• 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