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: |
| id |
I25-R131-1085 |
|---|---|
| record_format |
dspace |
| institution |
Instituto Balseiro |
| institution_str |
I-25 |
| repository_str |
R-131 |
| collection |
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) |
| language |
Español |
| orig_language_str_mv |
es |
| topic |
Ingeniería Medicina Machine learning Aprendizaje automático [Respiratory pattern Patrón respiratorio Assisted mechanical ventilation Ventilación mecánica asistida Airway pressure Presión vía aérea Respiratory flow Flujo respiratorio Digital signal processing Procesamiento digital de señales] |
| spellingShingle |
Ingeniería Medicina Machine learning Aprendizaje automático [Respiratory pattern Patrón respiratorio Assisted mechanical ventilation Ventilación mecánica asistida Airway pressure Presión vía aérea Respiratory flow Flujo respiratorio Digital signal processing Procesamiento digital de señales] Rais, Bruno Machine Learning aplicado al análisis de variabilidad del patrón respiratorio |
| topic_facet |
Ingeniería Medicina Machine learning Aprendizaje automático [Respiratory pattern Patrón respiratorio Assisted mechanical ventilation Ventilación mecánica asistida Airway pressure Presión vía aérea Respiratory flow Flujo respiratorio Digital signal processing Procesamiento digital de señales] |
| description |
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. |
| format |
Tesis NonPeerReviewed |
| author |
Rais, Bruno |
| author_facet |
Rais, Bruno |
| author_sort |
Rais, Bruno |
| title |
Machine Learning aplicado al análisis de variabilidad del patrón respiratorio |
| title_short |
Machine Learning aplicado al análisis de variabilidad del patrón respiratorio |
| title_full |
Machine Learning aplicado al análisis de variabilidad del patrón respiratorio |
| title_fullStr |
Machine Learning aplicado al análisis de variabilidad del patrón respiratorio |
| title_full_unstemmed |
Machine Learning aplicado al análisis de variabilidad del patrón respiratorio |
| title_sort |
machine learning aplicado al análisis de variabilidad del patrón respiratorio |
| publishDate |
2022 |
| url |
http://ricabib.cab.cnea.gov.ar/1085/1/1Rais_B.pdf |
| work_keys_str_mv |
AT raisbruno machinelearningaplicadoalanalisisdevariabilidaddelpatronrespiratorio |
| _version_ |
1812569745619156992 |
| spelling |
I25-R131-10852022-07-19T19:06:49Z Machine Learning aplicado al análisis de variabilidad del patrón respiratorio Machine Learning applied to the analysis of variability of the respiratory pattern Rais, Bruno Ingeniería Medicina Machine learning Aprendizaje automático [Respiratory pattern Patrón respiratorio Assisted mechanical ventilation Ventilación mecánica asistida Airway pressure Presión vía aérea Respiratory flow Flujo respiratorio Digital signal processing Procesamiento digital de señales] 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. In this integrative project, algorithms are developed for the analysis of the difference in the respiratory pattern (pressure and flow) to detect and identify changes in the biological system of patients under assisted mechanical ventilation. The process consisted of the analysis of the airway pressure and respiratory flow signals by means of digital signal processing techniques, in order to extract features that characterize the respiratory mechanics of the subjects.Machine learning methods will be applied to these features with the ultimate goal of generating an online system automatically capable of detecting changes in the respiratory pattern that may be related to a change in the patient’s condition, allowing the generation of multiparametric alarms of interest for the personal doctor. First of all, for the development signals from different sources were used. Among them, a mechanical model of assisted ventilation, an in vivo test of the emergency mechanical ventilator, 3 patients in intensive care with stable sedation, 5 patients undergoing surgery in the abdominal area and 3 patients undergoing peripheral surgery. Second, the respiratory cycles were separated for the temporal analysis of the descriptive characteristics of the patients’ states. With the separation carried out, the most relevant features were extracted cycle by cycle. The dataset conforms to the cycle-by-cycle features of each case: model, in vivo assay, and for each patient. This data set is analyzed with machine learning methods that are presented below. The use of the machine learning methods aimed to find different classes in the respiratory pattern and identify which features is the most relevant. To do this, two paths were proposed. The first consisted of performing Principal Component Analysis (PCA) to visualize the data in threedimensional space with as little lost information as possible and the one-class Support Vector Machine (SVM) with data representing a healthy state and reference, this state is called the baseline state. Then, the remaining data that were classified as outliers with respect to the baseline state were applied the Application Density-Based Spatial Clustering with Noise (DBSCAN) algorithm to identify outliers and formed clusters. This path does not seem to be useful when the concept drif t phenomenon occurs where the data changes over time. So, the second way was to directly apply the DBSCAN clustering algorithm. The disadvantage of this path is that a postprocessing is needed to know which group formed corresponds to the basal state. Finally, with the groups formed, the F test is applied to find out which features will have the greatest variation between groups and also to assign a numerical value to these changes. The results of the work show that the developed methodology can be useful to generate multiparametric alarms based on the scarcity of the respiratory pattern of subjects under mechanical ventilation. These alarms have the function of alerting the medical personnel of both instantaneous and progressive changes in many ventilatory mechanics, which is sometimes not simple or feasible to observe with the monitors currently used in intensive care or during surgical interruptions. The results presented in the work indicate a better performance of the SVM technique for the cases of the subjects in intensive care and the DBSCAN grouping for the patients undergoing surgical intervention, for the purposes included. 2022-06-21 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1085/1/1Rais_B.pdf es Rais, Bruno (2022) Machine Learning aplicado al análisis de variabilidad del patrón respiratorio / Machine Learning applied to the analysis of variability of the respiratory pattern. Proyecto Integrador Ingeniería Mecánica, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1085/ |