Clínica
Enfoques de clasificación y control de series temporales para la detección y predicción de eventos críticos relacionados con la anestesia
Los sistemas de apoyo a la toma de decisiones clínicas en anestesia suelen limitarse a la simple detección de umbrales o variaciones. El objetivo de este proyecto es explotar el potencial de los métodos de control, optimización y aprendizaje.
Sistemas de apoyo a la toma de decisiones clínicas en anestesia.
Los sistemas de apoyo a la toma de decisiones clínicas en anestesia suelen limitarse a la simple detección de umbrales o variaciones. Además, las estrategias de control de bucle cerrado existentes suelen estar poco adaptadas a las necesidades prácticas de los anestesiólogos.
La anestesia es una de las enfermedades más comunes en el mundo.
Este proyecto pretende explotar el potencial de los métodos de control, optimización y aprendizaje para proponer enfoques originales que permitan fusionar los distintos datos medidos y diseñar sistemas avanzados de detección y control que respondan a determinados retos clínicos.
Una lista no exhaustiva de estos retos incluye:
- Presencia de elevadas incertidumbres en los sistemas biomédicos: los modelos fisiológicos son a menudo hipotéticos y sus parámetros se describen mediante distribuciones de probabilidad.
- Facilidad de las mediciones.
- Fiabilidad de las mediciones: las mediciones pueden verse afectadas por interacciones farmacológicas que comprometen su interpretabilidad (por ejemplo, la influencia de la ketamina en el índice biespectral), o estar relacionadas con fenómenos clínicos poco conocidos, como la analgesia (ausencia de dolor), que no tiene un indicador directo y a menudo debe inferirse a partir de varias señales clínicas.
- Poca persistencia de la incertidumbre en los sistemas biomédicos: los modelos fisiológicos suelen ser hipotéticos y sus parámetros se describen mediante distribuciones de probabilidad.
- Baja persistencia de la excitación en las entradas: los perfiles de infusión de fármacos están sujetos a diversas restricciones clínicas, lo que limita la identificabilidad de los parámetros del modelo. .
- Eventos críticos que repercuten en el rendimiento del control: por ejemplo, una hemorragia que puede alterar las concentraciones de fármaco en el torrente sanguíneo y, por tanto, afectar a la dinámica del sistema. .
El proyecto Clinical pretende abordar algunas de estas complejidades mediante enfoques de aprendizaje, control probabilístico y estocástico, y control predictivo de modelos. Aprovechará tanto los datos clínicos como los simuladores fisiológicos para diseñar estrategias de control más realistas y adaptadas a la práctica, teniendo en cuenta los comentarios de los anestesistas.