Diferenciación de pacientes cirróticos con y sin encefalopatía hepática a partir del análisis de patrones de motricidad fina: Un estudio piloto con el Leap Motion Controller
DOI:
https://doi.org/10.33448/rsd-v10i7.16749Palabras clave:
Encefalopatía Hepática; Movimiento; Proyecto de piloto.Resumen
Objetivo: analizar la precisión motora de pacientes cirróticos con o sin encefalopatía hepática (EH), en diferentes severidades, a través de la captura geoespacial de las manos. Metodología: El público objetivo fueron los pacientes del Servicio de Gastroenterología de un hospital terciario del Nordeste de Brasil. Se recogieron datos de tres grupos de pacientes (A, EH no identificado; B, EH grado I y; C, EH grado II). La recolección de datos de motricidad se realizó con el Leap Motion Controller (LMC). Los datos recolectados fueron compuestos por la posición de 16 puntos de las manos en tres dimensiones que, en secuencia, se convirtieron en distancia entre dos puntos. Resultados: se incluyeron 60 pacientes con una edad media de 54,6 (± 14,7) años. Las pruebas de Kruskal-Wallis y Dunn indicaron diferencias en las medianas de las variables para los tres grupos (p <0.05). Las representaciones gráficas muestran una diferencia en la precisión motora entre los grupos en un índice del 100% de las variables, con variaciones con tendencia de C> B> A en el 87,5% de los casos. La frecuencia de movimiento de los dedos, de ambas manos, tenía el potencial de diferenciar los grupos. La dirección discrimina más que la posición y la velocidad. Conclusión: Los resultados sugieren la posibilidad de diferenciar las clases de pacientes y que la progresión de la desviación motora es una de las complicaciones del agravamiento de la enfermedad.
Citas
Agarwal R, & Baid R. Asterixis. (2016). Journal of Postgraduate Medicine. 62 (2). Recuperado em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4944342.
Alghamdi M, Al-Mallah M, Keteyian S, Brawner C, Ehrman J, & Sakr S. (2017). Predicting diabetes mellitus using SMOTE and ensemble machine learning approach: the henry ford exercise testing (fit) project. Plos One. 12 (7); 179805. Recuperado em: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0179805.
Amodio P. (2018). Hepatic encephalopathy: Diagnosis and management. Liver Int. 38 (6); 966-75. Recuperado em: https://onlinelibrary.wiley.com/doi/full/10.1111/liv.13752
Bajaj JS, Hafeezullah M, Hoffmann RG, Varma RR, Franco J, Binion DG, Hammeke TA, & Saeian K. (2008). Navigation skill impairment: another dimension of the driving difficulties in minimal hepatic encephalopathy. Hepatology. 47 (2); 596-604. Recuperado em: https://aasldpubs.onlinelibrary.wiley.com/doi/full/10.1002/hep.22032.
Bittencout PL, Strauss E, Terra C, Alvares-da-Silva MR, Martinelli ALC, Mattos AA, Campos AC, Santos BC, Oliveira CPD, Marroni CP, Lobato CMDO, Marroni CA, Almeida DFG, Parise ER, Soares EC, Correa EBD, Barros FMDR, Silva FMDQ, Pandullo FL, Carrilho FJ, Souto FJD, Porta G, Souza GAD, Silva GF, Schulz GJ, Rosa H, Coelho HS, Pereira JL, Costa MA, Souza MPD, Capacci MDLL, Kondo M, Barros MFA, Pessoa MG, Massarolo PCB, Paraná Filho R, & Santos R. (2011) Encefalopatia Hepática: Relatório da 1ª Reunião Monotemática da Sociedade Brasileira de Hepatologia. Gastroenterologia e Endoscopia Digestiva. 2011; 30 (nd); 10-34. Recuperado em: http://sbhepatologia.org.br/pdf/encefalopatia/ged.pdf.
Butt AH, Rovini E, Dolciotti C, De Petris G, Bongioanni P, Carboncini MC, & Cavallo F. (2018). Objective and automatic classification of Parkinson disease with Leap Motion controller. Biomedical Engineering Online. 17 (1). Recuperado em: https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/s12938-018-0600-7.
Campagna F, Montagnese S, Ridola L, Senzolo M, Schiff S, Rui MD, Paquale C, Nardelli S, Pentassuglio I, Merkel C, Angeli P, Riggio O, & Amodio O. (2017). The animal naming test: an easy tool for the assessment of hepatic encephalopathy. Hepatology. 66 (1); 198-218. Recuperado em: https://aasldpubs.onlinelibrary.wiley.com/doi/abs/10.1002/hep.29146.
Casula M, Rangarajan N, & Shields P. (2020). The potential of working hypotheses for deductive exploratory research. Qual Quant. 54 (5-6). Recuperado em: https://link.springer.com/article/10.1007%2Fs11135-020-01072-9
Chen QF, Chen HJ, Liu J, Sun T, & Shen QT. (2016). Machine learning classification of cirrhotic patients with and without minimal hepatic encephalopathy based on regional homogeneity of intrinsic brain activity. Plos One. 11 (3); 1-15. Recuperado em: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0151263.
Colombini G, Duradoni M, Carpi F, Vagnoli L, &Guazzini. (2021). LEAP Motion Technology and Psychology: A Mini-Review on Hand Movements Sensing for Neurodevelopmental and Neurocognitive Disorders. Enviromental Research and Public Health. 18(8); 4006-4014; Recuperado em: https://www-ncbi-nlm-nih.ez68.periodicos.capes.gov.br/pmc/articles/PMC8069152/
Cortés-Pérez I, Zagalaz-Anula N, Montoro-Cárdenas D, Lomas-Veja R, Obrero-Gaitán E, & Osuna-Pérez MC. (2021). Leap Motion Controller Video Game-Based Therapy for Upper Extremity Motor Recovery in Patients with Central Nervous System Diseases: A Systematic Review with Meta-Analysis. Sensors.21(6); 2065-70. Recuperado em: https://www.mdpi.com/1424-8220/21/6/2065
Dzikri AI, & Kurniawan DE. (2018). Hand Gesture Recognition for Game 3D Object Using The Leap Motion Controller with Backpropagation Method. 2018 International Conference On Applied Engineering (Icae). 1-5. Recuperado em: https://ieeexplore.ieee.org/document/8579400.
Guna J, Jakus G, Pogačnik M, Tomažič S, & Sodnik J. (2014). An analysis of the precision and reliability of the leap motion sensor and its suitability for static and dynamic tracking. Sensors. 14(2); 3702-20. Recuperado em: https://www.mdpi.com/1424-8220/14/2/3702/htm
Guzsvinecz T, Szucs V, & Sik-Lanyl C. (2019). Suitability of the Kinect Sensor and Leap Motion Controller—A Literature Review. Sensors. 19 (5); 1072-1086. Recuperado em: https://www-ncbi-nlm-nih.ez68.periodicos.capes.gov.br/pmc/articles/PMC6427122/.
Jiao Y, Teng G, & Wang X. (2013). Predictive model for minimal hepatic encephalopathy based on cerebral functional connectivity. International Conference on Biomedical Engineering and Informatics. 6 (1); 541-45. Recuperado em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5599725.
Jiao Y, Wang XH, Chen R, Tang TY, Zhy XQ, & Teng GJ. (2017) Predictive models of minimal hepatic encephalopathy for cirrhotic patients based on large-scale brain intrinsic connectivity networks. Scientific Reports. 7(1); 1-12. Recuperado em: https://www.nature.com/articles/s41598-017-11196-y
Kim S, Park S, & Lee O. (2020). Development of a Diagnosis and Evaluation System for Hemiplegic Patients Post-Stroke Based on Motion Recognition Tracking and Analysis of Wrist Joint Kinematics. Sensors. 20 (16); 4548. Recuperado em: https://www.mdpi.com/1424-8220/20/16/4548.
Lizardo JL. (2020). O desafio de produzir uma pesquisa no meio de uma pandemia: o olhar de uma pesquisadora estrangeira no Brasil. Educação, Comunicação e Tecnologia. 2 (2), 25-33. Recuperado em: https://revista.uemg.br/index.php/sciasedcomtec/article/view/5020.
Nardone R, Taylor AC, Höller Y, Brigo F, Piergiorgio L, & Trinka E. (2016). Minimal hepatic encephalopathy: A review. Neuroscience Research. 111(ni); 1-12. Recuperado em: https://www.sciencedirect.com/science/article/abs/pii/S0168010216300499?via%3Dihub.
Pinho M, Cerqueira R, & Peixoto B. (2011). Pontuação psicométrica da encefalopatia hepática: Dados da normalização para a população portuguesa. Acta Médica Portuguesa. 24 (2); 319-26. Recuperado em: https://www.actamedicaportuguesa.com/revista/index.php/amp/article/viewFile/1485/1071.
Piovesan A, & Temporini E.R. (1995) Pesquisa exploratória: procedimento metodológico para o estudo de fatores humanos no campo da saúde pública. Rev. Saúde Pública. 29 (4); 318-325. Recuperado de: https://www.scielo.br/j/rsp/a/fF44L9rmXt8PVYLNvphJgTd/?lang=pt&format=pdf.
Pires MR, & Marinho RT. (2016). Impacto biopsicossocial da encefalopatia hepática. Dissertação de mestrado, Faculdade de Medicina, Universidade de Lisboa. Recuperado em: https://repositorio.ul.pt/bitstream/10451/29101/1/MarianaRPires.pdf.
Sotil EU, Gottstein J, Ayala E, Randolph C, & Blei AT. (2009). The impact o preoperative overt encephalopathy on neurocognitive function after liver transplantation. Liver Transplant. 15 (2); 184-192. Recuperado em: https://aasldpubs.onlinelibrary.wiley.com/doi/full/10.1002/lt.21593.
Sui Y, Wei Y, & Zhao D. (2015). Computer-Aided Lung Nodule Recognition by SVM Classifier Based on Combination of Random Undersampling and SMOTE. Computational and Mathematical Methods In Medicine. 1-13. Recuperado em: https://www.hindawi.com/journals/cmmm/2015/368674.
The K, Armitage P, Tesfayne S, Selvarajah D, & Wilkinson ID. (2020). Imbalanced learning: improving classification of diabetic neuropathy from magnetic resonance imaging. Plos One. 15 (12); 243907. Recuperado em: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0243907.
Turlapati VPK, & Prusty MR. (2020). Outlier-SMOTE: a refined oversampling technique for improved detection of covid-19. Intelligence-Based Medicine. 3(4); 100023. Recuperado em: https://www.sciencedirect.com/science/article/pii/S2666521220300235?via%3Dihub.
Vilstrup H, Amodio P, Bajaj J, Cordoba J, Ferenci P, Mullen KD, Weissenborn K, & Wong P. (2014). Hepatic encephalopathy in chronic liver disease: 2014 Practice Guideline by the American Association for the Study of Liver Diseases and the European Association for the Study of the Liver. Hepatology. 60 (2); 715-35. Recuperado em: http://www.clubepatologiospedalieri.it/wp-content/uploads/2017/01/Linee-guida-AASLD-Encefalopatia-Epatica-2014.pdf.
Vivar G, Almanza-Ojeda DL, Cheng I, Gomez JC, Andrade-Lucio JA, & Ibarra-Manzano MA. (2019). Contrast and Homogeneity Feature Analysis for Classifying Tremor Levels in Parkinson’s Disease Patients. Sensors. 19 (9); 2072. Recuperado em: https://www.mdpi.com/1424-8220/19/9/2072.
Vysocký A, Grushko S, Oščádal P, Kot T, Babjak J, Jánoš R, Sukop M, & Bobovský Z. (2020). Analysis of Precision and Stability of Hand Tracking with Leap Motion Sensor. Sensors. 20 (15); 4088-93. Recuperado em: https://www.mdpi.com/1424-8220/20/15/4088
Wang Z, Wang P, Xing L, Mei L, Zhao J, & Zhang T. (2017). Leap Motion-based virtual reality training for improving motor functional recovery of upper limbs and neural reorganization in subacute stroke patients. Neural Regeneration Research. 12 (11); 1823-28. Recuperado em: https://www.nrronline.org/article.asp?issn=1673-5374;year=2017;volume=12;issue=11;spage=1823;epage=1831;aulast=Wang.
Weichert F, Bachmann D, Rudak B, & Fisseler D. (2013). Analysis of the accuracy and robustness of the Leap Motion Controller. Sensors. 13 (5); 6380-93. Recuperado em om: https://www.mdpi.com/1424-8220/13/5/6380/htm.
Wijdicks EFM. Hepatic encephalopathy. New England Journal of Medicine. 2016; 375(17); 1660-70. Recuperado em: https://www.nejm.org/doi/10.1056/NEJMra1600561.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Manoel Miqueias Maia; Francisco Sérgio Rangel de Paula Pessoa; Cássio Pinheiro Oliveira; Paulo Henrique Pessoa Nobre; Cristiane Clemente de Mello Salgueiro
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.