Predicción de estados de hipotensión empleando modelos ocultos de Markov

Hypotension states prediction by using the hidden Markov Models

Se estudia la utilización de modelos ocultos de Markov Para predecir estados de hipotensión en pacientes internados en unidades de cuidados intensivos. El Procedimiento de predicción desarrollado cuenta con dos modelos de Markov, uno entrenado con datos fisiológicos de pacientes que en un determinado intervalo de tiempo desarrollan estados de hipotensión, y otro entrenado con datos de pacientes en los cuales no se registra dicho cuadro. Ante datos de un nuevo paciente y empleando un marco bayesiano, el sistema estima qué modelo explica mejor las nuevas observaciones, y se establece una asociación del paciente a la clase del modelo seleccionado. Experimentos preliminares empleando el modelo propuesto sobre datos estándar muestran resultados promisorios.

INTRODUCCIÓN

Los cuadros de inestabilidad hemodinámica, como hipotensión arterial, edema pulmonar, falla respiratoria o shock cardiogénico, constituyen situaciones típicas en las que es necesario que los parámetros vitales de los pacientes internados en unidades de cuidados intensivos sean corregidos de manera prematura para prevenir deterioros adicionales de sus estados fisiológicos. Para estos casos, el desarrollo de sistemas capaces de advertir la posibilidad de cuadros de inestabilidad, o de detectarlos con la mayor anticipación posible, aparece como un objetivo muy conveniente.

Cada cuadro de inestabilidad hemodinámica presenta diferentes características e interrelaciones entre las señales vitales del paciente monitoreado; sin embargo, en diferentes trabajos se describe de manera similar o con rasgos comunes la caracterización de los periodos de estabilidad (en términos de la relación entre los parámetros monitoreados), tanto con base en la opinión de expertos, como en el análisis experimental de muestras de datos de diferentes ámbitos clínicos [1], [2], [3].

En particular, muchas técnicas se han empleado para la detección automática de cuadros de hipotensión; Bassale [4] propuso utilizar métodos paramétricos y otros para analizar y caracterizar las señales de presión arterial (ABP) antes de los episodios de hipotensión; Crespo et al. [5] también sugieren utilizar en la predicción los cambios en ABP inmediatos a dichos episodios; Frolich et al. [6] proponen usar la línea de base del ritmo cardiaco (HR) como parámetro para predecir hipotensión posespinal; usando técnicas de análisis espectral, Reich et al. [7] investigaron la correlación entre la variabilidad del HR y los eventos de hipotensión, y Mancini et al. [8] mostraron el potencial que tiene la variabilidad de la señal de SO2 (saturación de oxigeno) para predecir el cuadro de hipotensión.

Recientemente, en el “10th Annual PhysioNet/ Computers in Cardiology Challenge” [9], cuyo desafío consistió en predecir qué pacientes internados en unidades de cuidados intensivos presentarían estados de hipotensión aguda (AHE) a partir de un tiempo predefinido, se presentaron varios trabajos que, con diferentes enfoques y metodologías, obtuvieron buena performance en la predicción de los AHE, con los mismos datos, tanto para entrenamiento como para testeo.