Upload
oresti-banos
View
166
Download
3
Embed Size (px)
Citation preview
• Introducción
• La presión arterial
• Objetivos
• Datos de partida
• Metodología
• Resultados
• Conclusiones
2
• La globalización tecnológica y la innovación han transformado la manera en que se imparten los servicios de salud
• Las intervenciones médicas han sufrido un cambio radical, pasando del “contacto personal directo y puntual” en tiempo y espacio, hacia una interacción “continua e independiente del espacio físico”
• Las enfermedades han evolucionado, de agudas a crónicas, al tiempo que la población envejece rápidamente en todo el mundo
3
• Necesidad de monitorizar la presión arterial de forma continua
• Modelos no invasivos no lo permiten
• Modelos invasivos tienen una
alta componente de riesgo
4
“La presión arterial (ABP) es una medida de la fuerza aplicada a las paredes arteriales por parte de la sangre impulsada desde el corazón”
- Diastólica (ABPdias): mínimo
- Sistólica (ABPsys): máximo
5
Métodos no invasivos (sin riesgos, medida discontinua)
6
Palpado Auscultación Oscilometría
- Una de las primeras técnicas empleadas
- Se basa en el análisis del pulso sanguíneo
- No permite medir la presión arterial diastólica
- Muy utilizada en el ámbito clínico (medicina general)
- Se basa en los sonidos de Korotkoff
- Permite medir la presión arterial diastólica y sistólica
- Muy utilizada en el ámbito personal (usuario independiente)
- Se basa en algoritmos propietarios a partir de la medida de la presión arterial media
- Permite medir la presión arterial diastólica y sistólica
Métodos no invasivos
7
Palpado Auscultación Oscilometría
Métodos invasivos (con riesgo, medida continua)
8
Cateterismo o sonda intraarterial
Puede producir
Métodos no invasivos + HOLTER (¡¡¡insuficiente!!!)
9
- Tasas de muestreo < 5 x 10-4 Hz (≈ cada 20-30 minutos)
- Impide detectar estados hemodinámicos (posiblemente críticos) fuera de dicho rango de muestreo
• Definir una metodología propia para la estimación de la presión arterial de forma no invasiva (NIBPE)
• Establecer una primera aproximación al problema
Analizar las señales extraídas para diversos sujetos en
el contexto clínico
Definir modelos de caracterización a partir de la información asociada a cada estado hemodinámico
Establecer metodologías para la selección de las variables más adecuadas
Comparar diversas estructuras de extracción de conocimiento, analizando el uso de diferentes combinaciones de fuentes de información biométrica
Para ello
10
FASE I: Análisis de las
señales y aplicación del preprocesado
FASE II: Extracción de características
FASE III: Selección de
características
FASE IV: Clasificación
FASE V: Validación,
análisis de los resultados y selección del modelo de clasificador
11
Almacenamiento de bases de datos de registros de origen fisiológico
12
Ofertar el acceso a dicha información a toda la comunidad científica
• MIMIC I Database (Interfaz ATM)
13
• MIMIC I Database (Boston's Beth Israel Hospital, en colaboración con la Harvard-MIT Division of Health Sciences and Technology)
14
- Monitorización en la UCI
- 100 pacientes
- Sesiones desde 24h-42h hasta semanas
- Gran cantidad de variables fisiológicas
• MIMIC I Database (Boston's Beth Israel Hospital, en colaboración con la Harvard-MIT Division of Health Sciences and Technology)
15
0 1 2 3 4 5 6 7 8
x 104
-50
0
50
100
150
200
250
300
350
400
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
NBPmean (mmHg)
NBPsys (mmHg)
NBPdias (mmHg)
PAPmean (mmHg)
PAPsys (mmHg)
PAPdias (mmHg)
PAWP (mmHg)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
• MIMIC I Database (Boston's Beth Israel Hospital, en colaboración con la Harvard-MIT Division of Health Sciences and Technology)
16
0 2 4 6 8 10 12 14 16 18
x 104
-50
0
50
100
150
200
250
300
350
400
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
ABPdias
ABPsys
HR
RESP
SpO2
18
0 1 2 3 4 5 6 7 8
x 104
0
50
100
150
200
250
300
Time (sec)
ABP (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
6.75 6.8 6.85 6.9 6.95 7 7.05 7.1 7.15 7.2
x 104
0
20
40
60
80
100
120
140
160
180
200
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
6 6.5 7 7.5 8
x 104
0
50
100
150
200
250
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
0.75 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2 1.25
x 104
0
50
100
150
200
250
300
350
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
Registros no balanceados
Señales fuera de rango
Ausencia temporal de señal y transitorios
Picos espurios abruptos
Filtrado paso alta clásico No válido
19
0 5 10 15
x 104
-50
0
50
100
150
200
250
300
350
400Señales originales
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
0 5 10 15
x 104
-150
-100
-50
0
50
100
150Señales filtradas
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
0 5 10 15
x 104
-50
0
50
100
150
200
250
300Señales filtradas + DC
Time (sec)
ABPmean (mmHg)
ABPsys (mmHg)
ABPdias (mmHg)
HR (bpm)
PULSE (bpm)
RESP (bpm)
SpO2 (%)
Análisis basado en wavelets (Daubechies nivel d1)
20
Filtrado wavelet basado en ventanas de error gaussiano
21
2 4 6 8 10 12 14
x 104
0
100
200
300
Señal original. Media: 7.341702e+001, std: 1.010409e+001
2 4 6 8 10 12 14
x 104
0
100
200
300
400
Aproximación a nivel 1 (a1). Media: 1.038273e+002, std: 1.402542e+001
2 4 6 8 10 12 14
x 104
-20
-10
0
10
20Detalle a nivel 1 (d1). Media: 1.994702e-005, std: 2.733409e+000
2 4 6 8 10 12 14
x 104
-200
0
200
Señal original. Media: 7.341702e+001, var: 1.020926e+002
2 4 6 8 10 12 14
x 104
-400
-200
0
200
400
600
Aproximación a nivel 1 (a1). Media: 1.038273e+002, var: 1.967123e+002
2 4 6 8 10 12 14
x 104
-40
-20
0
20
40Detalle a nivel 1 (d1). Media: 1.994702e-005, var: 7.471522e+000
Mar
gen
en
µ ±
2.5σ
Mar
gen
en
µ ±
2.5σ
2
Filtrado wavelet basado en ventanas de error gaussiano
22
0 10 20 30 40 50 60 70 80 90 1000
50
100
0 10 20 30 40 50 60 70 80 90 1000
0.5
1
0 10 20 30 40 50 60 70 80 90 1000
0.5
1
0 10 20 30 40 50 60 70 80 90 1000
0.5
1
0 10 20 30 40 50 60 70 80 90 1000
0.5
1
6850 6860 6870 6880 6890 6900 6910 6920 6930 6940 69500
50
100
150
200
250
300
350
6850 6860 6870 6880 6890 6900 6910 6920 6930 6940 6950
0
2
4
6
8
10
12
Error en la vecindad de la muestra detectada como errónea
Fusión de ventanas de error adyacentes
23
1000 2000 3000 4000 5000 6000 7000 8000 90000
100
200
300
Señal original
1000 2000 3000 4000 5000 6000 7000 8000 9000
-100
0
100
Descomposición wavelet de nivel 1 (familia db1)
1000 2000 3000 4000 5000 6000 7000 8000 9000
0
2
4
6
Ventanas de error
1000 2000 3000 4000 5000 6000 7000 8000 9000
60
70
80
90
100
Señal procesada (ventanas anómalas eliminadas)
Filt
rad
o w
ave
let
bas
ado
en
ve
nta
nas
de
err
or
gau
ssia
no
24
• Hipotensión (ABPsys<90, ABPDdias<60)
• Normal (90≤ABPsys≤120, 60≤ABPsys≤80)
• Prehipertensión (121≤ABPsys≤139, 81≤ABPsys≤89)
• Hipertensión de nivel 1 (140≤ABPsys≤159, 90≤ABPsys≤99)
• Hipertensión de nivel 2 (160≤ABPsys, 100≤ABPsys)
Estados hemodinámicos
• AND (inclusivo)
• OR (complementario)
• Dias (basado en la ABPdias)
• Sys (basado en la ABPsys)
Modelos
• Individual (Intrasujeto)
• Combinado (Intersujeto) Estudios
25
0 2 4 6 8 10 12 14 16 18
x 104
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 HypertensionCuantización para la señal de ABPdias
0 2 4 6 8 10 12 14 16 18
x 104
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 HypertensionCuantización para la señal de ABPsys
0 2 4 6 8 10 12 14 16 18
x 104
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 HypertensionCuantización basada en modelo AND
0 2 4 6 8 10 12 14 16 18
x 104
Hypotension
Normal
Prehypertension
Stage 1 Hypertension
Stage 2 HypertensionCuantización basada en modelo OR
Magnitudes
Amplitud Autocorrelación Autoregresión de media móvil Cepstrum Coherencia espectral Correlación cruzada Densidad espectral de energía Espectro en amplitud Espectro en fase Histograma Índice de desfase Reconstrucción de mínima fase Transformada discreta del coseno Transformada de Hadamard Transformada de Hilbert Valor de los históricos Wavelet
Operaciones matemático-estadísticas
Coeficiente de asimetría Cruces por cero Curtosis Desviación estándar Distorsión armónica total Energía total Entropía Máximo Media aritmética, armónica, geométrica, truncada Mediana Mínimo Moda Momento de orden 4 y 5 Posición del máximo/mínimo Rango Varianza
27
• Influye en el proceso de clasificación
POSICIÓN ÓPTIMA Pocas Características Buena Clasificación
0 200 400 600 800-1
-0.5
0
0.5
1x 10
4 Acel. TOBILLO, Act. CORRER
Características
Va
lor
de
la
ca
racte
rística
0 200 400 600 800-1
-0.5
0
0.5
1x 10
4 Acel. TOBILLO, Act. CORRER
Características
Va
lor
de
la
ca
racte
rística
• Conjunto de características muy amplio (1323 variables 21323 ≈ 1.8 x 10398 posibles combinaciones)
29
30
• Modelos empleados
• Bhattacharyya
• Entropía
• RQG-DR
• ROC
• Ttest
• Wilcoxon
Banos, O., Pomares, H., Rojas, I.: Ambient Living Activity Recognition based on Feature-set Ranking Using Intelligent Systems. In: Proceedings of the 2010 International Joint Conference on Neural Networks (IJCNN 2010), IEEE, Barcelona July 18-23, (2010)
𝐵 =1
4
𝑋 − 𝑌 2
𝜎𝑋2 + 𝜎𝑌
2 +
1
2 𝑙𝑜𝑔
𝜎𝑋2 + 𝜎𝑌
2
2 𝜎𝑋2 × 𝜎𝑌
2
Ω =1
2
𝜎𝑋2
𝜎𝑌2 +
𝜎𝑌2
𝜎𝑋2 − 2 + 𝑋 − 𝑌 2 ×
1
𝜎𝑋2 +
1
𝜎𝑌2
𝑝 𝑘 =1
𝑁 − 1
𝑚 𝑘, 𝑛
𝑀
𝑁
𝑛≠𝑘
AUC ∝ 1 − 𝑋𝑘 − 𝑋𝑘−1 𝑌𝑘 − 𝑌𝑘−1
𝑛
𝑘=1
𝑡 = 𝑋 − 𝑌
𝜎𝑋2
𝑛 +𝜎𝑌
2
𝑚
𝑈 = 𝑅 −𝑛 𝑛 + 1
2
• Pueden ser
Supervisados / No supervisados Binarios / Multientrada Binarios / Multiobjetivo Paramétricos / No paramétricos Etc.
• Principales
opciones
Lógica Difusa Redes Neuronales Máquinas de Soporte Vectorial Árboles de Decisión K-vecinos más cercanos Redes Bayesianas Modelos Ocultos de Markov
32
33
• Clasificadores binarios son más robustos y ofrecen por lo general mejor performance
• Los modelos para definir sistemas de decisión multiclase no aprovechan las capacidades que ofrecen las unidades binarias o resultan muy costosos
• No existe un modelo unificado que proporcione resultados destacables bajo cualquier contexto o ámbito de aplicación
Hierarchical weighted classifier (HWC)
N classes
NqxDxO mknq
N
n
mnmkmq ,...,11
)(maxarg mkmqq
m xOq
N
k
mk
mnmn
R
R
1
M
k
k
mm
R
R
1
NqxOxxOxO pkpq
M
p
pMkkqkq ,...,1)(}),...,({)(1
1
],...,1[)(maxarg NqxOq kqq
M sources &
34
36
ESTUDIOS MODELOS CATEGORÍAS TECNICAS
SELEC. PARADIGMAS
CLAS. SUB-
EXPERIMENTOS ESQUEMAS
052nm AND HR Bhattacha
ryya SVM 1 carac. Training
055nm OR RESP Entropía DT 5 carac. Test
212nm Dias SpO2 RQG-DR NB 10 carac.
403nm Sys HR-RESP ROC kNN
408nm HR-SpO2 Ttest
Todos RESP-SpO2 Wilcoxon
HR-RESP-SpO2
¡¡¡24192 experimentos!!!
37
ESTUDIOS MODELOS CATEGORÍAS TECNICAS
SELEC. PARADIGMAS
CLAS. SUB-
EXPERIMENTOS ESQUEMAS
052nm AND HR Bhattacha
ryya SVM 1 carac. Training
055nm OR RESP Entropía DT 5 carac. Test
212nm Dias SpO2 RQG-DR NB 10 carac.
403nm Sys HR-RESP ROC kNN
408nm HR-SpO2 Ttest
Todos RESP-SpO2 Wilcoxon
HR-RESP-SpO2
¡2016 experimentos!
38
Individual Combinado
HR kNN + 5 carac. (usando ROC y Ttest) permite ≈
100% para todos los modelos (AND, OR, Dias, Sys)
kNN + 10 carac. (usando Ttest), con resultados >
89% para Sys
RESP kNN + 10 carac. (usando Ttest) permite > 96%
para todos los modelos, salvo para Dias donde se
obtiene > 88%
kNN + 10 carac. (usando Ttest), con resultados >
98% para AND
SpO2
≈ 100% (mejores en media que para los estudios
HR y RESP). Muy buenos para DT y SVM + 1 carac.
(Ttest), también muy buenos para kNN (también
en Ttest)
DT + 10 carac. (usando Ttest), con resultados > 93%
para AND
HR-RESP
DT y SVM + 1 carac. ofrecen muy buenos
resultados, pero los mejores para kNN + 10 carac.
(Ttest). Globalmente mejores que HR y RESP por
separado
Muy buenos resultados para kNN + 10 carac.
(usando Ttest), salvo para el caso Dias. Se alcanzan
ratios > 92% para el modelo OR
HR-SpO2 Resultados equiparables a los obtenidos para HR-
RESP
kNN + 10 carac. (usando Ttest), con resultados >
96% para AND, > 90% para Sys, > 85% para Dias
RESP-SpO2 100% para todos los casos al emplear kNN + 10
carac. (en Ttest)
kNN, SVM + 1 carac. (usando Ttest) permite > 95%,
> 96% respectivamente para Dias. Se alcanza un
100% para AND y > 94% para Sys al emplear 10
caracterísicas
HR-RESP-
SpO2
Resultados equiparables a los de RESP-SpO2, pero
algo peores para el caso Dias
kNN, DT ó SVM + 10 carac. (usando Ttest) alcanzan
valores ≈ 100% para AND. En concreto kNN
permite > 96% para Sys, > 88% para Dias
• Para el estudio individual – DT, SVM y kNN permiten modelos con ratios cercanos
al 100%
– Sólo 1 carac. necesaria
– 1 fuente es suficiente (destaca el uso del SpO2)
• Para el estudio combinado – Mejores resultados para el modelo kNN + 10 carac.
– Combinaciones de fuentes suelen ofrecer mejores ratios (superiores al 95% en muchos casos) • HR-RESP OR (>92%)
• RESP-SpO2 Dias (>96%)
• HR-RESP-SpO2 AND (100%), Sys (>96%)
40
• El preprocesado, modelo de extracción y selección de características, y clasificador determinan de forma directa la eficiencia del sistema
• Se obtienen diferentes realizaciones algunas de las cuales ofrecen ratios de eficiencia prácticamente absolutos
• Se establece un buen marco de inicio para poder abordar el problema con un mayor contenido informativo y desde una perspectiva más cuantitativa
41
• Estudiar otras alternativas a la metodología propuesta, trabajando también en la mejora de las técnicas ideadas y aplicando un estudio cruzado
• Analizar un conjunto mayor de datos, monitorizaciones en otros contextos y definiciones de estados hemodinámicos más realistas (conjuntos difusos)
• Definir una base de datos propia en colaboración con el HUVN
42
• Combinación con los estudios de la ADL y aplicación en entornos AmI