results in medicine]. Medicina clínica, 122 Suppl 1, 59–67.

[6] Cross, S. S., Harrison, R. F., & Kennedy, R. L. (1995). Introduction to neural networks. Lancet, 346(8982), 1075–1079.

[7] Baxt, W G. (1991). Use of an artificial neural network for the diagnosis of myocardial infarction. Annals of internal medicine, 115(11), 843–848.

[8] Baxt, W G, & Skora, J. (1996). Prospective validation of artificial neural network trained to identify acute myocardial infarction. Lancet, 347(8993), 12–15.

[9] Ellenius, J., Groth, T., Lindahl, B., & Wallentin, L. (1997). Early assessment of patients with suspected acute myocardial infarction by biochemical monitoring and neural network analysis. Clinical chemistry, 43(10), 1919–1925.

[10] Hedén, B., Öhlin, H., Rittner, R., & Edenbrandt, L. (1997). Acute Myocardial Infarction Detected in the 12-Lead ECG by Artificial Neural Networks. Circulation, 96(6), 1798–1802. doi:10.1161/01.CIR.96.6.1798

[11] Ohno-Machado, L., Fraser, H. S., & Ohrn, A. (1998). Improving machine learning performance by removing redundant cases in medical data sets. Proceedings / AMIA Annual Symposium. AMIA Symposium, 523–527.

[12] Chazaro, A., Cravens, G., & Eberhart, R. (1998). Myocardial infarction diagnosis by a neural network (Vol. 3, pp. 1121–1124). Presented at the Engineering in Medicine and Biology Society, 1998. Proceedings of the 20th Annual International Conference of the IEEE, IEEE. doi:10.1109/IEMBS.1998.747068

[13] Ellenius, J. (2000). Methods for selection of adequate neural network structures with application to early assessment of chest pain patients by biochemical monitoring. International Journal of Medical Informatics, 57(2-3), 181–202. doi:10.1016/S1386-5056(00)00065-4

[14] Ellenius, J., & Groth, T. (2000). Transferability of neural network-based decision support algorithms for early assessment of chest-pain patients. International Journal of Medical Informatics, 60(1), 1–20. doi:10.1016/S1386-5056(00)00064-2

[15] Baxt, William G., Shofer, F. S., Sites, F. D., & Hollander, J. E. (2002a). A neural computational aid to the diagnosis of acute myocardial infarction. Annals of Emergency Medicine, 39(4), 366–373. doi:10.1067/mem.2002.122705

[16] Hollander, J. E., Sease, K. L., Sparano, D. M., Sites, F. D., Shofer, F. S., & Baxt, W. G. (2004). Effects of neural network feedback to physicians on admit/discharge decision for emergency department patients with chest pain. Annals of Emergency Medicine, 44(3), 199–205. doi:10.1016/j.annemergmed.2004.02.037

[17] Harrison, Robert F., & Kennedy, R. L. (2005). Artificial Neural Network Models for Prediction of Acute Coronary Syndromes Using Clinical Data From the Time of Presentation. Annals of Emergency Medicine, 46(5), 431–439. doi:10.1016/j.annemergmed.2004.09.012

[18] Bigi, R., Gregori, D., Cortigiani, L., Desideri, A., Chiarotto, F. A., & Toffolo, G. M. (2005). Artificial neural networks and robust Bayesian classifiers for risk stratification following uncomplicated myocardial infarction. International Journal of Cardiology, 101(3), 481–487. doi:10.1016/j.ijcard.2004.07.008

[19] Bulgiba, A. M. (2006). Using neural networks and just nine patient-reportable factors of screen for AMI. Health Informatics Journal, 12(3), 213–225. doi:10.1177/1460458206066665

[20] Eggers, K. M., Ellenius, J., Dellborg, M., Groth, T., Oldgren, J., Swahn, E., & Lindahl, B. (2007). Artificial neural network algorithms for early diagnosis of acute myocardial infarction and prediction of infarct size in chest pain patients. International Journal of Cardiology, 114(3), 366–374. doi:10.1016/j.ijcard.2005.12.019

7

[21] Al-Naima, F. M., Ali, A. H., & Mahdi, S. S. (2008). Data acquisition for myocardial infarction classification based on wavelets and Neural Networks (pp. 1–6). IEEE. doi:10.1109/SSD.2008.4632817

[22] Dumitrescu D. Evolutionary Computation, CRC Press, 2000.[23] Bojarczuk, C. C., Lopes, H. S., & Freitas, A. A. (2000). Genetic programming for knowledge discovery in chest-pain

diagnosis. IEEE Engineering in Medicine and Biology Magazine, 19(4), 38–44. doi:10.1109/51.853480 [24] Lopez, J. A., Nugent, C. D., Black, N. D., & Smith, A. E. (2001). Automated synthesis of prediction models for neural

network based myocardial infarction classifiers (Vol. 4, pp. 3803–3806). Presented at the Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE, IEEE. doi:10.1109/IEMBS.2001.1019667

[25] Nugent, C. D., Lopez, J. A., Smith, A. E., & Black, N. D. (2002). Prediction models in the design of neural network based ECG classifiers: a neural network and genetic programming approach. BMC medical informatics and decision making, 2, 1.

[26] Sepulveda-Sanchis, J., Camps-Valls, G., Soria-Olivas, E., Salcedo-Sanz, S., Bousono-Calzon, C., Sanz-Romero, G., & Marrugat de la Iglesia, J. (2002). Support vector machines and genetic algorithms for detecting unstable angina (pp. 413–416). Presented at the Computers in Cardiology, IEEE. doi:10.1109/CIC.2002.1166797

[27] Ha, J., Eom, J., Kim, S., & Zhang, B. (2007). Evolutionary hypernetwork models for aptamer-based cardiovascular disease diagnosis (p. 2709). Presented at the GECCO’07 Proceedings of the 2007 GECCO conference companion on Genetic and evolutionary computation, Seoul: ACM Press. doi:10.1145/1274000.1274073

[28] Zhou, X., Wang, H., Wang, J., Wang, Y., Hoehn, G., Azok, J., Wong, S. T. C. (2009). Identification of biomarkers for risk stratification of cardiovascular events using genetic algorithm with recursive local floating search. PROTEOMICS, 9(8), 2286–2294. doi:10.1002/pmic.200700867

[29] Ming, L., Yan-chun, L., Xin-min, W., & Xiao-gang D. (2010). The application of GA-BP algorithm to intelligent diagnosis of coronary heart disease. Presented at the 2010 International Conference on Computer, Mechatronics, Control and Electronic Engineering (CMCE), IEEE. doi:10.1109/CMCE.2010.5610139

[30] Yen, J. (1999). Fuzzy logic-a modern perspective. IEEE Transactions on Knowledge and Data Engineering, 11(1), 153–165. doi:10.1109/69.755624

[31] Muthukaruppan, S., & Er, M. J. (2012). A hybrid particle swarm optimization based fuzzy expert system for the diagnosis of coronary artery disease. Expert Systems with Applications, 39(14), 11657–11665. doi:10.1016/j.eswa.2012.04.036

[32] Bozzola, P., Bortolan, G., Combi, C., Pinciroli, F., & Brohet, C. (1996). A hybrid neuro-fuzzy system for ECG classification of myocardial infarction. In Computers in Cardiology (Vol. 0, pp. 241–244). Presented at the Computers in Cardiology. Retrieved from http://www.scopus.com/inward/record.url?eid=2-s2.0-0030420077&partnerID=40&md5=ed0a74cdc3cf45da1198359a3c873d35

[33] Downs, J., Harrison, R. F., Kennedy, R. L., & Cross, S. S. (1996). Application of the fuzzy ARTMAP neural network model to medical pattern classification tasks. Artificial Intelligence in Medicine, 8(4), 403–428. doi:10.1016/0933-3657(95)00044-5

[34] Xue, Q., Taha, B., Reddy, S., & Aufderheide, T. (1998). An adaptive fuzzy model for ECG interpretation (Vol. 20, No. 1, pp. 131–134). Presented at the Proceedings of the 20th Annual International Conference of the ZEEE Engineering in Medicine and Biology Society, IEEE. doi:10.1109/IEMBS.1998.745847

[35] Lu, H. L., Ong, K., & Chia, P. (2000). Automated ECG classification system based on a neuro-fuzzy system (pp. 387–390). Presented at the Computers in Cardiology 2000, Cambridge, MA, USA. Retrieved from http://www.scopus.com/inward/record.url?eid=2-s2.0-0034478015&partnerID=40&md5=39a9fd5d928a0d6106ed1edd0a106a20

[36] Lim, C.-P., Leong, J.-H., & Kuan, M.-M. (2005). A hybrid neural network system for pattern classification tasks with missing features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(4), 648–653. doi:10.1109/TPAMI.2005.64

[37] Ainon, R. N., Bulgiba, A. M., & Lahsasna, A. (2010). AMI Screening Using Linguistic Fuzzy Rules. Journal of Medical Systems, 36(2), 463–473. doi:10.1007/s10916-010-9491-2

[38] Chiang, Y.-Y., & Hsu, W.-H. (2010). Integrating dynamic Bayesian networks and constraint-based fuzzy models for myocardial infarction classification with 12-lead ECGS. In 2010 Conference on Precision

8

Electromagnetic Measurements (CPEM) (pp. 310–311). Presented at the 2010 Conference on Precision Electromagnetic Measurements (CPEM). doi:10.1109/CPEM.2010.5543224

[39] Dingfei, G., Lihui, S., & Xiaojun, W. (2010). Discrimination of Myocardial Infraction Using Orthogonal ECG and Fuzzy Weighted Method. In 2010 4th International Conference on Bioinformatics and Biomedical Engineering (iCBBE) (pp. 1–4). Presented at the 2010 4th International Conference on Bioinformatics and Biomedical Engineering (iCBBE). doi:10.1109/ICBBE.2010.5516250

[40] Cintra, E. R. F., Pimenta, T. C., Carvalho, H., & Moreno, R. L. (2011). An FPGA system using fuzzy clustering and correlation to diagnose angina. In 2011 18th IEEE International Conference on Electronics, Circuits and Systems (ICECS) (pp. 121–124). Presented at the 2011 18th IEEE International Conference on Electronics, Circuits and Systems (ICECS). doi:10.1109/ICECS.2011.6122229

[41] Cintra, E. R. F., Pimenta, T. C., & Moreno, R. L. (2011). An angina Diagnosing system using fuzzy clustering and correlation in FPGA. In 2011 13th International Symposium on Integrated Circuits (ISIC) (pp. 500–503). Presented at the 2011 13th International Symposium on Integrated Circuits (ISIC). doi:10.1109/ISICir.2011.6132006

[42] Cintra, E. R. F., Pimenta, T. C., & Moreno, R. L. (2011). An angina diagnostic system using fuzzy clustering and correlation. In 2011 IEEE International Workshop on Medical Measurements and Applications Proceedings (MeMeA) (pp. 172–175). Presented at the 2011 IEEE International Workshop on Medical Measurements and Applications Proceedings (MeMeA). doi:10.1109/MeMeA.2011.5966679

[43] Carvalho, H. H., Cintra, E. R. F., Pimenta, T. C., & Moreno, R. L. (2012). An electrocardiogram diagnostic system implemented in FPGA. In Biosignals and Biorobotics Conference (BRC), 2012 ISSNIP (pp. 1–5). Presented at the Biosignals and Biorobotics Conference (BRC), 2012 ISSNIP. doi:10.1109/BRC.2012.6222184

[44] De Carvalho, H. H., Junior, Moreno, R. L., Pimenta, T. C., Crepaldi, P. C., & Cintra, E. (2013). A heart disease recognition embedded system with fuzzy cluster algorithm. Computer methods and programs in biomedicine, 110(3), 447–454. doi:10.1016/j.cmpb.2013.01.005

[45] Farahabadi, A., Farahabadi, E., Rabbani, H., Mahjoub, M. P., & Dehnavi, A. M. (2012). Ischemia detection via dynamic time warping and fuzzy rules (pp. 166–169). Presented at the 2012 IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI), IEEE. doi:10.1109/BHI.2012.6211536

[46] Jones MT. (2008) Artificial Intelligence: A Systems Approach, INFINITY SCIENCE PRESS LLC.

[47]

9