Machine Learning aplicado al análisis de variabilidad del patrón respiratorio
En el presente proyecto integrador, se desarrollan los algoritmos para el análisis de la variabilidad del patrón respiratorio (presión y flujo) para detectar e identificar cambios en el sistema biológico de pacientes bajo ventilación mecánica asistida. El proceso consistió en el análisis de las señ...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2022
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1085/1/1Rais_B.pdf |
| Aporte de: |
| Sumario: | En el presente proyecto integrador, se desarrollan los algoritmos para el análisis de la variabilidad del patrón respiratorio (presión y flujo) para detectar e identificar cambios en el sistema biológico de pacientes bajo ventilación mecánica asistida. El proceso consistió en el análisis de
las señales de presión de vía aérea y flujo respiratorio por medio de técnicas de procesamiento digital de señales, de modo de extraer parámetros que caracterizan la mecánica respiratoria de los sujetos. Sobre estos parámetros se aplicaron métodos de machine learning con el objetivo final de generar un sistema online y automático capaz de detectar cambios en el patrón respiratorio que puedan estar relacionados a una modificación del estado del paciente, permitiendo generar alarmas multiparamétricas de interés para el personal médico.
Para el desarrollo, en primer lugar, se trabajaron con señales de distintas fuentes. Entre ellas de un modelo mecánico de ventilación asistida, de un ensayo in vivo del ventilador mecánico de emergencia, de 3 pacientes en terapia intensiva con sedación estables, de 5 pacientes bajo intervención quirúrgica en la zona abdominal y de 3 pacientes bajo intervención quirúrgica periféricas. En segundo lugar, se procedió a separar los ciclos respiratorios para el análisis temporal de características descriptivas de los estados de los pacientes. Con la separación realizada se procedió a la extracciones de las características mas relevantes ciclo a ciclo. El set de datos se conforma con las características ciclo a ciclo de cada caso: modelo, el ensayo in vivo y para cada paciente. Este set de datos es analizado con métodos de machine learing que se presentan a continuación.
La utilización de los métodos de machine learning tuvo como objetivo encontrar distintas clases en el patrón respiratorio e identificar que característica es la más relevante. Para ello, se plantearon dos caminos. El primero consistió en realizar el análisis por componentes principales (PCA) para visualizar los datos en un espacio tridimensional con la menor cantidad de información perdida posible y la maquina de vector de soporte (SVM) de una clase con datos que representen un estado estable y de referencia, este estado es llamado estado basal.
Entonces, los datos restantes que fueren clasificados como valores atípicos con respecto al estado basal se le aplico el algoritmo de agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN) para identificar valores atípicos y grupos formados. Este camino no parece ser de utilidad cuando se presenta el fenómeno de concept drif t en donde los datos cambian con el tiempo. Entonces, el segundo camino, fue aplicar directamente el algoritmo de agrupamiento DBSCAN. La desventaja de este camino, es que se necesita un post-procesamiento para saber que grupo formado corresponde al estado basal. Por ultimo, con los grupos formados se aplico la prueba F (F-test) para saber que parámetros tuvieron mayor varianza entre grupos y además para asignarle un valor numérico a estos cambios.
Los resultados del trabajo muestran que la metodología desarrollada puede ser de utilidad para generar alarmas multiparamétricas en base a la variabilidad del patrón respiratorio de sujetos bajo ventilación mecánica. Dichas alarmas tienen la función de alertar al personal médico de
cambios tanto instantáneos como progresivos de la mecánica ventilatoria, lo cual muchas veces no es simple o factible de observar con los monitoreos que se utilizan actualmente en terapia intensiva o durante intervenciones quirúrgicas.
Los resultados presentados en el trabajo indican una mejor performance de la técnica SVM para los casos de los sujetos en terapia intensiva y el agrupamiento DBSCAN para los pacientes bajo intervención quirúrgica, para los fines mencionados. |
|---|