Dashboard ECG - Atletas de Resistencia Noruegos

📖 Explicación del Análisis Comparativo

¿Qué estás viendo? Esta visualización compara las características cardiovasculares de todos los 28 atletas de resistencia, mostrando patrones comunes y variaciones individuales.

📊 Gráficos Incluidos:

🔵 Distribución de Frecuencias Cardíacas (Superior Izquierda):

• Propósito: Mostrar el rango de frecuencias cardíacas en reposo
• Interpretación: La mayoría de atletas tienen FC entre 50-70 BPM (bradicardia sinusal)
• Significado: Adaptación fisiológica al entrenamiento de resistencia

🔴 HRV SDNN vs RMSSD (Superior Derecha):

• Propósito: Relacionar dos métricas importantes de variabilidad cardíaca
• SDNN: Variabilidad total (eje X)
• RMSSD: Variabilidad de corto plazo (eje Y)
• Correlación: Puntos agrupados indican consistencia en la población

🟢 Estadísticas Generales (Inferior Izquierda):

• FC Promedio: Frecuencia cardíaca promedio de todos los atletas
• FC Desv. Est.: Variabilidad en frecuencias cardíacas
• SDNN Promedio: Variabilidad promedio en intervalos RR
• RMSSD Promedio: Variabilidad de corto plazo promedio

🟠 Resumen de Diagnósticos (Inferior Derecha):

• Propósito: Mostrar los diagnósticos más comunes del algoritmo SL12
• Interpretación: Patrones diagnósticos típicos en atletas
• Valor Clínico: Identificar características comunes vs anomalías

🏃‍♂️ Hallazgos Típicos en Atletas de Resistencia:

• Bradicardia sinusal: FC baja en reposo (adaptación fisiológica)
• HRV elevada: Mejor variabilidad que población general
• Arritmia sinusal: Variación normal en intervalos RR
• Diagnósticos benignos: Cambios adaptativos, no patológicos

📈 Interpretación de Patrones:

• Agrupación de puntos: Indica características similares entre atletas
• Valores extremos: Pueden indicar casos especiales o variaciones normales
• Distribución normal: Sugiere población homogénea de atletas

📖 Explicación de la Tabla de Diagnósticos

¿Qué estás viendo? Esta tabla compara los diagnósticos automáticos del algoritmo SL12 (GE Marquette) con la evaluación manual de un cardiólogo experto para cada uno de los 28 atletas.

🔬 Columnas de la Tabla:

• Atleta: Identificador único de cada deportista (ath_001 a ath_028)
• Diagnóstico SL12: Interpretación automática del algoritmo GE Marquette SL12
• Diagnóstico Cardiólogo: Evaluación manual de un cardiólogo experto

🤖 Algoritmo SL12:

• Desarrollado por: GE Marquette Medical Systems
• Propósito: Interpretación automática de ECG en tiempo real
• Ventajas: Consistencia, rapidez, disponibilidad 24/7
• Limitaciones: Puede ser conservador o generar falsos positivos

👨‍⚕️ Evaluación del Cardiólogo:

• Experiencia: Evaluación manual por cardiólogo experto
• Contexto: Considera el contexto de atleta de resistencia
• Precisión: Gold standard para interpretación ECG
• Flexibilidad: Puede considerar factores específicos del deporte

📊 Tipos de Diagnósticos Comunes:

• Sinus bradycardia: Frecuencia cardíaca baja (normal en atletas)
• Sinus arrhythmia: Variación normal en intervalos RR
• Right/Left axis deviation: Desviación del eje eléctrico
• Borderline ECG: Cambios menores, dentro de límites normales
• Normal ECG: Sin anomalías detectables

🎯 Valor de la Comparación:

• Concordancia: Casos donde ambos diagnósticos coinciden
• Discrepancias: Diferencias entre algoritmo y cardiólogo
• Validación: Evaluar precisión del algoritmo automático
• Mejora: Identificar áreas de mejora para algoritmos futuros

🏃‍♂️ Consideraciones Especiales para Atletas:

• Adaptaciones fisiológicas: Cambios normales por entrenamiento
• Criterios específicos: Límites diferentes a población general
• Contexto deportivo: Importancia del historial de entrenamiento
• Prevención: Detección temprana de problemas reales

📖 Explicación de las 12 Derivaciones ECG

¿Qué estás viendo? Esta visualización muestra la actividad eléctrica del corazón desde 12 perspectivas diferentes, como si fueran 12 cámaras filmando el mismo evento desde ángulos distintos.

🔵 Derivaciones de Extremidades (Filas 1-2):

• I, II, III: Forman el "Triángulo de Einthoven" - muestran la actividad eléctrica en el plano frontal del corazón
• aVR, aVL, aVF: Son derivaciones "aumentadas" que amplifican la señal para mejor visualización
• Propósito: Detectar problemas en el eje eléctrico del corazón y arritmias

🔴 Derivaciones Precordiales (Filas 3-4):

• V1-V6: Se colocan directamente sobre el pecho, desde el lado derecho hasta el izquierdo
• Propósito: Detectar infartos, problemas de conducción y anomalías ventriculares
• Ubicación: Cada derivación tiene una posición anatómica específica en el tórax

🏃‍♂️ Características Típicas en Atletas:

• Bradicardia sinusal: Frecuencia cardíaca baja (menos de 60 BPM) - adaptación al entrenamiento
• Arritmia sinusal: Variación normal en los intervalos entre latidos
• Ondas T altas: Indican buena condición cardiovascular
• QRS estrecho: Conducción eléctrica eficiente

📖 Explicación del Análisis Temporal

¿Qué estás viendo? Esta visualización compara la señal ECG original (cruda) con la señal procesada (filtrada) y muestra la detección automática de los picos R.

🔵 Señal Cruda (Azul):

• Contiene: La señal ECG tal como se registró originalmente
• Problemas: Ruido de alta frecuencia, deriva de línea base, interferencia eléctrica
• Propósito: Mostrar la calidad inicial del registro

🟢 Señal Filtrada (Verde):

• Procesamiento aplicado: Filtros Butterworth paso-banda (0.5-40 Hz)
• Resultado: Señal limpia, sin artefactos, lista para análisis
• Técnica: Filtrado sin desfase usando scipy.signal.filtfilt()

🔴 Detección de Picos R:

• Algoritmo: Basado en scipy.signal.find_peaks()
• Umbralización: Adaptativa usando 3 desviaciones estándar
• Período refractario: 200ms para evitar detecciones múltiples
• Propósito: Calcular frecuencia cardíaca y variabilidad HRV

📊 Métricas Calculadas:

• Frecuencia cardíaca: Latidos por minuto (BPM)
• Intervalos RR: Tiempo entre latidos consecutivos
• HRV: Variabilidad de la frecuencia cardíaca

📖 Explicación del Análisis Espectral (FFT)

¿Qué estás viendo? Esta visualización muestra el análisis de frecuencias de cada derivación ECG usando la Transformada Rápida de Fourier (FFT).

🔬 ¿Qué es la FFT?

• Transformada Rápida de Fourier: Convierte la señal del tiempo al dominio de frecuencias
• Propósito: Identificar qué frecuencias están presentes en la señal ECG
• Implementación: Usando scipy.fft.fft() con normalización correcta

📈 Interpretación de los Gráficos:

• Eje X: Frecuencia en Hz (0-50 Hz mostrado)
• Eje Y: Magnitud espectral (amplitud de cada frecuencia)
• Picos altos: Frecuencias dominantes en la señal
• Colores: Cada derivación tiene un color distintivo

🎯 Frecuencias Relevantes en ECG:

• 0.5-2 Hz: Componente de frecuencia cardíaca fundamental
• 2-5 Hz: Armónicos de la frecuencia cardíaca
• 5-15 Hz: Componentes de alta frecuencia (QRS)
• 15-40 Hz: Ruido de alta frecuencia (filtrado)

🔧 Técnicas Aplicadas:

• Normalización: P2 = abs(Y/L), P1 = P2[0:L//2+1]
• Vector de frecuencias: f = Fs*np.arange(L//2+1)/L
• Método de Welch: Para densidad espectral de potencia (PSD)
• Detección de picos: scipy.signal.find_peaks() para frecuencias dominantes

🏃‍♂️ Características en Atletas:

• Picos en bajas frecuencias: Bradicardia sinusal
• Espectro más concentrado: Ritmo cardíaco más regular
• Menos ruido: Mejor condición cardiovascular

📖 Explicación del Análisis HRV (Variabilidad de Frecuencia Cardíaca)

¿Qué estás viendo? Esta visualización muestra la variabilidad de la frecuencia cardíaca (HRV), que es una medida de la variación en los intervalos entre latidos consecutivos.

💓 ¿Qué es la HRV?

• Definición: Variación natural en los intervalos de tiempo entre latidos cardíacos consecutivos
• Importancia: Indicador de salud cardiovascular y condición física
• Medición: En milisegundos (ms) entre picos R consecutivos

📊 Métricas Mostradas:

• Intervalos RR: Tiempo entre cada latido (línea azul con marcadores)
• SDNN: Desviación estándar de intervalos NN (variabilidad total)
• RMSSD: Raíz cuadrada de la media de diferencias al cuadrado (variabilidad de corto plazo)
• Distribución: Histograma de intervalos RR (frecuencia de cada intervalo)

🎯 Interpretación de Valores:

• SDNN Alto (>50ms): Buena variabilidad, corazón saludable
• RMSSD Alto (>30ms): Buena adaptación del sistema nervioso autónomo
• HRV Baja: Puede indicar estrés, fatiga o problemas cardiovasculares
• HRV Alta: Indica buena condición física y recuperación

🔬 Análisis en Dominio de Frecuencia:

• LF (0.04-0.15 Hz): Actividad simpática y parasimpática
• HF (0.15-0.4 Hz): Actividad parasimpática (respiración)
• LF/HF: Balance simpático-parasimpático

🏃‍♂️ Características en Atletas de Resistencia:

• HRV Elevada: Adaptación al entrenamiento de resistencia
• Recuperación Rápida: Sistema nervioso autónomo eficiente
• Variabilidad Consistente: Indicador de buena condición física
• Balance LF/HF: Equilibrio óptimo entre sistemas

⚠️ Factores que Afectan HRV:

• Entrenamiento: Mejora la HRV con el tiempo
• Estrés: Reduce la variabilidad
• Sueño: Calidad del sueño influye en HRV
• Hidratación: Deshidratación puede reducir HRV

Derivaciones de Extremidades (Perspectiva Frontal)

• I: Diferencia de potencial entre brazo derecho e izquierdo
• II: Diferencia de potencial entre brazo derecho y pierna izquierda
• III: Diferencia de potencial entre brazo izquierdo y pierna izquierda
• aVR: Potencial promedio de brazos hacia brazo derecho
• aVL: Potencial promedio de brazos hacia brazo izquierdo
• aVF: Potencial promedio de brazos hacia piernas

Derivaciones Precordiales (Perspectiva Horizontal)

• V1-V2: Vista del ventrículo derecho
• V3-V4: Vista del septo interventricular
• V5-V6: Vista del ventrículo izquierdo

Características Típicas en Atletas de Resistencia

• Bradicardia sinusal: Frecuencia cardíaca baja en reposo (<60 BPM)
• Arritmia sinusal: Variación normal en intervalos RR
• Hipertrofia ventricular izquierda benigna: Adaptación al entrenamiento
• Bloqueo AV de primer grado: PR prolongado pero normal

Hallazgos Principales

• Prevalencia de bradicardia sinusal: Característica común en atletas de resistencia
• Patrones de arritmia sinusal: Adaptación fisiológica al entrenamiento
• Concordancia diagnóstica: Evaluación entre algoritmo SL12 y cardiólogo
• Características espectrales: Patrones distintivos en análisis FFT
• HRV elevada: Indicador de buena condición cardiovascular

Implicaciones Clínicas

• Diferencias significativas entre ECG de atletas y población general
• Importancia de algoritmos especializados para interpretación en atletas
• Necesidad de criterios específicos para evaluación de ECG en deportistas
• Valor del análisis espectral para caracterización de adaptaciones cardíacas