WO2010049547A1 - Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal - Google Patents

Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal Download PDF

Info

Publication number
WO2010049547A1
WO2010049547A1 PCT/ES2008/000677 ES2008000677W WO2010049547A1 WO 2010049547 A1 WO2010049547 A1 WO 2010049547A1 ES 2008000677 W ES2008000677 W ES 2008000677W WO 2010049547 A1 WO2010049547 A1 WO 2010049547A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
intervention
interventions
stage
database
Prior art date
Application number
PCT/ES2008/000677
Other languages
English (en)
French (fr)
Inventor
José María TORMOS MUÑOZ
Alejandro GARCÍA RUDOLPH
Eloy Opisso Salleras
María Teresa ROIG ROVIRA
Alberto GARCÍA MOLINA
Original Assignee
Fundació Institut Guttmann
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fundació Institut Guttmann filed Critical Fundació Institut Guttmann
Priority to PCT/ES2008/000677 priority Critical patent/WO2010049547A1/es
Priority to EP08877672.9A priority patent/EP2351523A4/en
Priority to AU2008363525A priority patent/AU2008363525B2/en
Priority to US13/126,838 priority patent/US20110213213A1/en
Priority to BRPI0823183A priority patent/BRPI0823183B8/pt
Priority to CA2742197A priority patent/CA2742197A1/en
Priority to ARP090104151A priority patent/AR075292A1/es
Priority to CL2009002011A priority patent/CL2009002011A1/es
Publication of WO2010049547A1 publication Critical patent/WO2010049547A1/es
Priority to US14/224,936 priority patent/US20140205978A1/en
Priority to US15/880,737 priority patent/US20180151259A1/en

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Definitions

  • the present invention concerns in general, and in a first aspect, a method for safely guiding interventions in procedures whose substrate is neuronal plasticity, such as neurorehabilitation, neuroeducation / neurolearning or cognitive neurostimulation procedures, by means of Ia generation and use of a database with information regarding a plurality of users, and in particular a method comprising analyzing said database to generate candidate predictions, from which to determine final or optimal predictions, leading to said generation of candidate predictions and said determination of subsequent final predictions through corresponding stages of classification at different levels.
  • a method for safely guiding interventions in procedures whose substrate is neuronal plasticity such as neurorehabilitation, neuroeducation / neurolearning or cognitive neurostimulation procedures
  • a second aspect of the present invention concerns a system intended to implement the method proposed by the first aspect of the invention.
  • plasticity is an intrinsic property of the nervous system that consists in the ability to modify its structure based on experience. This property allows you to learn, acquire new skills, or even recover from alterations caused by an injury. However, the changes do not necessarily have to result in a benefit; Sometimes, these changes can generate the appearance of diseases or be responsible for the chronification of the alterations derived from an injury. There is the challenge of learning enough about neuronal plasticity to modulate it and thus achieve the best behavioral response for a specific patient.
  • the patent US6964638 proposes a method to measure the cognitive ability of a user, presenting a series of cognitive tests and, among other actions, perform a statistical analysis of the responses to said tests using as reference information that may include the responses to said tests of other presumably healthy users.
  • the proposal described there combines the ability of statistical analysis with the ability to collect data on responses to cognitive functions.
  • a system in connection with several computerized terminals of patients and several of therapists.
  • the "host” has access to a database that includes both tasks or treatments to be selected by a therapist to assign them to a patient, as well as the responses to the performance of said tasks by different patients.
  • the "host” acts as the supervisor of the therapists.
  • Other tasks that the "Host” offers to the therapist are: "on-line” registration of patients, prescriptions (and updates) of treatments, evaluation of clinical progress, as well as the provision of reports.
  • the therapist seeing the evolution of the patient, prescribe additional tasks, or treatment procedures.
  • the "host” store and combine the responses of several patients in order to conduct a conductive search for rehabilitation processes.
  • a method is proposed to diagnose and train the cognitive ability of a user, in order to select one or other tasks to be performed by the user. It is proposed to store in a database (local or remote) the answers and historical results of several users, in order to cross-validate the results of a user against a criterion considered acceptable.
  • the present invention constitutes the aforementioned alternative to the state of the art, through the contribution, in a first aspect, of a method whose application provides the aforementioned use of the information of one of such databases to achieve the aforementioned objectives of selecting a or more final predictions that allow to guide in a safe way interventions in procedures whose substrate is the neuronal plasticity.
  • the present invention concerns, in a first aspect, a method for safely guiding interventions in procedures whose substrate is neuronal plasticity, which comprises generating and using a database with information regarding a plurality of users at least relative to interventions to be performed or experienced and to the responses to the performance of said interventions by said users.
  • the method proposed by the present invention comprises, in a characteristic way, the realization of the following stages, automatically: a) generate two or more groups of candidate predictions related to possible interventions, making two or more stages of classification based on at least heuristic rules on the information in said database, considered as constituent of some basic training data, b) generate from at least said two groups of candidate predictions a set of training data on target -level, and c) perform a meta-classification based on at least heuristic rules on said set of meta-level training data, and d) determine a group of optimal predictions based on the results of said stage c), selecting one of said groups of candidate predictions obtained in stage a), or by combining them with each other.
  • the proposed method comprises, for a preferred embodiment, validate, in step a), the results of said classification steps from common validation data for the validation of the results of all the stages of classification, and independent and separate from the basic training data, making the candidate predictions after said validation.
  • the method comprises, in order to obtain better results in said stage c), to generate, in stage b), the said set of meta-level training data, also from said validation data.
  • said step a) comprises carrying out said classification stages independently by using two or more classifiers, at least one per classification stage, differentiated from each other at least because each of them is based on The application of a respective set of heuristic rules different from that of the other classifier, to obtain said two or more groups of candidate predictions different from each other.
  • stage d) when said stage d) comprises selecting one of the candidate prediction groups, stage d) also includes selecting the classifier, and heuristic rules used, which has caused these optimal predictions.
  • stage a) comprises carrying out said two or more stages of classification by means of the use of a single classifier based on a single set of heuristic rules, said classifier being used two or more times, one for each classification stage, with different input parameters each time, to obtain said two or more groups of different candidate predictions, following which for said case in which stage d) comprises selecting one of the groups of candidate predictions, it also includes selecting the input parameters of the classifier that have caused these optimal predictions.
  • the two examples of embodiment described in relation to the way of carrying out the classification stages of stage a) are alternative or complementary, in which last case the differentiated classification stages are contemplated by using different classifiers, and others Differentiated classification stages because, although they use the same classifier, it uses different input parameters each time.
  • the number of classification stages is equal to or greater than three.
  • the method comprises using differentiated classifiers not only by the heuristic rules to be used, but by other characteristics, such as: type of classifier, mode of operation, etc.
  • the proposed method comprises performing them using another class of additional rules, such as deterministic rules.
  • the method comprises carrying out steps a) to d) prior to the requirement or instance of a prediction relating to an intervention for a given user, in which case it comprises, in order to carry out said prediction, apply the classifier, together with its input parameters and rules heuristics, selected after said stage d), on data with information regarding said determined user, to obtain at least the prediction related to an intervention to be performed.
  • the method comprises carrying out steps a) to d) after the requirement of the prediction regarding an intervention for a given user, including in said database to be used in said step a) data with information regarding said determined user, to finally obtain at least the prediction related to said intervention to be performed.
  • the method comprises extracting from the database the data with information regarding said determined user, in order to use them in step a) as part of the mentioned basic training data, both for "off-line” and "on-line” processing.
  • the method comprises entering the data with information regarding said user determined in said database, either for the "on-line” or for the "off-line” processing, in which last case the realization of steps a) to d) can be carried out once they have already been incorporated in the database the data of the new user or prior to said introduction.
  • the method comprises re-carrying out steps a) to d), sequentially, periodically or whenever new data is introduced into said database, thus updating over time the determined predictions, which will be increasingly precise, by the learning caused by the re-execution of stages a) to d) and by the updating of the information stored in the database.
  • the classification stages of a) and the d) stage of meta-classification are carried out by means of the use of artificial neural networks, in which case the mentioned input parameters are relative to those of an artificial neural network, such as those that refer to one or more of the following characteristics: network topology, activation function, end condition , learning mechanism, or a combination thereof.
  • the classification stages of stage a) and stage d) of meta-classification are carried out by means of the use of inductive automatic learning algorithms, being carried out carried out in stage d) the selection of the inductive learning algorithm and / or its input parameters, which has caused the aforementioned optimal predictions.
  • the algorithms to be used are of the avid type (as is the case where neural networks are used artificial).
  • the algorithms to be used are lazy ("lazy"), such as those used in inductive methods such as case-based reasoning, whose input parameters are one or more of the following: type of indexing, (by dimensions, in differences, in similarities, in explanations, etc.), type of storage (dynamic memory model (Schank, Lolodner) or model of examples of categories (Porter, Bareiss) ), type of recovery (closest neighbors, decision trees, SQL type query template, etc.) and type of adaptation (structural or derivative), or a combination thereof.
  • lazy such as those used in inductive methods such as case-based reasoning, whose input parameters are one or more of the following: type of indexing, (by dimensions, in differences, in similarities, in explanations, etc.), type of storage (dynamic memory model (Schank, Lolodner) or model of examples of categories (Porter, Bareiss) ), type of recovery (closest neighbors, decision trees, SQL type query template, etc.) and type of adaptation (structural or derivative), or a combination thereof.
  • the proposed method comprises using any algorithm or strategy known in the field of meta-learning to carry out the different stages of classification described above.
  • the proposed method applications are any that include procedures whose substrate is neuronal plasticity, such as those related to neurorehabilitation, neuroeducation / neurolearning or cognitive neurostimulation, all representative of different examples of implementation of the method proposed by the invention. .
  • this includes, for some examples of performance, at least some cognitive and / or functional tasks to be performed by the previously referred to as determined user, or subject of said neurorehabilitation, said neuroeducation / neurolearning or said cognitive neurostimulation.
  • the method proposed by the first aspect of the invention comprises, in said step of generating the database, including information regarding each user of said plurality of users relating to personal and / or structural and / or functional and / or evolutionary variables, which are defined in more detail below.
  • bio-psychosocial variable refer to all those variables that constitute the particular background of the user's or subject's life and their lifestyle.
  • the aforementioned structural variables include variables that allow defining the existence or not of alterations at the level of the structure, as well as describing the affectation, if any, of each of the users, and comprise one or more of the following variables :
  • etiology eg TBI, stroke, neurodegenerative disease, .
  • the aforementioned functional variables include information related to the cognitive aspects of users assessed by means of a neuropsychological examination battery, and include one or more of the following variables:
  • Memory Variable which defines the cognitive process that allows recording and reproducing information. Memory is not a single function, but can be subdivided based on different classifications, such as the following:
  • Variable of Executive Functions they are the set of cognitive functions that allow the control and regulation of behaviors aimed at a goal or goal, which are integrated by different cognitive abilities, and include:
  • these include information related to the success of the experimentation of one or more interventions by each user, said success being analyzed at least one of the following four levels:
  • Y - success at the level of the achievement of the generic objective understood as objectified improvements in other cognitive functions, in addition to the target function
  • Y - success at the level of the achievement of the long-term objective understood as a reduction of functional limitations for the development of activities of daily life, when it is the case of a neurorehabilitation procedure, or understood as the extent of a certain degree of neurolearning when it is the case of a neuroeducation / neurolearning procedure, or understood as an improvement in the cognitive abilities stimulated when it is the case of cognitive neurostimulation.
  • the method includes including all the variables described above in the database, and using them as basic training data in stage a).
  • the method comprises initiating said stage a) after the previous selection, by the person responsible for selecting the intervention, or interventions, of one or more interventions to be applied to a specific user.
  • the method refers to the final predictions determined by the application of the method proposed by the present invention, for a preferred embodiment they refer to the percentage of success or risk of applying an intervention to a specific user, and the method it comprises, for a variant of said embodiment, representing said percentage of success or risk, for said determined user, by means of the evolutionary variables described above, and incorporating in the database the new values of the evolutionary variables for said determined user.
  • the so-called person responsible for selecting the intervention, or interventions is a therapist who selects, for example, a task to be assigned to a patient (selection carried out based on their knowledge of the subject), said therapist requires the execution of stages a) to d) of the proposed method, to be guided in the intervention or task that you have previously selected.
  • Said guidance translates, once the stages a) to d) have been executed, in providing (for example, visually through a screen) a percentage of success or risk of assigning the selected task to the determined user, allowing that percentage to be given by the therapist. be guided in the sense of knowing if your choice is considered, by the system that implements the method, as high or low risk, after which the therapist finally decides whether to keep your task selection or modify it.
  • the method comprises performing a collaborative filtering by which to integrate the explicit opinion of a plurality of therapists (or responsible persons of another type of function, when it is not the case to carry out a therapy), for example, by means of an individual weighting of the determined predictions.
  • a second aspect of the invention concerns a system for safely guiding interventions in procedures whose substrate is neuronal plasticity, which is apt to apply the method proposed by the first aspect of the invention, and which will be described in greater detail in a later section.
  • Fig. 1 shows a schematic diagram that includes the different elements that take part in the different stages of the method proposed by the first aspect of the invention, for an exemplary embodiment
  • Fig. 2 is a schematic representation of the system proposed by the second aspect of the invention for an exemplary embodiment.
  • Fig. 1 it has represented different elements or blocks by which to implement steps a) to d) of the method proposed by the first aspect of the invention for an embodiment.
  • Fig. 1 illustrates the previously described example of embodiment for which stage a) comprises carrying out the classification steps independently by using two classifiers, indicated in Fig. 1 as " Classifier A “and” Classifier B ", one per classification stage, differentiated from each other because each of them is based on the application of a respective set of heuristic rules different from that of the other classifier, indicated in Fig. 1 as" Heuristic Base A “and” Heuristic Base B “, to obtain said two groups of candidate predictions different from each other, indicated in Fig. 1 as” Predictions A “and” Predictions B ", respectively.
  • Fig. 1 represents a possible meta-learning scenario, which presents the following stages:
  • Classifiers A and B are trained from a set of common training data, applying heuristic rules, or base heuristics A and B, respectively. Sequence indicated by arrows 1 in Fig. 1.
  • Candidate predictions A and B are generated from classifiers A and B, respectively, learned in an independent and common validation data set for both classifiers. Sequence indicated by arrows 2 in Fig. 1.
  • a set of training data in the meta-level is generated from the validation data set and the candidate predictions A and B generated by classifiers A and B, respectively, in the validation data set. Sequence indicated by arrows 3 in Fig. 1.
  • the final classifier (Meta-classifier) is trained from the Meta-level training data set, using a Heuristic Goal that uses inductive learning at the meta level to integrate the different classifiers A and B, or improve performance of each of them independently, in order to determine the final or optimal predictions in the previously described step d).
  • the method proposed by the first aspect of the invention is carried out, for an embodiment example, by means of the meta-learning scenario illustrated by Fig. 1, although for other examples of realization the scenario may be another, of greater or less complexity, different from illustrated.
  • these can be of a very diverse nature, such as the following: Voting, Weighted Voting or Arbitration, in order to obtain the final prediction in stage d), after the reception of an instance to be classified which, for an example of realization, consists of a task pre-assigned to a specific patient by a therapist.
  • FIG. 2 an example of embodiment of the system proposed by the second aspect of the invention is illustrated, which is apt to apply the method proposed by the first aspect of the invention, and comprises:
  • - a central computer server 5 with access to a database 6 as described above for the method proposed by the first aspect of the invention, - a plurality of user computer terminals 7a, 7b, 7c computerized in bidirectional communication with said central computer server 5 to receive, each of them, information related to said interventions and to send to the central computer server 5 the result of performing such interventions, and
  • a therapist computer terminal 8 in remote communication with said central computer server 5 to require the prediction of an intervention for a given user, to receive said required prediction, and to confirm the sending of information related to said intervention, in relation to the which said prediction has been required, by the server to the terminal of said determined user 7a.
  • the central computer server 5 is provided to carry out steps a) to d) of the method proposed by the first aspect of the invention.
  • a proposed system architecture is represented divided into three layers: a presentation that includes the different terminals 7a-7c and 8, an application that includes said central server 5, referred to as application server and a repository, which includes in addition to the mentioned database 6, a database server 9 through which the server 5 accesses the database 6.
  • the server of the platform 5 provides a remote access web interface where the client program is connected in order to authenticate, retrieve the information on the tasks to be performed in the current session and transmit the results generated to the Database server 9 .
  • the Presentation layer The Presentation layer:
  • This layer brings together all aspects of the software that has to do with the interfaces and the interaction of the system with the users and therapists.
  • the client program is installed on each of the computers, 7a-7c and 8, which access the platform through the interface provided in this layer so that the Therapists can guide the tasks to be executed by their users and they can execute them regardless of their physical location.
  • This communication is done through XML-RPC Web Services, which works through the HTTP or HTTPS protocol that a priori ensures that communications will not be blocked in routers or firewalls unless they have expressly disabled transmissions through ports 80 or 443. As this protocol executes over the TCP transport protocol, all data sent will be received by the recipient.
  • this layer the requests generated by the client program are received and managed, from the Presentation layer and the results are displayed. It interacts with the Repository layer to request the database server 9 to store or retrieve data from it.
  • the layer where the logic of the method is concentrated that is, the rules that govern the behavior at the functional level of the application, in order to carry out the method proposed by the first aspect of the invention to send it to the therapist terminal 8, located in the presentation layer, a final prediction upon request by the therapist, and to the user terminals 7a-7c the tasks assigned by the therapist.
  • This layer brings together all aspects of the software that have to do with the management of persistent data, managing them transparently to the Application layer.
  • Model-View-Controller Taking into account this encapsulation of the system in these three independent levels or layers, the use of the Model-View-Controller (MVC) design pattern is proposed. This design pattern explicitly separates access to data and the logic of the method of data presentation and interactions with users and therapists by introducing an intermediate component: the controller. For this reason, the J2EE platform is used where each of the three components of the design pattern will have the following functionality: Model: Any access to databases 6 will use some of the functions provided by the Model classes. These classes are called “Data Access Object" (DAO) and are instantiated from the classes named "Action”. The classes that correspond to a representation of a table in a database are the “Valué Object” (VO), detailed below.
  • DAO Data Access Object
  • Action The classes that correspond to a representation of a table in a database are the "Valué Object" (VO), detailed below.
  • Vista Corresponds to the web interface, the one that users and therapists see and with which they have to interact. It is implemented using Java Server Pages (JSP) with HTML and CSS code.
  • JSP Java Server Pages
  • Every web application on the Apache Tomcat server which is the one used in the system for an embodiment, contains two non-public directories of information related to the execution of the web. Those directories are:
  • META-INF Contains the manifest.mf file with generic information about the application and the context.xml file which defines the context with resources used by the web, such as access to the database 6.
  • WEB-INF contains the compiled classes, libraries and the web.xml file defining the structure of the application with the existing servlets, redirects and mappings. It also contains files called properties that are the following:
  • actions.properties indicates for each entity which is its file with the view (JSP) and which is the file with the action (Action).
  • a request is generated from a URL with the protocol format: // server: port / request.do. Since the addresses ending in .do are mapped to the controller, as defined in the web.xml file, it will receive the request. 2. The controller will pass the captured request to the next action, as it has loaded the action.properties file, it knows what is the action to be executed.
  • the action corresponding to the request receives its data and executes the corresponding queries to the database 6 through the DAOs corresponding to the entities from which it has to recover, insert, delete or update data.
  • the controller returns to the scene, which calls the view corresponding to the request.
  • the view receives the data returned by the action encapsulated in the response type variable.
  • the view contains Java code, which processes the received data (VO collections, etc.) compiles it at runtime and sends the resulting HTML code to the web browser.
  • the Design Pattern Model is therefore composed of Entities, which are -J2EE components that represent data stored in the database. Each entity corresponds to one of the following three objects:
  • Data Access Object implements the class that contains all the methods to execute queries against the database; These queries allow you to retrieve, insert, delete and update data.
  • Valué Object they are objects that are used to transfer information between processes and have no other behavior than the storage and recovery of their own data.
  • Primary Key This object is a class that stores the primary key of the entity. The type of primary key is defined in this class, which allows it to be abstracted throughout the platform.
  • Parameters Contains the information of the input and output parameters of a given task.
  • Session Contains data related to task sessions
  • the task planner and the query of results have the peculiarity that an action on any of the elements of the page does not cause the same to be completely refreshed but only those parts that contain new information are refreshed.
  • AJAX Asynchronous JavaScript and XML.
  • This technology allows to make asynchronous calls in JavaScript to a web server using the XMLHttpRequest object, the response of the same is also processed asynchronously to dynamically change the appearance of the web page. This provides greater interactivity, functionality, efficiency and ease of use of web pages.
  • BlockServIet It deals with the management of task blocks and tasks within them, it also allows changing the day in the calendar, loading the planning on the selected day.
  • SchedulerServIet It deals with the navigation in the task tree generated by grouping them into functions and sub-functions.
  • ResultServIet allows browsing through a calendar, loading for each selected day, the information related to the results of the selected session.
  • the ajax.js files have been created for the planner and for the query of results. These files contain all the functions that are used to communicate asynchronously with server 5.
  • SACK Ia a free code library
  • SACK Ia provides an API that facilitates calls to the server as well as Ia Obtaining the answer.
  • responses received by server 5 they can be in plain text format or in XML format.
  • the JavaScript XML DOM functions are used to read the received data.
  • HTML DOM the JavaScript functions known as HTML DOM are used.
  • the system allows users not to be physically in any particular location (hospital, care center, etc.) to perform the tasks assigned to them by therapists after having been properly guided through the final prediction. determined according to step d) of the method proposed by the first aspect of the invention.
  • the technology selected to support this feature is XML-RPC web services, due to its simplicity, minimalism and ease of use.
  • the data is sent in XML format and the conversions between the remote calls and the XML Ia make the libraries transparently to the programmer. It also allows an abstraction of the web application and the client's programming of the programming language used.

Abstract

Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal El método comprende generar una base de datos con información sobre unos usuarios, relativa a unas intervenciones a realizar y a las respuestas a su realización por parte de los usuarios, y analizarla para generar unas predicciones candidatas, a partir de las cuales determinar unas predicciones finales u óptimas, llevándose a cabo dicha generación de predicciones candidatas y dicha determinación de predicciones finales posterior mediante unas correspondientes etapas de clasificación a distintos niveles, basadas en reglas heurísticas. El sistema está previsto para implementar el método propuesto por el primer aspecto de la invención. El método y el sistema son particularmente aplicables en procedimientos tales como los relativos a la neurorehabilitación, la neuroeducación/neuroaprendizaje o la neuroestimulación cognitiva.

Description

Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal
Sector de la técnica
La presente invención concierne en general, y en un primer aspecto, a un método para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, tales como los procedimientos de neurorehabilitación, de neuroeducación/neuroaprendizaje o de neuroestimulación cognitiva, mediante Ia generación y utilización de una base de datos con información referente a una pluralidad de usuarios, y en particular a un método que comprende analizar dicha base de datos para generar unas predicciones candidatas, a partir de las cuales determinar unas predicciones finales u óptimas, llevándose a cabo dicha generación de predicciones candidatas y dicha determinación de predicciones finales posterior mediante unas correspondientes etapas de clasificación a distintos niveles.
Un segundo aspecto de Ia presente invención concierne a un sistema previsto para ¡rríplementar el método propuesto por el primer aspecto de Ia invención.
Estado de Ia técnica anterior
Son conocidas diferentes propuestas referentes al suministro o aplicación, a unos usuarios o pacientes, de intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, tales como las que comprenden tests o tareas cognitivas, o de otro tipo, y Ia posterior evaluación de sus respuestas.
Tal como se expone en "The Plástic Human Brain Cortex", Annual Reviews Neuroscience 2005.28:377-401 , de Alvaro Pascual-Leone, Amir Amedi, Felipe Fregni y Lotfi B. Merabet, Ia plasticidad es una propiedad intrínseca del sistema nervioso que consiste en Ia capacidad de modificar su estructura a partir de Ia experiencia. Esta propiedad Ie permite aprender, adquirir nuevas habilidades, o incluso recuperarse de las alteraciones ocasionadas por una lesión. Sin embargo los cambios no tienen que desembocar, necesariamente, en un beneficio; en ocasiones, estos cambios pueden generar Ia aparición de enfermedades o ser los responsables de Ia cronificación de las alteraciones derivadas de una lesión. Existe el desafío de aprender Io suficiente respecto a Ia plasticidad neuronal para modularla y así conseguir Ia mejor respuesta de comportamiento para un paciente específico. Para llevar a cabo dicha modulación, tal y como se indica en el artículo citado, se pueden llevar a cabo distintos tipos de intervenciones, tales como las basadas en Ia modificación de conducta, o las que incluyen diferentes técnicas de estimulación cortical, invasiva y no-invasiva. Se conocen asimismo sistemas que construyen bases de datos con información asociada a una pluralidad de usuarios, a tareas o tests a suministrar, así como a las respuestas de cada usuario a Ia realización de las tareas que Ie han asignado.
A continuación se exponen algunas de dichas propuestas que describen métodos y sistemas mediante los cuales crear bases de datos con más o menos información referente a distintos usuarios, así como diferentes formas de utilizar Ia información de tales bases de datos, con el fin de que Ia persona responsable de seleccionar Ia intervención, o intervenciones, tal como un terapeuta, pueda evaluar Ia evolución de un usuario, o paciente, al ejecutar una o más tareas, comparar sus resultados con los de otros usuarios, o incluso seleccionar las tareas a suministrarle en función de los resultados de otros usuarios a los que se les ha asignado dicha tarea.
La patente US6964638 propone un método para medir Ia capacidad cognitiva de un usuario, presentándole una serie de tests cognitivos y, entre otras acciones, realizar un análisis estadístico de las respuestas a dichos tests utilizando como referencia información que puede incluir las respuestas a dichos tests de otros usuarios presumiblemente saludables. En Ia memoria descriptiva de dicha patente se hace incidencia en que Ia propuesta allí descrita combina Ia capacidad del análisis estadístico con Ia capacidad de recopilar datos de las respuestas a funciones cognitivas.
En Ia patente US5711671 se propone un sistema que incluye un ordenador anfitrión, o "host", en conexión con varios terminales computerizados de pacientes y varios de terapeutas. El "host" tiene acceso a una base de datos que incluye tanto unas tareas o tratamientos a seleccionar por un terapeuta para asignárselos a un paciente, como las respuestas a Ia realización de dichas tareas por parte de diferentes pacientes. Para un ejemplo de realización el "host" actúa como supervisor de los terapeutas. Otras tareas que el "Host" Ie ofrece al terapeuta son: registro "on-line" de pacientes, de prescripciones (y actualizaciones) de tratamientos, de evaluación de progresos clínicos, así como el suministro de informes. En dicha patente se propone que el terapeuta, al ver Ia evolución del paciente, Ie prescriba tareas, o procedimientos de tratamiento, adicionales. También se propone que el "host" almacene y combine las respuestas de varios pacientes para poder realizar una búsqueda conductiva de procesos de rehabilitación.
Por otra parte en Ia patente US628198 se propone un método para administrar unos tests cognitivos a un paciente, monitorizar remotamente sus respuestas a los tests y valorar Ia evolución de su nivel cognitivo en base a dichas respuestas. En dicha patente se propone construir una base de datos que puede incluir tests cognitivos, de referencia o no, información demográfica del paciente, y sus respuestas a los tests. En Ia memoria descriptiva de Ia patente US628198 se describe incluir en Ia base de datos información de respuestas a tests para una gran cantidad de personas, y utilizar esta información para Ia elección de programas de terapia propuestos.
Se describe también en US628198 Ia realización, en función de sus características demográficas o de otras características, de diferentes grupos de pacientes que tienen en común tendencias en sus respuestas, e incluir a dichos grupos en Ia base de datos. Dichos grupos tienen como fin el extrapolar las respuestas de un paciente perteneciente a un grupo al resto de miembros de dicho grupo, para, por ejemplo, seleccionar un programa de terapias para un paciente en función de respuestas de otros pacientes a programas similares de terapias, así como evaluar el progreso del paciente en comparación con otros casos.
En Ia patente US6632174 se propone un método para diagnosticar y entrenar Ia habilidad cognitiva de un usuario, con el fin de seleccionar unas u otras tareas a realizar por parte del usuario. Se propone almacenar en una base de datos (local o remota) las respuestas y resultados históricos de varios usuarios, para poder realizar una validación cruzada de los resultados de ün usuario contra un criterio considerado aceptable.
En ninguno de dichos documentos se enseña ni tan siquiera se sugiere un uso de las mencionadas bases de datos que vaya más allá de Ia utilización directa de dicha información almacenada en las bases de datos, ya sea para realizar un análisis estadístico, una búsqueda conductiva, extrapolaciones o validaciones cruzadas de resultados de diferentes pacientes.
Explicación de Ia invención
Aparece necesario ofrecer una alternativa al estado de Ia técnica que permita extraer realmente un gran provecho de Ia información almacenada en una de tales bases de datos, relativa a una pluralidad de usuarios o pacientes, no para simplemente extraerla directamente o aplicar sobre ella unos criterios estadísticos, sino para utilizarla como fuente de datos brutos para obtener una información neta cuya clasificación, de diferentes maneras, proporcione una serie de predicciones candidatas relativas a unas intervenciones a realizar o experimentar por parte de un usuario, en base a las cuales determinar una o más predicciones finales.
La presente invención constituye Ia mencionada alternativa al estado de Ia técnica, mediante Ia aportación, en un primer aspecto, de un método cuya aplicación proporciona Ia citada utilización de Ia información de una de tales bases de datos para conseguir los mencionados objetivos de selección de una o más predicciones finales que permitan guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal.
Para ello la presente invención concierne, en un primer aspecto, a un método para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, que comprende generar y utilizar una base de datos con información referente a una pluralidad de usuarios al menos relativa a unas intervenciones a realizar o experimentar y a las respuestas a Ia realización de dichas intervenciones por parte de dichos usuarios.
A diferencia de las propuestas convencionales, el método propuesto por Ia presente invención comprende, de manera característica, Ia realización de las siguientes etapas, de forma automática: a) generar dos o más grupos de predicciones candidatas relativas a posibles intervenciones, realizando dos o más etapas de clasificación basada en como mínimo reglas heurísticas sobre Ia información de dicha base de datos, considerada como constituyente de unos datos de entrenamiento básicos, b) generar a partir de cómo mínimo dichos dos grupos de predicciones candidatas un conjunto de datos de entrenamiento en meta-nivel, y c) realizar una meta-clasificación basada en como mínimo reglas heurísticas sobre dicho conjunto de datos de entrenamiento en meta-nivel, y d) determinar un grupo de predicciones óptimas en base a los resultados de dicha etapa c), seleccionando uno de dichos grupos de predicciones candidatas obtenido en Ia etapa a), o bien combinándolos entre si.
Con el fin de mejorar los resultados a obtener mediante la aplicación de Ia citada- etapa a), el método propuesto comprende, para un ejemplo de realización preferido, validar, en Ia etapa a), los resultados de dichas etapas de clasificación a partir de unos datos de validación comunes para Ia validación de los resultados de todas las etapas de clasificación, e independientes y separados de los datos de entrenamiento básicos, realizándose las predicciones candidatas tras dicha validación.
El método comprende, para obtener unos mejores resultados en dicha etapa c), generar, en Ia etapa b), el mencionado conjunto de datos de entrenamiento en meta- nivel, a partir también de dichos datos de validación.
Para un ejemplo de realización dicha etapa a) comprende llevar a cabo dichas etapas de clasificación de manera independiente mediante Ia utilización de dos o más clasificadores, como mínimo uno por etapa de clasificación, diferenciados entre sí al menos porque cada uno de ellos está basado en Ia aplicación de un respectivo conjunto de reglas heurísticas diferente al del otro clasificador, para obtener dichos dos o más grupos de predicciones candidatas diferentes entre sí.
Siguiendo con dicho ejemplo de realización, una vez se han generado los grupos de predicciones candidatas, cuando dicha etapa d) comprende seleccionar uno de los grupos de predicciones candidatas, Ia etapa d) comprende seleccionar también el clasificador, y reglas heurísticas utilizadas, que ha provocado dichas predicciones óptimas.
Para otro ejemplo de realización del método propuesto por el primer aspecto de Ia invención, Ia etapa a) comprende llevar a cabo dichas dos o más etapas de clasificación mediante Ia utilización de un único clasificador basado en un único conjunto de reglas heurísticas, utilizándose dicho clasificador dos o más veces, una por cada etapa de clasificación, con unos parámetros de entrada diferentes cada vez, para obtener dichos dos o más grupos de predicciones candidatas diferentes entre sí, tras Io cual para dicho caso en que Ia etapa d) comprende seleccionar uno de los grupos de predicciones candidatas, ésta comprende seleccionar también los parámetros de entrada del clasificador que han provocado dichas predicciones óptimas.
Los dos ejemplos de realización descritos en relación a Ia manera de llevar a cabo las etapas de clasificación de Ia etapa a) son alternativos o complementarios, en cuyo último caso se contempla Ia realización de etapas de clasificación diferenciadas por utilizar clasificadores diferentes, y de otras etapas de clasificación diferenciadas porque, aunque utilizan un mismo clasificador, éste utiliza unos parámetros de entrada diferentes cada vez. Para dicho caso complementario, el número de etapas de clasificación es igual o mayor que tres.
Para el ejemplo de realización en el que las etapas de clasificación comprenden utilizar clasificadores diferentes, el método comprende utilizar clasificadores diferenciados no solamente por las regla heurísticas a utilizar, sino por otras características, tales como: tipo de clasificador, modo de funcionamiento, etc.
Por otra parte si bien las etapas de clasificación, y de meta-clasificación, realizadas según el método propuesto, están basadas en como mínimo Ia aplicación de reglas heurísticas, el método propuesto comprende realizarlas utilizando otra clase de reglas adicionales, tales como reglas determinísticas.
Para un ejemplo de realización, al que posteriormente se hará referencia como de procesado "off-line", el método comprende realizar las etapas a) a d) de manera previa al requerimiento o instancia de una predicción relativa a una intervención para un usuario determinado, en cuyo caso comprende, con el fin de llevar a cabo dicha predicción, aplicar el clasificador, junto con sus parámetros de entrada y reglas heurísticas, seleccionados tras dicha etapa d), sobre unos datos con información referente a dicho usuario determinado, para obtener como mínimo Ia predicción relativa a una intervención a realizar.
Para otro ejemplo de realización alternativo, o de procesado "on-line", el método comprende realizar las etapas a) a d) tras el requerimiento de Ia predicción relativa a una intervención para un usuario determinado, incluyéndose en dicha base de datos a utilizar en dicha etapa a) unos datos con información referente a dicho usuario determinado, para obtener finalmente al menos Ia predicción relativa a dicha intervención a realizar.
Para el caso en que dicho usuario determinado es un usuario de Ia citada pluralidad de usuarios, el método comprende extraer de Ia base de datos los datos con información referente a dicho usuario determinado, con el fin de utilizarlos en Ia etapa a) como parte de los mencionados datos de entrenamiento básicos, ya sea para el procesado "off-line" como para el "on-line".
Si, en cambio, dicho usuario determinado no es un usuario de dicha pluralidad de usuarios, es decir si es un usuario nuevo, por Io que sus datos no estaban incorporados en Ia base de datos, el método comprende introducir los datos con información referente a dicho usuario determinado en dicha base de datos, ya sea para el procesado "on-line" como para el "off-line", en cuyo último caso Ia realización de las etapas a) a d) puede llevarse a cabo una vez ya han sido incorporados en Ia base de datos los datos del usuario nuevo o de manera previa a dicha introducción.
Con el fin de enriquecer Ia base de datos, y por ende de aumentar Ia precisión en futuras predicciones aplicando el método propuesto, éste comprende:
- proporcionarle dicha intervención a dicho usuario determinado;
- experimentar, dicho usuario determinado, dicha intervención; y
- adquirir y registrar en dicha base de datos unos datos con información referente a los resultados de Ia experimentación de dicha intervención por parte del usuario determinado y, si es el caso, otros nuevos datos referentes a dicho usuario determinado, con el fin de actualizar dicha base de datos
El método comprende volver a realizar las etapas a) a d), de manera secuencial, periódicamente o cada vez que se introducen nuevos datos en dicha base de datos, actualizándose así con el tiempo las predicciones determinadas, las cuales serán cada vez más precisas, por el aprendizaje provocado por Ia reejecución de las etapas a) a d) y por Ia actualización de Ia información almacenada en Ia base de datos.
Para un ejemplo de realización del método propuesto, las etapas de clasificación de a) y Ia etapa d) de meta-clasificación se llevan a cabo mediante Ia utilización de redes neuronales artificiales, en cuyo caso los mencionados parámetros de entrada son relativos a los propios de una red neuronal artificial, tales como los que hacen referencia a una o más de las siguientes características: topología de Ia red, función de activación, condición de fin, mecanismo de aprendizaje, o a una combinación de las mismas.
En un ejemplo de realización complementario al descrito en el párrafo anterior o independiente del mismo, las etapas de clasificación de Ia etapa a) y Ia etapa d) de meta-clasificación se llevan a cabo mediante Ia utilización de algoritmos de aprendizaje automático inductivos, llevándose a cabo en Ia etapa d) Ia selección del algoritmo de aprendizaje inductivo y/o de sus parámetros de entrada, que ha provocado las mencionadas predicciones óptimas.
Para dicho caso en que se utilizan algoritmos de aprendizaje automático inductivos, con el fin de llevar a cabo el anteriormente denominado como procesado "off-line", los algoritmos a utilizar son de tipo ávido (como es el caso de que se utilicen redes neuronales artificiales).
En cambio, para el caso anteriormente denominado como de procesado "on line" los algoritmos a utilizar son de tipo perezoso ("lazy"), tales como los utilizados en métodos inductivos como el razonamiento basado en casos, cuyos parámetros de entrada son uno o más de los siguientes: tipo de indexación, (por dimensiones, en diferencias, en similaridades, en explicaciones, etc.), tipo de almacenamiento (modelo de memoria dinámico (Schank, Lolodner) o modelo de ejemplos de categorías (Porter, Bareiss)), tipo de recuperación (vecinos más cercanos, árboles de decisión, plantilla de consultas tipo SQL, etc.) y tipo de adaptación (estructural o derivacional), o una combinación de los mismos.
El método propuesto comprende utilizar cualquier algoritmo o estrategia conocido en el campo del meta-aprendizaje para llevar acabo las diferentes etapas de clasificación descritas con anterioridad.
Las aplicaciones del método propuestos son cualesquiera que incluyan procedimientos cuyo substrato sea Ia plasticidad neuronal, tales como los referentes a Ia neurorehabilitación, Ia neuroeducación/neuroaprendizaje o Ia neuroestimulación cognitiva, todos ellos representativos de diferentes ejemplos de realización de aplicación del método propuesto por Ia invención.
En cuanto a Ia intervenciones guiadas de manera segura mediante el método propuesto, ésta comprenden, para unos ejemplos de realización, como mínimo unas tareas cognitivas y/o funcionales a realizar por el anteriormente denominado como usuario determinado, o sujeto de dicha neurorehabilitación, de dicha neuroeducación/neuroaprendizaje o de dicha neuroestimulación cognitiva.
Por lo que se refiere a Ia información a incluir en Ia base de datos, el método propuesto por el primer aspecto de Ia invención comprende, en dicha etapa de generación de Ia base de datos, incluir información referente a cada usuario de dicha pluralidad de usuarios relativa a variables personales y/o estructurales y/o funcionales y/o evolutivas, las cuales se definen de manera más detallada a continuación.
Por Io que se refiere a dichas variables personales, o variable bio-psico-sociales, éstas hacen referencia a todas aquellas variables que constituyen el trasfondo particular de Ia vida del usuario o sujeto y de su estilo de vida.
El presente método distingue entre tres tipos de variables personales:
- Variables biológicas: fecha de nacimiento, edad, género, etc.
- Variables psicológicas: personalidad premórbida, actitudes de Ia persona, estilos de afrontamiento, etc.
- Variables sociales: lugar de residencia, nivel educativo, estatus laboral, estatus socioeconómico, estado civil, estabilidad, apoyo familiar, etc.
Las mencionadas variables estructurales comprenden variables que permiten definir Ia existencia o no de alteraciones a nivel de Ia estructura, así como describir Ia afectación, en el caso de que exista, de cada uno de los usuarios, y comprenden una o más de las siguientes variables:
- Variables de diagnóstico principal y secundarios (si los hubiere).
- Variables de etiología (p.ej. TCE, ictus, enfermedad neurodegenerativa,...).
- Variables de lesiones en neuroimagen.
- Variables de severidad de Ia lesión.
- Variables de tiempo de evolución.
Las citadas variables funcionales comprenden información relativa a los aspectos cognitivos de los usuarios valorados mediante una batería de exploración neuropsicológica, e incluyen una o más de las siguientes variables:
- Variable de Atención, Ia cual es una función compleja formada por subprocesos específicos. Se distinguen las siguientes:
1) Atención sostenida: permite estar alerta delante de estímulos durante períodos de tiempo largos.
2) Atención selectiva: capacidad para procesar selectivamente una información inhibiendo otro que no es relevante.
3) Atención dividida: capacidad para realizar dos actividades simultáneamente. - Variable de Lenguaje, representativa de Ia capacidad del ser humano para comunicarse a través de signos, principalmente de signos lingüísticos, dentro de Ia que el método distingue:
- Producción.
- Comprensión.
- Nominación
- Lectura
- Gramática
- Pragmática
- Variable de Memoria, que define el proceso cognitivo que permite grabar y reproducir información. La memoria no es una función única, sino que puede subdividirse en base a diferentes clasificaciones, como las siguientes:
-Temporal: memoria de corto y largo plazo.
- Dominio: memoria declarativa e implícita.
- Tipo de información: verbal o no verbal.
- Fase temporal: codificación, consolidación y evocación.
- Variable de Funciones Ejecutivas: son el conjunto de funciones cognitivas que permiten el control y Ia regulación de las conductas dirigidas a un objetivo o meta, que están integradas por diferentes capacidades cognitivas, e incluyen:
- Planificación.
- Monitorización
- Verificación
- Inhibición
Y finalmente, en cuanto a las mencionadas variables evolutivas se refiere, éstas comprenden información relativa al éxito de Ia experimentación de una o más intervenciones por parte de cada usuario, siendo dicho éxito analizado a al menos uno de los siguientes cuatro niveles:
- éxito a nivel de ejecución de Ia tarea cognitiva y/o funcional y de Ia idoneidad o adecuación de Ia tarea propuesta para cada perfil concreto de usuario;
- éxito a nivel de Ia consecución del objetivo inmediato, entendido como una mejora en Ia función cognitiva para Ia cual ha sido seleccionada Ia tarea cognitiva y/o funcional;
- éxito a nivel de Ia consecución del objetivo genérico, entendido como mejoras objetivadas en otras funciones cognitivas, además de Ia función diana; y - éxito a nivel de Ia consecución del objetivo a largo plazo, entendido como una reducción de las limitaciones funcionales para el desarrollo de actividades de Ia vida diaria, cuando es el caso de un procedimiento de neurorehabilitación, o entendido como el alcance de un cierto grado de neuroaprendizaje cuando es el caso de un procedimiento de neuroeducación/neuroaprendizaje, o entendido como una mejora en las capacidades cognitivas estimuladas cuando es el caso de neuroestimulación cognitiva.
Cuanto mayor sea el número de dichas variables a incluir en Ia base de datos, mejor será el resultado a obtener, es decir más fiables serán las predicciones finales obtenidas. Es por ello que para un ejemplo de realización el método comprende incluir todas las variables descritas anteriormente en Ia base de datos, y utilizarlas como datos de entrenamiento básicos en Ia etapa a).
Para un ejemplo de realización preferido el método comprende iniciar dicha etapa a) tras Ia selección previa, por parte de Ia persona responsable de seleccionar Ia intervención, o intervenciones, de una o más intervenciones a aplicar a un usuario determinado.
Por Io que ser refiere a las predicciones finales determinadas mediante Ia aplicación del método propuesto por Ia presente invención, para un ejemplo de realización preferido éstas hacen referencia al porcentaje de éxito o riesgo que tiene el aplicar una intervención a un usuario determinado, y el método comprende, para una variante de dicho ejemplo de realización, representar dicho porcentaje de éxito o riesgo, para dicho usuario determinado, mediante las variables evolutivas descritas anteriormente, e incorporar en Ia base de datos los nuevos valores de las variables evolutivas para dicho usuario determinado.
Si Ia denominada persona responsable de seleccionar Ia intervención, o intervenciones, es un terapeuta que selecciona, por ejemplo, una tarea a asignarle a un paciente (selección que lleva a cabo en base a sus conocimientos sobre Ia materia), dicho terapeuta requiere de Ia ejecución de las etapas a) a d) del método propuesto, para ser guiado en Ia intervención o tarea que previamente ha seleccionado.
Dicho guiado se traduce, una vez ejecutadas las etapas a) a d), en suministrarle (por ejemplo visualmente a través de una pantalla) un porcentaje de éxito o riesgo que tiene el asignarle Ia tarea seleccionada al usuario determinado, permitiendo ese porcentaje que el terapeuta sea guiado en el sentido de saber si su elección es considerada, por parte del sistema que implementa el método, como de alto o de bajo riesgo, tras Io cual el terapeuta decide finalmente si mantener su selección de tarea o modificarla. Con el fin de suministrarle, por ejemplo al terapeuta, una fuente de guiado adicional al mencionado porcentaje de éxito o riesgo, el método comprende realizar un filtrado colaborativo mediante el cual integrar Ia opinión explícita de una pluralidad de terapeutas (o personas responsables de otro tipo de función, cuando no es el caso de llevar a cabo una terapia), mediante, por ejemplo, una ponderación individual de las predicciones determinadas.
Un segundo aspecto de Ia invención concierne a un sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, que es apto para aplicar el método propuesto por el primer aspecto de Ia invención, y que será descrito con mayor detalle en un apartado posterior.
Breve descripción de los dibujos
Las anteriores y otras ventajas y características se comprenderán más plenamente a partir de Ia siguiente descripción detallada de unos ejemplos de realización con referencia a los dibujos adjuntos, que deben tomarse a título ilustrativo y no limitativo, en los que:
Ia Fig. 1 muestra un diagrama esquemático que incluye los diferentes elementos que toman parte en las diferentes etapas del método propuesto por el primer aspecto de Ia invención, para un ejemplo de realización; y
Ia Fig. 2 es una representación esquemática del sistema propuesto por el segundo aspecto de Ia invención para un ejemplo de realización.
Descripción detallada de unos ejemplos de realización
Haciendo en primer lugar referencia a Ia Fig. 1 , en ella se han representado diferentes elementos o bloques mediante los cuales implementar las etapas a) a d) del método propuesto por el primer aspecto de Ia invención para un ejemplo de realización.
En concreto el diagrama ilustrado en Ia Fig. 1 ilustra el anteriormente descrito ejemplo de realización para el que Ia etapa a) comprende llevar a cabo las etapas de clasificación de manera independiente mediante Ia utilización de dos clasificadores, indicados en Ia Fig. 1 como "Clasificador A" y "Clasificador B", uno por etapa de clasificación, diferenciados entre sí porque cada uno de ellos está basado en Ia aplicación de un respectivo conjunto de reglas heurísticas diferente al del otro clasificador, indicados en Ia Fig. 1 como "Heurística Base A" y "Heurística Base B", para obtener dichos dos grupos de predicciones candidatas diferentes entre sí, indicadas en Ia Fig. 1 como "Predicciones A" y "Predicciones B", respectivamente. En definitiva la Fig. 1 representa un posible escenario de meta-aprendizaje, que presenta las siguientes etapas:
1. Los clasificadores A y B son entrenados a partir de un conjunto de datos de entrenamiento común, aplicándoles unas reglas heurísticas, o heurísticas base A y B, respectivamente. Secuencia indicada por las flechas 1 en Ia Fig. 1.
2. Las predicciones candidatas A y B se generan a partir de los clasificadores A y B, respectivamente, aprendidos en un conjunto de datos de validación independiente y común para ambos clasificadores. Secuencia indicada por las flechas 2 en Ia Fig. 1.
3. Se genera un conjunto de datos de entrenamiento en el meta-nivel a partir del conjunto de datos de validación y de las predicciones candidatas A y B generadas por los clasificadores A y B, respectivamente, en el conjunto de datos de validación. Secuencia indicada por las flechas 3 en Ia Fig. 1.
4. El clasificador final (Meta-clasificador) es entrenado a partir del conjunto de datos de entrenamiento en Meta-nivel, mediante una Meta Heurística que utiliza aprendizaje inductivo en el meta nivel para integrar los diferentes clasificadores A y B, o mejorar el desempeño de cada uno de ellos de manera independiente, con el fin de determinar las predicciones finales u óptimas en Ia anteriormente descrita etapa d).
El método propuesto por el primer aspecto de Ia invención es llevado a cabo, para un ejemplo de realización, mediante el escenario de meta-aprendizaje ilustrado por Ia Fig. 1 , aunque para otros ejemplos de realización el escenario puede ser otro, de mayor o menor complejidad, diferente al ilustrado.
En cuanto a las estrategias a aplicar para implementar el Meta-clasificador, éstas pueden ser de índole muy diversa, tales como las siguientes: Votación, Votación ponderada o Arbitraje, con el fin de obtener Ia predicción final en Ia etapa d), tras Ia recepción de una instancia a ser clasificada que, para un ejemplo de realización, consiste en una tarea preasignada a un paciente determinado por parte de un terapeuta.
En Ia Fig. 2 se ilustra un ejemplo de realización del sistema propuesto por el segundo aspecto de Ia invención, el cual es apto para aplicar el método propuesto por el primer aspecto de Ia invención, y comprende:
- un servidor informático central 5, con acceso a una base de datos 6 como Ia descrita con anterioridad para el método propuesto por el primer aspecto de Ia invención, - una pluralidad de terminales informáticos de usuario 7a, 7b, 7c computerizados en comunicación bidireccional con dicho servidor informático central 5 para recibir, cada uno de ellos, información relativa a dichas intervenciones y para enviar al servidor informático central 5 el resultado de Ia realización de dichas intervenciones, y
- un terminal informático de terapeuta 8 en comunicación remota con dicho servidor informático central 5 para requerir Ia predicción de una intervención para un usuario determinado, para recibir dicha predicción requerida, y para confirmar el envío de información relativa a dicha intervención, en relación a Ia cual se ha requerido dicha predicción, por parte del servidor al terminal de dicho usuario 7a determinado.
El servidor informático central 5 está previsto para llevar a cabo las etapas a) a d) del método propuesto por el primer aspecto de Ia invención.
En dicha Fig. 2 se ha representado una arquitectura del sistema propuesto dividida en tres capas: una de presentación que incluye a los diferentes terminales 7a- 7c y 8, una de aplicación que incluye al mencionado servidor central 5, referido como servidor de aplicaciones y una de repositorio, que incluye además de Ia mencionada base de datos 6, un servidor de base de datos 9 a través del cual el servidor 5 accede a Ia base de datos 6.
A continuación se explica un ejemplo de realización con base a Ia arquitectura del sistema ilustrada en Ia Fig. 2, referida también como plataforma, cuyo funcionamiento se describe a continuación.
A través de esta plataforma los usuarios pueden ejecutar las tareas que ha programado el terapeuta, independientemente de su ubicación física, con los únicos requisitos de disponer de una conexión a Internet y del programario de Ia aplicación cliente instalado en el ordenador o terminal del usuario 7a-7c.
El servidor de Ia plataforma 5 proporciona una interfaz web de acceso remoto donde el programario cliente se conecta con el fin de autenticarse, recuperar Ia información sobre las tareas a realizar en Ia sesión en curso y transmitir los resultados generados al servidor de Base de Datos 9.
Se trabaja por tanto en base a una arquitectura estructurada en tres capas independientes que interactúan entre sí:
La capa de Presentación:
Esta capa reúne todos los aspectos del software que tiene que ver con las interfaces y Ia interacción del sistema con los usuarios y terapeutas. El programario cliente se encuentra instalado en cada uno de los ordenadores, 7a-7c y 8, que acceden a Ia plataforma a través de Ia interfaz proporcionada en esta capa de modo que los terapeutas pueden pautar las tareas a ejecutar por sus usuarios y estos ejecutarlas independientemente de su ubicación física. Esta comunicación se realiza mediante Servicios Web XML-RPC, el cual funciona a través del protocolo HTTP o HTTPS que a priori asegura que las comunicaciones no se verán bloqueadas en encaminadores ni cortafuegos a menos que éstos tengan inhabilitados de forma expresa las transmisiones por los puertos 80 o 443. Como este protocolo ejecuta por encima del protocolo de transporte TCP todo dato enviado será recibido por el destinatario.
La capa de Aplicación:
En esta capa se reciben y gestionan las peticiones generadas por el programario cliente, desde Ia capa de Presentación y se Ie despliegan los resultados. Se interactúa con Ia capa de Repositorio para solicitar al servidor de Base de Datos 9 el almacenamiento o recuperación de datos a partir de él. En términos generales es referida como Ia capa donde se concentra Ia lógica del método, es decir las reglas que rigen el comportamiento a nivel funcional de Ia aplicación, con el fin de llevar a cabo el método propuesto por el primer aspecto de Ia invención para enviarle al terminal de terapeuta 8, ubicado en Ia capa de presentación, una predicción final tras su petición por parte del terapeuta, y a los terminales de usuario 7a-7c las tareas asignada por el terapeuta.
La capa de Repositorio:
Esta capa reúne todos los aspectos del software que tienen que ver con el manejo de los datos persistentes, gestionándolos de forma transparente a Ia capa de Aplicación.
A continuación se desglosan algunos de los elementos utilizados en base a Ia arquitectura estructurada en tres capas ilustrada por Ia Fig. 2. Estos son:
Patrón de diseño: Teniendo en cuenta este encapsulamiento del sistema en estos tres niveles o capas independientes se propone Ia utilización d el patrón de diseño Modelo- Vista-Controlador (MVC). Este patrón de diseño separa explícitamente el acceso a los datos y Ia lógica del método de Ia presentación de los datos y las interacciones con los usuarios y terapeutas mediante Ia introducción de un componente intermedio: el controlador. Con este motivo se utiliza la plataforma J2EE donde cada uno de los tres componentes del patrón de diseño tendrá Ia siguiente funcionalidad: Modelo: Cualquier acceso a las bases de datos 6 utilizará alguna de las funciones proporcionadas por las clases del Modelo. Estas clases se denominan "Data Access Object" (DAO) y se instancian desde las clases denominadas "Action". Las clases que corresponden a una representación de una tabla de una base de datos son los "Valué Object" (VO), detallados mas adelante.
Vista: Corresponde a Ia interfaz web, Ia que ven usuarios y terapeutas y con Ia que han de interactuar. Se implementa utilizando Java Server Pages (JSP) con código HTML y CSS.
Controlador: Se trata de un Servlet que recibe las peticiones desde Ia Vista y las redirige al Modelo correspondiente.
Toda aplicación web en el servidor Apache Tomcat, que es el utilizado en el sistema para un ejemplo de realización, contiene dos directorios no públicos de información relativa a Ia ejecución de Ia web. Esos directorios son:
META-INF: Contiene el fichero manifest.mf con información genérica sobre Ia aplicación y el fichero context.xml el cual define el contexto con recursos que utiliza Ia web, como por ejemplo el acceso a Ia base de datos 6.
WEB-INF: contiene las clases compiladas, bibliotecas y el fichero web.xml definiendo Ia estructura de Ia aplicación con los servlets, redirecciones y mapeos existentes. También contiene unos ficheros denominados de propiedades que son los siguientes:
• actions.properties: indica para cada entidad cual es su fichero con Ia vista (JSP) y cual es el fichero con Ia acción (Action).
• params.properties: define los parámetros generales de Ia aplicación.
A continuación se describe el proceso que sigue el sistema para servir una página web:
1. Se genera una petición a partir de una dirección URL con el formato protocolo://servidor:puerto/peticion.do. Como las direcciones finalizadas en .do están mapeadas hacia el controlador, tal como se ha definido en el fichero web.xml, éste recibirá Ia petición. 2. El controlador pasará la petición capturada hacia Ia siguiente acción, como tiene cargado el fichero action.properties, conoce cuál es Ia acción que debe ejecutar.
3. La acción que corresponde a Ia petición recibe los datos de ésta y ejecuta las correspondientes consultas a Ia base de datos 6 a través de los DAO correspondientes a las entidades de las que ha de recuperar, insertar, borrar o actualizar datos.
4. Cuando Ia acción termina, vuelve a escena el controlador, el cual llama a Ia vista correspondiente a Ia petición.
5. La vista (JSP) recibe los datos que haya retornado Ia acción encapsulados en Ia variable de tipo respuesta. La vista contiene código Java, el cual trata los datos recibidos (colecciones de VO, etc.) los compila en tiempo de ejecución y envía hacia el navegador web el código HTML resultante.
El Modelo del patrón de diseño está compuesto por tanto por Entidades, que son componentes -J2EE que representan datos almacenados en Ia base de datos. Cada entidad corresponde a uno de los siguientes tres objetos:
• Data Access Object: implementa Ia clase que contiene todos los métodos para ejecutar consultas contra Ia base de datos; estas consultas permiten recuperar, insertar, borrar y actualizar datos.
• Valué Object: son objetos que se utilizan para transferir información entre procesos y no tienen otro comportamiento que el almacenamiento y Ia recuperación de sus propios datos.
• Primary Key: Este objeto es una clase que almacena Ia clave primaria de Ia entidad. El tipo de clave primaria se define en esta clase lo que permite abstraerlo en toda Ia plataforma.
A continuación se presentan algunas de las entidades implementadas en Ia plataforma:
• User: Maneja todos los datos relacionados con los usuarios de Ia aplicación, independientemente del rol de cada uno de ellos (usuarios, terapeutas,...).
• Language: Sirve para gestionar los idiomas (Castellano, Catalán,..) que contempla Ia plataforma y permite agregar nuevos.
• Function: Se utiliza para guardar Ia información acerca de funciones (cognitivas,...) y subfunciones soportadas. • Task: Contiene Ia información relativa a las tareas que proponen los terapeutas a los usuarios.
• Parámetros: Contiene Ia información de los parámetros de entrada y salida de una tarea dada.
• Session: Contiene los datos relativos a sesiones de tareas
El planificador de tareas y Ia consulta de resultados tienen Ia peculiaridad de que una acción sobre alguno de los elementos de Ia página no provoca que se refresque completamente Ia misma sino que únicamente se refrescan aquellas partes que contienen nueva información. Esto se logra utilizando un grupo de técnicas de desarrollo web interrelacionadas denominadas AJAX (Asynchronous JavaScript and XML). Esta tecnología permite realizar llamadas asincronas en JavaScript a un servidor web utilizando el objeto XMLHttpRequest, Ia respuesta de Ia misma también se procesa en forma asincrona para cambiar dinámicamente Ia apariencia de Ia página web. Esto aporta una mayor interactividad, funcionalidad, eficiencia y facilidad de uso de las páginas web.
En el lado del servidor de aplicaciones 5 se han creado tres servlets que son los que reciben estas peticiones asincronas, para Ia sección del planificador de tareas. Estos servlets son:
BlockServIet: Se ocupa de Ia gestión de los bloques de tareas y las tareas dentro de éstos, también permite cambiar de día en el calendario, cargando Ia planificación sobre el día seleccionado.
SchedulerServIet: Se ocupa de Ia navegación en el árbol de tareas generado al agruparlas en funciones y subfunciones.
En Io que tiene relación con Ia consulta de resultados se utiliza el siguiente servlet:
ResultServIet: permite Ia navegación por un calendario, cargando para cada día seleccionado, Ia información relativa a los resultados de Ia sesión seleccionada.
En el costado del cliente, es decir el navegador, se han creado los ficheros ajax.js para el planificador y para Ia consulta de resultados. Estos ficheros contienen todas las funciones que se utilizan para comunicarse de forma asincrona con el servidor 5. Para evitar Ia implementación de las llamadas HTTP se utiliza una biblioteca de código libre llamada SACK Ia cual proporciona una API que facilita las llamadas al servidor así como Ia obtención de Ia respuesta. En relación a las respuestas que recibe el servidor 5, pueden ser en formato texto plano o en formato XML. En el primer caso se lee directamente, si se trata de formato XML se utilizan las funciones XML DOM de JavaScript para leer los datos recibidos. En ambos casos, para modificar dinámicamente Ia visualización de Ia página web se utilizan las funciones de JavaScript conocidas como HTML DOM.
Como se ha mencionado anteriormente, el sistema permite que los usuarios no deban encontrarse físicamente en ninguna ubicación particular (hospital, centro de atención, etc.) para realizar las tareas que los terapeutas les asignan tras haber sido guiados convenientemente por mediación de Ia predicción final determinada según Ia etapa d) del método propuesto por el primer aspecto de Ia invención. La tecnología seleccionada para dar soporte a esta prestación son los servicios web XML-RPC, debido a su simplicidad, minimalismo y facilidad de uso. Los datos se envían en formato XML y las conversiones entre las llamadas remotas y el XML Ia realizan las librerías de forma transparente al programador. Además permite una abstracción de Ia aplicación web y del programario del cliente del lenguaje de programación utilizado.
Con Ia extensa y específica descripción del ejemplo de realización anterior se ha pretendido demostrar que el sistema propuesto por el segundo aspecto de Ia invención se ha implementado en Ia práctica para demostrar Ia bondad del mismo y del método propuesto por el primer aspecto de Ia invención aplicado por parte del sistema.
Un experto en Ia materia podría introducir cambios y modificaciones en los ejemplos de realización descritos sin salirse del alcance de Ia invención según está definido en las reivindicaciones adjuntas.

Claims

Reivindicaciones
1.- Método para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, del tipo que comprende generar y utilizar una base de datos con información referente a una pluralidad de usuarios al menos relativa a unas intervenciones a realizar o experimentar y a las respuestas a Ia realización de dichas intervenciones por parte de dichos usuarios, estando dicho método caracterizado porque comprende Ia realización de las siguientes etapas, de manera automática: a) generar al menos dos grupos de predicciones candidatas relativas a posibles intervenciones, realizando al menos dos etapas de clasificación basada en al menos reglas heurísticas sobre Ia información de dicha base de datos, considerada como constituyente de unos datos de entrenamiento básicos, b) generar a partir de al menos dichos dos grupos de predicciones candidatas un conjunto de datos de entrenamiento en meta-nivel, y c) realizar una meta-clasificación basada en al menos reglas heurísticas sobre dicho conjunto de datos de entrenamiento en meta-nivel, y d) determinar un grupo de predicciones óptimas en base a los resultados de dicha etapa c), seleccionando uno de dichos grupos de predicciones candidatas obtenido en Ia etapa a), o bien combinándolos entre si.
2.- Método según Ia reivindicación 1 , caracterizado porque dicha etapa a) comprende llevar a cabo dichas etapas de clasificación, que son al menos dos, de manera independiente mediante Ia utilización de dos respectivos clasificadores diferenciados entre sí al menos porque cada uno de ellos está basado en Ia aplicación de un respectivo conjunto de reglas heurísticas diferente al del otro clasificador, para obtener dichos grupos de predicciones candidatas, que son al menos dos, diferentes entre sí.
3.- Método según Ia reivindicación 2, caracterizado porque cuando dicha etapa d) comprende seleccionar uno de dichos grupos de predicciones candidatas, Ia etapa d) comprende seleccionar también el clasificador, y reglas heurísticas utilizadas, que ha provocado dichas predicciones óptimas.
4.- Método según Ia reivindicación 1 , caracterizado porque dicha etapa a) comprende llevar a cabo dichas etapas de clasificación, que son al menos dos, mediante Ia utilización de un único clasificador basado en un único conjunto de reglas heurísticas, utilizándose dicho clasificador al menos dos veces, una por cada etapa de clasificación, con unos parámetros de entrada diferentes cada vez.
5.- Método según Ia reivindicación 4, caracterizado porque cuando dicha etapa d) comprende seleccionar uno de dichos grupos de predicciones candidatas, Ia etapa d) comprende seleccionar también los parámetros de entrada de dicho clasificador que han provocado dichas predicciones óptimas.
6.- Método según Ia reivindicación 3 ó 5, caracterizado porque comprende, realizar dichas etapas a) a d) de manera previa al requerimiento o instancia de una predicción relativa a una intervención para un usuario determinado, y porque comprende, con el fin de llevar a cabo dicha predicción, aplicar el clasificador, junto con sus parámetros de entrada y reglas heurísticas, seleccionados tras dicha etapa d), sobre unos datos con información referente a dicho usuario determinado, para obtener al menos Ia predicción relativa a una intervención a realizar.
7.- Método según Ia reivindicación 3 ó 5, caracterizado porque comprende realizar dichas etapas a) a d) tras el requerimiento de Ia predicción relativa a una intervención para un usuario determinado, incluyéndose en dicha base de datos a utilizar en dicha etapa a) unos datos con información referente a dicho usuario determinado, para obtener finalmente al menos Ia predicción relativa a dicha intervención a realizar.
8.- Método según Ia reivindicación 6 ó 7, caracterizado porque si dicho usuario determinado es un usuario de dicha pluralidad de usuarios, el método comprende extraer de dicha base de datos dichos datos con información referente a dicho usuario determinado.
9.- Método según Ia reivindicación 6 ó 7, caracterizado porque si dicho usuario determinado no es un usuario de dicha pluralidad de usuarios, el método comprende introducir dichos datos con información referente a dicho usuario determinado en dicha base de datos.
10.- Método según Ia reivindicación 8 ó 9, caracterizado porque comprende:
- proporcionarle dicha intervención a dicho usuario determinado;
- experimentar, dicho usuario determinado, dicha intervención; y
- adquirir y registrar en dicha base de datos unos datos con información referente a los resultados de Ia experimentación de dicha intervención por parte del usuario determinado y, si es el caso, otros nuevos datos referentes a dicho usuario determinado, con el fin de actualizar dicha base de datos
11.- Método según Ia reivindicación 10, caracterizado porque comprende volver a realizar dichas etapas a) a d), de manera secuencial, periódicamente o cada vez que se introducen nuevos datos en dicha base de datos.
12.- Método según cualquiera de las reivindicaciones anteriores, caracterizado porque dicha etapa a) comprende validar los resultados de dichas etapas de clasificación a partir de unos datos de validación comunes para Ia validación de los resultados de todas las etapas de clasificación, realizándose las predicciones candidatas tras dicha validación.
13.- Método según Ia reivindicación 12, caracterizado porque dicha etapa b) comprende generar dicho conjunto de datos de entrenamiento en meta-nivel, a partir también de dichos datos de validación.
14.- Método según una cualquiera de las reivindicaciones anteriores cuando depende de Ia 4 ó de Ia 5, caracterizado porque dichas etapas de clasificación de dicha etapa a) y dicha etapa d) de meta-clasificación se llevan a cabo mediante Ia utilización de redes neuronales artificiales, siendo dichos parámetros de entrada al menos relativos a una de las siguientes características de una red neuronal artificial: topología de Ia red, función de activación, condición de fin, mecanismo de aprendizaje, o a una combinación de las mismas.
15.- Método según cualquiera de las reivindicaciones anteriores, caracterizado porque dichas etapas de clasificación de dicha etapa a) y dicha etapa d) de meta- clasificación se llevan a cabo mediante Ia utilización de algoritmos de aprendizaje automático inductivos, llevándose a cabo en dicha etapa d) Ia selección del algoritmo de aprendizaje inductivo y/o de sus parámetros de entrada, que ha provocado las mencionadas predicciones óptimas.
16.- Método según Ia reivindicación 15 cuando depende de Ia 6, caracterizado porque dicha realización de las etapas a) a d) de manera previa al requerimiento o instancia de una predicción relativa a una intervención para un usuario determinado, forma parte de Ia ejecución de algoritmos de aprendizaje automáticos inductivos de tipo ávido.
17.- Método según Ia reivindicación 15 cuando depende de Ia 7, caracterizado porque dicha realización de las etapas a) a d) tras el requerimiento o instancia de una predicción relativa a una intervención para un usuario determinado, forma parte de Ia ejecución de algoritmos de aprendizaje automáticos inductivos de tipo perezoso.
18.- Método según cualquiera de las reivindicaciones anteriores, caracterizado porque dicha etapa de generación de dicha base de datos comprende incluir información referente a cada usuario de dicha pluralidad de usuarios relativa a variables personales y/o estructurales y/o funcionales y/o evolutivas.
19.- Método según Ia reivindicación 18, caracterizado porque dicho procedimiento cuyo substrato es Ia plasticidad neuronal es un procedimiento de neurorehabilitación.
20.- Método según Ia reivindicación 18, caracterizado porque dicho procedimiento cuyo substrato es Ia plasticidad neuronal es un procedimiento de neuroeducación/neuroaprendizaje.
21.- Método según Ia reivindicación 18, caracterizado porque dicho procedimiento cuyo substrato es Ia plasticidad neuronal es un procedimiento de neuroestimulación cognitiva.
22.- Método según Ia reivindicación 19, 20 ó 21 , caracterizado porque dichas intervenciones comprenden al menos unas tareas cognitivas y/o funcionales a realizar por dicho usuario determinado, o sujeto de dicha neurorehabilitación, de dicha neuroeducación/neuroaprendizaje o de dicha neuroestimulación cognitiva.
23.- Método según una cualquiera de las reivindicaciones 18 a 22, caracterizado porque dichas variables personales comprenden variables biológicas y/o psicológicas y/o sociales.
24.- Método según una cualquiera de las reivindicaciones 18 a 23, caracterizado porque dichas variables estructurales comprenden variables que permiten definir Ia existencia o no de alteraciones a nivel de Ia estructura, así como describir Ia afectación, en el caso de que exista, de cada uno de los usuarios, y comprenden variables de diagnóstico principal y secundarios, si es el caso, y/o de etiología y/o de lesiones en neuroimagen y/o de severidad de Ia lesión y/o de tiempo de evolución.
25.- Método según una cualquiera de las reivindicaciones 18 a 24, caracterizado porque dichas variables funcionales comprenden información relativa a los aspectos cognitivos de los usuarios valorados mediante una batería de exploración neuropsicológica, y comprenden variables de atención y/o de lenguaje y/o de memoria y/o de funciones ejecutivas.
26.- Método según Ia reivindicación 22, caracterizado porque dichas variables evolutivas comprenden información relativa al éxito de Ia experimentación de una o más intervenciones por parte de cada usuario, siendo dicho éxito analizado a al menos uno de los siguientes cuatro niveles:
- éxito a nivel de ejecución de Ia tarea cognitiva y/o funcional y de Ia idoneidad o adecuación de Ia tarea propuesta para cada perfil concreto de usuario;
- éxito a nivel de Ia consecución del objetivo inmediato, entendido como una mejora en Ia función cognitiva para Ia cual ha sido seleccionada Ia tarea cognitiva y/o funcional; - éxito a nivel de Ia consecución del objetivo genérico, entendido como mejoras objetivadas en otras funciones cognitivas, además de Ia función diana; y
- éxito a nivel de Ia consecución del objetivo a largo plazo, entendido como una reducción de las limitaciones funcionales para el desarrollo de actividades de Ia vida diaria, cuando es el caso de un procedimiento de neurorehabilitación, o entendido como el alcance de un cierto grado de neuroaprendizaje cuando es el caso de un procedimiento de neuroeducación/neuroaprendizaje, o entendido como una mejora en las capacidades cognitivas estimuladas cuando es el caso de neuroestimulación cognitiva.
27.- Método según cualquiera de las reivindicaciones anteriores, caracterizado porque comprende iniciar dicha etapa a) tras Ia selección previa, por parte de Ia persona responsable de seleccionar Ia intervención, o intervenciones, de al menos una intervención a aplicar a un usuario determinado.
28.- Método según Ia reivindicación 27, caracterizado porque dichas predicciones hacen referencia al porcentaje de éxito o riesgo que tiene el aplicar una intervención a un usuario determinado.
29.- Método según Ia reivindicación 28 cuando depende de Ia 26, caracterizado porque comprende representar dicho porcentaje de éxito o riesgo, para dicho usuario determinado, mediante dichas variables evolutivas e incorporar en Ia base de datos los nuevos valores de las variables evolutivas para dicho usuario determinado.
30.- Sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, que comprende:
- un servidor informático central (5) con acceso a una base de datos (6) con información referente a una pluralidad de usuarios al menos relativa a unas intervenciones a experimentar o realizar y a las respuestas a Ia realización de dichas intervenciones por parte de dichos usuarios,
- una pluralidad de terminales informáticos de usuario (7a, 7b, 7c) computerizados en comunicación bidireccional con dicho servidor informático central (5) para recibir, cada uno de ellos, información relativa a dichas intervenciones y para enviar al servidor informático central (5) el resultado de Ia realización de dichas intervenciones, y
- al menos un terminal informático de terapeuta (8) en comunicación remota con dicho servidor informático central (5) para requerir Ia predicción relativa a al menos una intervención para un usuario determinado, para recibir dicha predicción requerida, y para confirmar el envío de información relativa a dicha intervención, en relación a Ia cual se ha requerido dicha predicción, por parte del servidor al terminal de dicho usuario (7a) determinado, siendo dicho sistema apto para aplicar el método según una cualquiera de las reivindicaciones 1 a 29.
31.- Sistema según Ia reivindicación 30, caracterizado porque dicho servidor informático central (5) está previsto para llevar a cabo dichas etapas a) a d).
PCT/ES2008/000677 2008-10-31 2008-10-31 Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal WO2010049547A1 (es)

Priority Applications (10)

Application Number Priority Date Filing Date Title
PCT/ES2008/000677 WO2010049547A1 (es) 2008-10-31 2008-10-31 Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal
EP08877672.9A EP2351523A4 (en) 2008-10-31 2008-10-31 METHOD AND SYSTEM FOR SAFE GUIDANCE OF INTERVENTIONS IN PROCESSES WITH NEURONAL PLASTICITY AS A SUBSTRATE
AU2008363525A AU2008363525B2 (en) 2008-10-31 2008-10-31 Method and system to safely guide interventions in procedures the substrate whereof is neuronal plasticity
US13/126,838 US20110213213A1 (en) 2008-10-31 2008-10-31 Method and system to safely guide interventions in procedures the substrate whereof is neuronal plasticity
BRPI0823183A BRPI0823183B8 (pt) 2008-10-31 2008-10-31 método e sistema implementado por computador para otimizar previsões para intervenções personalizadas para um determinado usuário em processos cujo substrato é a plasticidade neuronal.
CA2742197A CA2742197A1 (en) 2008-10-31 2008-10-31 Method and system for safely guiding interventions in processes the substrate of which is the neuronal plasticity
ARP090104151A AR075292A1 (es) 2008-10-31 2009-10-28 Metodo y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal
CL2009002011A CL2009002011A1 (es) 2008-10-31 2009-10-30 Un metodo para determinar procedimientos cuyo substrato es la plasticidad neuronal, en una base de datos con informacion referente a una pluralidad de usuarios relativos a tareas a realizar o experimentar con sus respuestas, para la realizacion de dichas tareas por parte de dichos usuarios.
US14/224,936 US20140205978A1 (en) 2008-10-31 2014-03-25 Method and system for safely guiding interventions in procedures the substrate of which is the neuronal plasticity
US15/880,737 US20180151259A1 (en) 2008-10-31 2018-01-26 Method and system for safely guiding interventions in procedures the substrate of which is the neuronal plasticity

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/ES2008/000677 WO2010049547A1 (es) 2008-10-31 2008-10-31 Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US13/126,838 A-371-Of-International US20110213213A1 (en) 2008-10-31 2008-10-31 Method and system to safely guide interventions in procedures the substrate whereof is neuronal plasticity
US14/224,936 Continuation-In-Part US20140205978A1 (en) 2008-10-31 2014-03-25 Method and system for safely guiding interventions in procedures the substrate of which is the neuronal plasticity

Publications (1)

Publication Number Publication Date
WO2010049547A1 true WO2010049547A1 (es) 2010-05-06

Family

ID=42128288

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2008/000677 WO2010049547A1 (es) 2008-10-31 2008-10-31 Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal

Country Status (8)

Country Link
US (2) US20110213213A1 (es)
EP (1) EP2351523A4 (es)
AR (1) AR075292A1 (es)
AU (1) AU2008363525B2 (es)
BR (1) BRPI0823183B8 (es)
CA (1) CA2742197A1 (es)
CL (1) CL2009002011A1 (es)
WO (1) WO2010049547A1 (es)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426007B (zh) * 2013-08-29 2016-12-28 人民搜索网络股份公司 一种机器学习分类方法及装置
KR102601848B1 (ko) 2015-11-25 2023-11-13 삼성전자주식회사 데이터 인식 모델 구축 장치 및 방법과 데이터 인식 장치
CN112270441A (zh) * 2020-10-30 2021-01-26 华东师范大学 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5711671A (en) 1994-07-08 1998-01-27 The Board Of Regents Of Oklahoma State University Automated cognitive rehabilitation system and method for treating brain injured patients
DE20006108U1 (de) * 2000-03-31 2000-12-14 Leonard Thomas Elektronisches System zur Anleitung von Trainierenden
US6280198B1 (en) 1999-01-29 2001-08-28 Scientific Learning Corporation Remote computer implemented methods for cognitive testing
WO2001072217A1 (en) * 2000-03-27 2001-10-04 Panmedix Incorporated Measuring cognitive impairment
US6632174B1 (en) 2000-07-06 2003-10-14 Cognifit Ltd (Naiot) Method and apparatus for testing and training cognitive ability
US6964638B2 (en) 2000-01-31 2005-11-15 Pan Medix, Inc. Measuring cognitive impairment
CN1846613A (zh) * 2006-05-10 2006-10-18 张晓辉 一种计算机智能心理测试辅导方法
WO2007000030A1 (en) * 2005-06-29 2007-01-04 National Ict Australia Limited Measuring cognitive load
US20070123757A1 (en) * 2005-10-24 2007-05-31 Chervinsky Alexander B Neuropsychological assessment platform (NPAP) and method

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3231810B2 (ja) * 1990-08-28 2001-11-26 アーチ・デベロップメント・コーポレーション ニューラル・ネットワークを用いた鑑別診断支援方法
US7194301B2 (en) * 2003-10-06 2007-03-20 Transneuronic, Inc. Method for screening and treating patients at risk of medical disorders
EP1828768A4 (en) * 2004-08-13 2009-05-06 Jaguar Bioscience Inc SYSTEMS AND METHODS FOR IDENTIFYING DIAGNOSTIC INDICATORS
WO2007079181A2 (en) * 2005-12-28 2007-07-12 Neurovista Corporation Methods and systems for recommending an action to a patient for managing epilepsy and other neurological disorders
US8069055B2 (en) * 2006-02-09 2011-11-29 General Electric Company Predictive scheduling for procedure medicine
US7899625B2 (en) * 2006-07-27 2011-03-01 International Business Machines Corporation Method and system for robust classification strategy for cancer detection from mass spectrometry data
US8540516B2 (en) * 2006-11-27 2013-09-24 Pharos Innovations, Llc Optimizing behavioral change based on a patient statistical profile

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5711671A (en) 1994-07-08 1998-01-27 The Board Of Regents Of Oklahoma State University Automated cognitive rehabilitation system and method for treating brain injured patients
US6280198B1 (en) 1999-01-29 2001-08-28 Scientific Learning Corporation Remote computer implemented methods for cognitive testing
US6964638B2 (en) 2000-01-31 2005-11-15 Pan Medix, Inc. Measuring cognitive impairment
WO2001072217A1 (en) * 2000-03-27 2001-10-04 Panmedix Incorporated Measuring cognitive impairment
DE20006108U1 (de) * 2000-03-31 2000-12-14 Leonard Thomas Elektronisches System zur Anleitung von Trainierenden
US6632174B1 (en) 2000-07-06 2003-10-14 Cognifit Ltd (Naiot) Method and apparatus for testing and training cognitive ability
WO2007000030A1 (en) * 2005-06-29 2007-01-04 National Ict Australia Limited Measuring cognitive load
US20070123757A1 (en) * 2005-10-24 2007-05-31 Chervinsky Alexander B Neuropsychological assessment platform (NPAP) and method
CN1846613A (zh) * 2006-05-10 2006-10-18 张晓辉 一种计算机智能心理测试辅导方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALVARO PASCUAL-LEONE, AMIR AMEDI, FELIPE FREGNI, LOTFI B. MERABET: "The Plastic Human Brain Cortex", ANNUAL REVIEWS NEUROSCIENCE, vol. 28, 2005, pages 377 - 401
HORTON M. ET AL.: "Virtual attribute subsetting", AI 2006: ADVANCES IN ARTIFICIAL INTELLIGENCE. 19TH AUSTRALIAN JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE. PROCEEDINGS (LECTURE NOTES IN AI, VOL. 4304), vol. 4304, SPRINGER-VERLAG, BERLIN, pages 214 - 223, XP019052103 *
See also references of EP2351523A4

Also Published As

Publication number Publication date
US20140205978A1 (en) 2014-07-24
US20110213213A1 (en) 2011-09-01
CL2009002011A1 (es) 2010-12-24
AU2008363525A1 (en) 2010-05-06
AR075292A1 (es) 2011-03-23
BRPI0823183B8 (pt) 2021-06-22
AU2008363525B2 (en) 2016-01-28
BRPI0823183A2 (pt) 2016-07-26
BRPI0823183B1 (pt) 2020-09-15
EP2351523A1 (en) 2011-08-03
CA2742197A1 (en) 2010-05-06
EP2351523A4 (en) 2014-08-27

Similar Documents

Publication Publication Date Title
Gracey et al. Capturing process and outcome in complex rehabilitation interventions: A “Y-shaped” model
Mojen et al. Palliative care for children with cancer in the Middle East: A comparative study
CN110192252A (zh) 用于评估发育状况并提供覆盖度和可靠性控制的方法和装置
Millar An ethics evaluation tool for automating ethical decision-making in robots and self-driving cars
Biguet et al. Meanings of “acceptance” for patients with long-term pain when starting rehabilitation
Siegert et al. A Good Lives Model of clinical and community rehabilitation
Hoy-Gerlach et al. Emotional support animals in the United States: Emergent guidelines for mental health clinicians
Luciano et al. When does shared decision making is adopted in psychiatric clinical practice? Results from a European multicentric study
Artioli et al. “Could I return to my life?” Integrated Narrative Nursing Model in Education (INNE)
Førde et al. The biopsychosocial model in paediatric clinical practice—an interdisciplinary approach to somatic symptom disorders
Meier et al. Mentalization-enhancing therapeutic interventions in the psychotherapy of anorexia nervosa: An analysis of use and influence on patients’ mentalizing capacity
Chin-Yee et al. Re-evaluating concepts of biological function in clinical medicine: towards a new naturalistic theory of disease
WO2010049547A1 (es) Método y sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es la plasticidad neuronal
Bickel et al. An integrative framework of appraisal and adaptation in serious medical illness
Boie et al. Supervision of counselors working with eating disorders: Utilizing the integrated developmental model
Klein Models of the patient-machine-clinician relationship in closed-loop machine neuromodulation
Toronchuk et al. Criteria for basic emotions: Seeking DISGUST?
Esaki et al. Easing the journey home: creating sanctuary for military veterans
Shin Two epistemological paradigms of self‐management intervention for older adults with osteoarthritis
Todd Narrative approaches to goal setting
Vastag Future eye implants focus on neurotransmitters
US20230169882A1 (en) System and method for virtual mental health system infrastructure
DeLuca et al. Cultivating the multiple sclerosis workforce of the future
Trenoweth et al. Overview of assessment in mental health care
Mahr et al. Co-Occurring Posttraumatic Stress Disorder and Substance Use Disorders in Veterans: Recommendations for Vocational Rehabilitation.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 08877672

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2008363525

Country of ref document: AU

WWE Wipo information: entry into national phase

Ref document number: 2742197

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2008877672

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13126838

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2008363525

Country of ref document: AU

Date of ref document: 20081031

Kind code of ref document: A

REG Reference to national code

Ref country code: BR

Ref legal event code: B01E

Ref document number: PI0823183

Country of ref document: BR

Free format text: REGULARIZE A PROCURACAO, UMA VEZ QUE A MESMA NAO APRESENTA CLAUSULA RATIFICADORA DE ATOS ANTERIORMENTE PRATICADOS PELA OUTORGADA, TENDO SIDO APRESENTADA COM DATA POSTERIOR A DE ENTRADA NA FASE NACIONAL.

ENP Entry into the national phase

Ref document number: PI0823183

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20110429