WO2017149174A1 - Método para determinar el nivel de activación del sistema trigémino-vascular - Google Patents

Método para determinar el nivel de activación del sistema trigémino-vascular Download PDF

Info

Publication number
WO2017149174A1
WO2017149174A1 PCT/ES2017/070004 ES2017070004W WO2017149174A1 WO 2017149174 A1 WO2017149174 A1 WO 2017149174A1 ES 2017070004 W ES2017070004 W ES 2017070004W WO 2017149174 A1 WO2017149174 A1 WO 2017149174A1
Authority
WO
WIPO (PCT)
Prior art keywords
variables
level
activation
models
trigeminal
Prior art date
Application number
PCT/ES2017/070004
Other languages
English (en)
French (fr)
Inventor
Ana Beatriz GAGO VEIGA
Mónica SOBRADO SANZ
Jose Aurelio Vivancos Mora
Josué PAGÁN ORTIZ
María Irene DE ORBE IZQUIERDO
José Luis AYALA RODRIGO
Original Assignee
Fundacion Para La Investigacion Biomedica Del Hospital Universitario La Princesa
Universidad Complutense De Madrid
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 Fundacion Para La Investigacion Biomedica Del Hospital Universitario La Princesa, Universidad Complutense De Madrid filed Critical Fundacion Para La Investigacion Biomedica Del Hospital Universitario La Princesa
Priority to CN201780011929.6A priority Critical patent/CN108780664A/zh
Priority to US16/080,241 priority patent/US20190046123A1/en
Priority to EP17759307.6A priority patent/EP3425542A4/en
Publication of WO2017149174A1 publication Critical patent/WO2017149174A1/es

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4041—Evaluating nerves condition
    • A61B5/4047—Evaluating nerves condition afferent nerves, i.e. nerves that relay impulses to the central nervous system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4041—Evaluating nerves condition
    • A61B5/4052—Evaluating nerves condition efferent nerves, i.e. nerves that relay impulses from the central nervous system
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Definitions

  • the present invention fits mainly in the field of medical devices.
  • it focuses on the modeling and prediction systems applied to neurological diseases and, more specifically, the prediction of the migraine crisis with the aim of becoming more effective in reducing pain with pharmacological treatments.
  • Migraine is a type of headache that is characterized by pain with a series of characteristics defined by: its duration between 4 and 72 hours, a moderate-severe intensity, worsening with exercise, pulsatile, which interrupts the activity of the patient and that is usually accompanied by symptoms such as nausea, vomiting, photophobia and / or sonophobia.
  • Migraines constitute, in our day, a very important public health problem due to their high prevalence that carries an important burden for patients, family and society.
  • Migraines are considered one of the most disabling pathologies, with important consequences on social and labor activities (absenteeism and loss of labor productivity) and, therefore, with a high socioeconomic cost ⁇ Linde M, Rastenyte D, Ruiz de la Torre E , et al. The cost of headache disorders in Europe: The Eurolight project. European journal of neurology: the official journal of the European Federation of Neurological Societies. 2012; 19 (5): 703-711).
  • the prediction based on prodromal symptoms by the patient may have a number of limitations, since the prodromal symptoms have a variable time horizon, that is, the patient does not know exactly when the pain will occur, the symptoms are very nonspecific (changes of character, appetite, sleep rhythm, etc.), can occur in any other situation and are very inaccurate (Becker WJ. The premonitory phase of migraine and migraine management. Cephalalgia. 2013; 33 (13): 11 17 - 1121; Rossi P, Ambrosini A, Buzzi MG prodromes and predictors of Funct Neurol migraine attack 2005; 20 (4): 1 '85- 191; Giffin NJ, Ruggiero L, Lipton RB, et al premonitory symptoms in....
  • migraine An electronic diary study. Neurology. 2003; 60 (6): 935-940.
  • knowing objectively when the patient is going to have pain before suffering (prediction) it will be possible not only to give early treatment but also more targeted treatment; knowing when the pain may occur and, known the mechanism of action of the drug, you can select the most convenient treatment for the patient., knowing when the pain will occur, you can observe the mechanism of action of the drug and state what treatment is more convenient.
  • the method proposed in the present invention allows to predict the patient's pain and be more effective in the treatment.
  • Impairment of parasympathetic baroreflex responses in migraine patients Neurol Scand Act. 2005; 1 11 (2): 102-107 and Benjelloun H, Birouk N, Slaoui I, et al. Autonomic profile of patients with migraine. Neurophysiol Clin. 2005; 35 (4): 127-134.), Which describe a hypofunction and hyperfunction of both the sympathetic and parasympathetic systems.
  • patent application WO03063684 proposes the use of a system and methodology for the prediction of symptoms through physiological variables with application to diseases of different kinds, one of them is migraine.
  • the proposed methodology is of a high level of abstraction, not technically motivating the selection of variables to a certain pathology.
  • Migraine Buddy In the industrial field, several mobile applications have been developed that serve as migraine calendar and classifiers (Migraine Buddy, My Migraine Triggers TM and My Migraines), however, none of these are used to predict crises in real time, and do not perform monitoring ambulatory of biometric variables.
  • a method of predicting migraine crisis through non-invasive ambulatory monitoring of biometric variables and the recording of environmental variables is provided.
  • SDMS 2 System of Selection of Dependent Model of the Sensors
  • a system that implements a hierarchical module for selecting models for each patient depending on the availability of sensors.
  • a system that implements an expert prediction improvement module for the elimination of spurious detections that could be considered as false positives.
  • the invention aims to predict migraine crises in real time through a robust and adaptive prediction method against data and / or sensor losses, which makes use of a non-invasive ambulatory monitoring of the patient's biometric variables and environmental variables .
  • a hierarchical system of prediction models is defined, adapted to each patient according to the set of sensors available at each moment.
  • the invention is made up of a method for predicting migraines in real time.
  • the method is structured in three phases (data acquisition, training and validation of migraine models and real-time prediction) that are subdivided into different modules.
  • biometric variables (d1), environmental (d5), the subjective sensation of pain of the patient during migraine (d2), information of the patient's activity that can affect migraine episodes (d3) are recorded ) and clinical data of the patient (d4). All this data is transmitted, from monitoring equipment to cloud servers.
  • Such low cost biometric variable monitoring equipment has limited duration batteries; however, they have sufficient processing capacity so that, being aware of the prediction status, they are able to decide when to temporarily stop ambulatory monitoring and thus reduce the consumption of their batteries.
  • the Training and Validation stage of the models is carried out on servers, which are external equipment with great computing capabilities.
  • the data (d1 and d2) are used, in the first instance, for the creation of personalized migraine models for each patient that will be used in real time in the third stage, for the prediction of migraine crises.
  • the prediction in real time of the migraine crisis is carried out in a recursive loop based on the input data (d1, d3-d5).
  • the prediction based on environmental data (d5), activity (d3) and clinical (d4), will be used in the module of the decision system (7).
  • the migraine crisis prediction method presented in the invention involves the use of the following multi-source data:
  • Biometric data of patients hemodynamic signals and brain electrical activity.
  • the biometric data of the patients are collected through a low cost wireless human body monitoring (WBSN) device.
  • Said device is non-invasive and includes the following variables: by means of surface electrodes, the ECG electrocardiogram and the electrodermal activity or galvanic response of the skin (EDA or GSR, h1); the surface temperature of the skin (h2), through a thermistor; blood oxygen saturation (Sp02, h3) and photoplethysmography curve (PPG, h4) using an infrared sensor by reflection.
  • the secondary variables used as inputs to the system are obtained in the signal preprocessing module (1).
  • the heart rate (HR, hs1) is calculated from the ECG signal.
  • the pulse transit time (PTT, hs2) is obtained through the combination of ECG and PPG variables.
  • Brain electrical activity or electroencephalopha raffia (EEG, h5) is measured at the occipital level. From it the power bands of brain waves are quantified (qEEG, hs3). The choice of these variables is made according to their alteration by the autonomic nervous system, mentioned above.
  • Subjective sensation of pain of the patient in each episode of migraine (d2): the patient indicates in the application of data collection in smart mobile device the beginning and the end of the pain, as well as the prodromal symptoms and / or auras that may suffer .
  • the subjective evolution of pain is also recorded as relative increases and decreases of pain, drawing a curve that reflects the intensity levels of pain that the patient feels at different times of the migraine.
  • the information related to the patient's activity (d3) and that may be relevant for the study of migraine will play an important role in the method.
  • the information is collected in an application that runs on a mobile smart phone, and refers to food intake (type: dairy, fruits, alcohol, etc.), physical or mental activity, mood, medication intake or sensations subjective such as prodromal symptoms or auras.
  • the data collected by wireless monitoring systems may suffer losses due to the cessation of wireless communication or due to sensor drops.
  • signal regeneration techniques are applied in the module (1) for automatic signal regeneration based on its statistical behavior.
  • the calculation of the secondary variables (hs1 -3) is also performed in this module.
  • the synchronization of the data is also carried out to adjust the sampling rates of the different signals.
  • the result of the module (1) is the signal (b), which has two different types of signals, those of biometric origin (b [1]) and those of environmental origin (b [2]).
  • b ⁇ [1] ⁇ ⁇ [2].
  • the module (1 -2) is responsible for the calculation of derived variables (c) and knowledge extraction using Machine Learning techniques and runs in parallel to the module (1).
  • the derived variables are features or characteristics of the primary (h1 -5) and secondary (hs1-3) biometric variables and of the global (a1-4) and local (al1 -5) environmental variables. These traits or features chosen may be different for each patient, and the study of which ones are better is automated for each of them. These traits can be temporary variables (hd (t)), or concrete values (figures of merit, hD).
  • the most common features that are sought in these signals are: signal energy, energy in some band of interest of the signal, moving average, maximum, minimum and average values, etc.
  • the derived signals are the signal (c), and include those of biometric origin (c [1]), and those of environmental origin (c [2]).
  • c c [l] uc [2].
  • Traits (hD) are calculated and use the module itself which, together with the patient's activity (d3) and clinical (d4) data, gives rise to the signal (g).
  • the signal (g) is the result of the application of Fuzzy Logic or Fuzzy Logic techniques, which will provide classification criteria to help improve the prediction of the expert system (7).
  • Environmental regeneration (d5) also applies signal regeneration and calculation of derived variables. Like the biometric variables, migraine prediction models will be trained with the repaired environmental data (b [2]) and with derived environmental (c [2]).
  • the pain monitoring module (2) consists of reading the patient's subjective pain records. This module generates a synthetic pain curve by means of a bilateral Gaussian adjustment of the pain evolution points marked by the patient (d2). This evolution is recorded as integer values with no upper or lower limit, which represent relative changes with respect to the last moment marked.
  • This non-limited scale compared to others that are, allows us to generate a more faithful curve of the patient's pain evolution. Since he does not know a priori when it reaches or how much is his maximum pain, this method avoids having a curve with saturated values to the maximum of a supposed traditional limited scale.
  • module (2) is a signal (a) relativized to its maximum value in order to normalize all the patient's migraine records.
  • the symptomatic curve of synthesized pain (a) is described by the parameters ⁇ ( ⁇ , ⁇ ), ( ⁇ 2, ⁇ 2) ⁇ that form the semi-Gaussians.
  • the module (2), as well as the collection of pain data (d2), is only in non-real time, for the creation of the models.
  • Training and validation stage This stage is executed offline, in non-real time.
  • the patient is monitored for a period of time in which a sufficient number of migraines (T) is recorded to train the models.
  • T a sufficient number of migraines
  • These modeling algorithms generate a prediction curve (y) for each migraine from the multi-source data collected.
  • the result curve of the models is compared (signal d in Figure 1), with that generated (a) from the subjective sensation of pain (d2).
  • the metric used To assess the goodness of the prediction models generated is the fit or fit, defined as:
  • Equation 1 where y is the calculated symptomatic curve (signal a) marked by the patient, and y is the prediction.
  • a model is trained for each of the registered migraines.
  • Migraine models are created with module (3).
  • the repaired biometric signals (b [1]), those derived with temporal variation (c [1]) and the synthetic pain curve (a) are used.
  • the search for the prediction horizon that best suits each patient will be carried out.
  • the method evaluates different modeling techniques or algorithms; Unlike the patent proposed by Geatz M. and Rolger R., which is based only on Artificial Neural Networks, our proposal and previous work has shown that different modeling techniques have to be evaluated for each patient, and choose the best of them all.
  • the models are linear functions, or not, that have as input variables the primary, secondary or some of the calculated biometric signals (all of them included in the sets of variables b [1] and c [1]), and whose result is a prediction (d) of the evolution of the migraine crisis to a given horizon. Equation 2:
  • y (t) f ( ⁇ hl (t), h2 (t),..., hsl (t), ..., hs3 (t), hdl (t), ... hdH (t) ⁇ )
  • Equation 2 represents the predicted symptomatic curve and (t) as a function of the primary (h), secondary (hs) or derivative (hd) biometric variables that vary over time, all of them contained in the signal (b [1]) .
  • Equation 3 a generic equation (Equation 3) of a space system of states of order nx: Equation 3:
  • y [k] is the output at time k, which depends on the current state, x [k], and a matrix, C.
  • the system order, nx, is determined by the dimension of x [k].
  • the variable v [k] is the innovation or unexplained part that is added to the prediction, ideally incorrect white noise with the input variables, u [k].
  • the output can also depend on the inputs at that same moment, through the vector D, which weights the vector of input variables, u [k].
  • the next state of the method is defined by the equality of x [k + 1].
  • the state transition matrix (A) weighs the dependency between states, while the weights matrix of the variables (B) sets the dependence with the input variables, u [k].
  • w [k] is, ideally, incorrect white noise with the current state, and is the unexplained part or error that is made in the passage from one state to another.
  • This invention proposes to generate different models for different sets of input variables in order to subsequently develop a hierarchy of model selection according to the available sensors or variables.
  • This hierarchy underlies the idea of creating a robust method, fault tolerant and partial sensor drops.
  • N can be one or several migraines.
  • the quantity of M d models generated depends on the type of algorithm selected and its parameters.
  • Another set of models (independent of biometric variables) is also trained with the use of environmental variables (sets b [2] and c [2]). Prediction models based on environmental variables are coarse-grained models, and have less time definition than predictions based on biometric variables; Therefore, these predictions will only be used in the decision module (7).
  • the validations are carried out at a prediction horizon that does not have to coincide with the one with which the model was trained, but rather the furthest one will be sought and with better prediction results.
  • the validation involves checking how each of these models fit (according to the fit) to the prediction of other migraines.
  • the result of this module (e) is a set of models that will be ordered and stored in the module (4-1), to give as a final result a batch or set of the best models (signal f) that best predict the migraines of the patient in question, if M d > 1.
  • the selection criteria are: the prediction horizon, the robustness of the model against sensor drop or signal saturation and the complexity or order of the model.
  • This stage is executed in real-time loop and the data can continue to be sent to the servers, or not. If they are sent, it will be possible to have a real-time control of the patient's condition, and in case of false negatives in the predictions, a record would be available to check how these failures occurred.
  • the prediction of migraine attacks is carried out using the primary, secondary and / or derived biometric variables. The steps in which the prediction is executed are detailed below. a) Sensor Dependent Model Selection System (SMDS 2 ) (5)
  • This module provides robustness to the method by adaptation, and not by redundancy or a high number of trained models.
  • sensor failure due to unavailability or saturation is a recurring evil.
  • a hierarchy or criterion of model selection is defined by patient and dependent on the necessary and available input variables. This adaptation is what makes the method robust.
  • This module therefore, indicates the set of models of the module (4-1) to be used in (6), both for biometric variables and for environmental variables. b) Prediction and linear combination of models (6)
  • the prediction of migraine will be carried out.
  • the prediction horizon is the best that can be obtained with each model.
  • Each of the models in the lot (5) makes a prediction about the data of the necessary biometric variables (b [1] and c [1]). In total jores I have M predictions. The end result is a linear combination (p) of all these predictions.
  • prediction models are also trained through environmental variables, they are also used to predict, so the signal (p) is the union of the average predictions obtained with the biometric (p [1]) and environmental inputs (p [1]).
  • p p [l] up [2].
  • this module makes a correction to the prediction (p [1]) through the biometric variables (b [1] and c [1])) , eliminating spurious of said signal. Spurious are detected by defining level and time thresholds.
  • This module also makes decisions about the prediction through another prediction (p [2]) made with the second set of variables (g), which includes: environmental variables (b [2]) and (c [2 ]), the information obtained with the techniques of Data Mining and Diffuse Logic about the features of the biometric and environmental variables, and the activity and clinical data of the patient. These decisions are weights or weights to the prediction. The result is twofold, on the one hand a prediction curve to a given horizon, and on the other a warning signal of pain onset with probability of occurrence.
  • the environmental variables generate longer-term predictions, and with little precision, but serve as a contrast to the prediction made with the biometric variables. These contrasts or decisions are carried out with Fuzzy Logic techniques previously trained for the patient in the module (1-2). This module presents at its output (i) the prediction (p) corrected, adjusted and contrasted. It is returned, apart from the prediction, a decision of at what time and with what probability the pain will occur. d) Actuator (8)
  • the actuator is the last module of the method, it is a man machine interface (8), and it feeds the patient the prediction made and corrected (i). In this way the patient can take the medication with enough time to take effect and have a total effectiveness before the pain appears.
  • the prediction also reaches local biometric and environmental variable monitoring devices so that they can assess whether or not to stop monitoring for a known period of time.
  • the interface will be the mobile application itself that collects information about the patient's activity, since the patient will have it with him at all times.
  • Figure 1 Shows the model creation scheme in non-real time. This scheme is executed in the training phase and gives rise to the models (f) that will predict the migraines of each patient.
  • Models are created in module (3) through biometric variables (b [1] and c [1]) and of the synthesized pain signal (a). Different models are created for each different combination of variables. The models are validated in module (4), of these the best ones (f) will be chosen in hierarchical order in module (4).
  • module (3) also trains prediction models based on environmental variables (b [2] and c [2]), also for each different combination of these variables different models are created and the best ones are chosen.
  • Figure 2. Shows the modeling and prediction scheme in real time of the migraine prediction method through the patient's hemodynamic variables and brain electrical activity (d1), and with the support of local and global environmental variables (d5). These variables are preprocessed and synchronized in the preprocessing module (1).
  • this prediction stage in a loop, the appropriate models for the patient are chosen and depending on the variables available in the module (5) and the prediction (p [1]) is made through the linear combination of variable models biometrics in the module (6).
  • the prediction reaches the decision module (7) where spurious events are eliminated and, with the help of the prediction of environmental variables (p [2]) and the result of Machine Learning techniques (g), it is decided whether detected or not a migraine (i).
  • the decision comes to the actuator (8), which alerts the patient to anticipate the intake of the medication and avoid pain.
  • Monitoring involves recording a sufficient number of migraines for the training stage. In order to train the modeling algorithms, it is considered that from 10 migraine episodes the training may be sufficient (generally the monitoring time ranges between 4 and 6 weeks). The following describes a possible way to proceed with the acquisition of data, for information purposes only and not exhaustively.
  • the monitoring of biometric variables (d1) is carried out with commercial ambulatory monitoring devices.
  • the ECG sensor can have as many leads as desired, but with only three electrodes it is enough to extract the HR (hs1); in this case, they will be placed in the horizontal precordial plane at leads V3, V4 and V5.
  • the EDA sensor (h1) placed on the arm serves to measure the relative variations of sweating; like the surface temperature sensor (h2), placed as close as possible to the armpit.
  • One way to acquire Sp02 (h3) and PPG (h4) is by using an oximetry clamp placed on a finger.
  • the EEG electrodes will be placed in the occipital, at the OZ reference points, 01 and 02 (according to the international 10-20 system).
  • the PTT will be calculated through the ECG and PPG signals and applying some of the bibliographic methods (Yoon Y, Cho JungH, Yoon Gilwon, Non-constrained Blood Pressure Monitoring Using ECG and PPG for Personal Healthcare. 2009; 33 (4). -261-266).
  • the HR can be calculated in 20-second intervals with 10-second overlap.
  • the qEEG is the energy of the bands Alpha, Beta, Gamma, Delta and Theta in non-overlapping intervals of 20 seconds.
  • biometric variables (d1) are recorded, local and global environmental variables (d5) are recorded.
  • the global environmental variables are taken from the geographical area corresponding to the patient's location, and the national meteorology service can be used.
  • Local environmental variables are monitored through a weather station always near the patient. The good synchronization of all the data must be taken into account, for this purpose a smart mobile phone that captures all the meteorological data can be used.
  • Subjective pain sensation (d2) is recorded through a mobile application. The patient indicates the beginning and beginning of the pain, as well as the subjective evolution of the pain. With the same mobile application, the activity of the patient (d3) is recorded and in addition there is knowledge of some of their relevant clinical data (d4) for the study, such as weight, age, sex or diseases related to migraine.
  • All data (d1 -d5) collected during the training stage are preprocessed (1 and 1 -2) and used to train migraine models in (3).
  • Both the training of the models, as well as the validation (4), are carried out in non-real time in equipment with high computing capacity.
  • the result of the training stage is a different set of models for each possible combination of variables (f).
  • the models are trained through supervised techniques, where the inputs are the processed variables, and the output to be adjusted is the subjective pain of the preprocessed patient in (2). Models will be trained for all possible combinations of input variables. In validation, the best ones will be ordered and chosen to be used in the real-time prediction stage.
  • the sensor-dependent model selection system (5) is used to select the variables of interest of each patient and the hierarchical set of models (f-2) depending on the available sensors. To do this you must know at all times the status of the sensors, and if one is not available, you will change models. Once you have chosen the models, they are applied one by one on the input variables, giving rise to a set of predictions; The final prediction (p) is calculated in (6) as the linear combination of these predictions. The horizon to which the prediction is made will depend on the quality of the model obtained, for example 30 minutes.
  • the prediction correction and adjustment module (7) eliminates the spurious prediction according to the criteria of duration and level of detection; In this way they can eliminate possible false alarms.
  • Decision criteria (g) are also applied to weigh the response.
  • the decision criteria weigh the prediction obtained from the biometric variables. These weights are the result of the fuzzy Logic algorithms that, based on the knowledge of the environmental variables and the patient's activity, regulate the prediction, for example by attenuating or increasing its levels.
  • the prediction (i) is transmitted to the patient through the actuator module (8, the mobile device) so that he can advance the intake of the migraine pain medication, before it begins.
  • the retraining of the models can be carried out automatically in a transition period in which, it is followed in the prediction stage in real time, but the set of patient models is updated. Retraining will be necessary when the patient finds that the predictions are no longer correct or a clinical evaluation deems appropriate. In real time patients will not mark the evolution of their pain (d2), so the only record of prediction failures that can be had will be false negatives (migraines that were not detected).
  • the hardware of the monitoring devices must have sufficient computing capacity to be able to sample the variables at the required sampling rate and send the data wirelessly.
  • the ability to stop monitoring when they are aware of the prediction status must also be supported by the hardware and firmware of the devices.
  • the present invention has its application in the field of medical devices for early warning of migraine pain.
  • the network of electronic health ambulatory monitoring devices validated for medical use is increasingly widespread and established; In addition, its portability and battery life are increasing.
  • the machine-man interface for patient alerting is done through an intelligent mobile terminal, so common today. Therefore, the present invention can be used immediately in the monitoring of migraine patients for prediction of their crises.
  • This invention allows migraineurs to make the advanced intake of migraine pain medication so that it has a total effect and thus be able to avoid the migraine pain phase.
  • the use of this method increases the quality of life of patients, as well as reducing the direct and indirect costs caused by the disease worldwide.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Pain & Pain Management (AREA)
  • Pulmonology (AREA)
  • Hospice & Palliative Care (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

La presente invención describe un método para determinar en tiempo real el nivel de activación del sistema trigémino-vascular. En particular, dicha invención puede ser de aplicación en el campo de los dispositivos médicos capaces de determinar el índice de activación del sistema trigémino-vascular basándose principalmente en el uso de señales biomédicas de carácter hemodinámico. En el método se establecen criterios de objetivación de dicho nivel y se presenta como resultado de la aplicación de técnicas de modelado y fusión de datos. El método se basa además en otro tipo de señales, como las ambientales, para la mejora estadística en tiempo real del nivel determinado.

Description

D E S C R I P C I Ó N
METODO PARA DETERMINAR EL NIVEL DE ACTIVACION DEL SISTEMA TRIGEMINO- VASCULAR
SECTOR DE LA TÉCNICA
La presente invención se encuadra principalmente en el campo de los dispositivos médicos. En particular, se centra en los sistemas de modelado y predicción aplicado a enfermedades neurológicas y, más concretamente, a la predicción de la crisis de migraña con el objetivo de llegar a ser más eficaces en la reducción del dolor con los tratamientos farmacológicos.
ESTADO DE LA TÉCNICA La migraña es un tipo de cefalea que se caracteriza por un dolor con una serie de características definidas por: su duración entre 4 y 72 horas, una intensidad moderada-grave, empeoramiento con el ejercicio, pulsátil, que interrumpe la actividad del paciente y que se suele acompañar de síntomas como náuseas, vómitos, fotofobia y/o sonofobia. Las migrañas constituyen, en nuestros días, un problema muy importante de salud pública por su alta prevalencia que conlleva una carga importante para los pacientes, la familia y la sociedad. Las migrañas se consideran una de las patologías más incapacitantes, con consecuencias importantes sobre las actividades sociales y laborales (absentismo y pérdida de productividad laboral) y, por ende, con un elevado coste socioeconómico {Linde M, Rastenyte D, Ruiz de la Torre E, et al. The cost of headache disorders in Europe: The Eurolight project. European journal of neurology: the official journal of the European Federation of Neurological Societies. 2012; 19(5):703-711).
En el tratamiento del dolor de migraña se sabe que un tratamiento precoz es mucho más eficaz, ya que una vez que se produce la sensibilización central del trigémino, dentro del ciclo del dolor, frenar éste es mucho más complicado. Así, el objetivo fundamental en la práctica clínica es tratar el dolor antes de que tenga lugar esta sensibilización central. Consecuentemente, se recomienda al paciente que tome los analgésicos en cuanto comience el dolor con el fin de parar la crisis de migraña, ya que si la medicación se toma demasiado tarde, no suele ser eficaz.
Trabajos publicados demuestran que el antagonista dopaminérgico, domperidona (Waelkens J. Dopamine blockade with domperidone: Bridge between prophylactic and abortive treatment of migraine? A dose-finding study. Cephalalgia. 1984;4(2):85-90)., y el triptán, naratriptán (Luciani R, Cárter D, Mannix L, Hemphill M, Diamond M, Cady R. Prevention of migraine during prodrome with naratriptan. Cephalalgia. 2000; 20(2):122-126), fármacos utilizados en la fase aguda, pueden llegar a eliminar el dolor cuando se administran temprano, en los pródromos. La predicción basada en síntomas prodrómicos por el propio paciente puede tener una serie de limitaciones, ya que los síntomas prodrómicos presentan un horizonte temporal variable, es decir, el paciente no sabe exactamente cuándo va a ocurrir el dolor, los síntomas son muy inespecíficos (cambios del carácter, del apetito, del ritmo del sueño, etc.), pueden ocurrirle en cualquier otra situación y son muy poco precisos (Becker WJ. The premonitory phase of migraine and migraine management. Cephalalgia. 2013; 33(13):11 17- 1121 ; Rossi P, Ambrosini A, Buzzi MG. Prodromes and predictors of migraine attack. Funct Neurol. 2005; 20(4):1 '85- 191; Giffin NJ, Ruggiero L, Lipton RB, et al. Premonitory symptoms in migraine: An electronic diary study. Neurology. 2003; 60(6):935-940).De esta manera, podríamos ser menos eficaces a la hora de reducir el dolor o bien decidir tomar un medicamento cuando no vaya a ocurrir una migraña. Por esta razón, sabiendo de manera objetiva cuándo el paciente va a tener el dolor antes de que lo sufra (predicción), será posible no solo dar un tratamiento precoz sino también más dirigido; al conocer cuándo podrá ocurrir el dolor y, conocido el mecanismo de acción del fármaco, se puede seleccionar el tratamiento más conveniente para el paciente., pues conociendo cuándo ocurrirá el dolor, se puede observar el mecanismo de acción del fármaco y plantear que tratamiento es más conveniente. El método propuesto en la presente invención permite predecir el dolor del paciente y ser más eficaz en el tratamiento.
Es noto en el estado de la técnica, la implicación del sistema nervioso autónomo (SNA) en la migraña, demostrando que existe una disfunción disautonómica, la cual, se evidencia como una alteración de las variables controladas por el mismo en el paciente migrañoso y que éste está implicado tanto en la génesis como en la persistencia de la migraña.
Todavía hay muchas incógnitas sobre la naturaleza de dicha disautonomía del paciente migrañoso, en particular se desconoce si es la causa o consecuencia de la misma, considerándola simplemente como un epifenómeno. Los estudios clínicos que evalúan la función autonómica en pacientes con migraña han mostrado resultados discordantes {Gass JJ, Glaros AG. Autonomic dysregulation in headache patients. Appl Psychophysiol Biofeedback. 2013; 38(4). -257-263; Mosek A, Novak V, Opfer-Gehrking TL, Swanson JW, Low PA. Autonomic dysfunction in migraineurs. Headache: The Journal of Head and Face Pain. 1999 ;39(2):108-1 17; Sanya E, Brown C, Wilmowsky C, Neundórfer B, Hilz M. Impairment of parasympathetic baroreflex responses in migraine patients. Acta Neurol Scand. 2005 ;1 11(2):102-107y Benjelloun H, Birouk N, Slaoui I, et al. Autonomic profile of patients with migraine. Neurophysiol Clin. 2005; 35(4):127-134.), los cuales describen una hipofunción e hiperfunción tanto del sistema simpático como del parasimpático.
Sólo algunos estudios han evaluado los cambios que hay entre la situación basal y el periodo sintomático en el paciente migrañoso, entre los cuáles destacamos Duru M, Melek I, Seyfeli E, et al. QTc dispersión and p-wave dispersión during migraine attacks. Cephalalgia. 2006; 26(6). -672-677, que demuestra la asociación en la crisis de migraña con un incremento en intervalo QTc de la señal de electrocardiograma y dispersión de la onda P frente a períodos asintomáticos, destacando también los estudios los estudios de Ordás CM, Cuadrado ML, Rodríguez-Cambrón AB, Casas-Limón J, del Prado N, Porta-Etessam J. Increase in body temperature during migraine attacks. Pain Medicine. 2013; 14(8): 1260- 1264 y Porta-Etessam J, Cuadrado ML, Rodríguez-Gómez O, Valencia C, Garcia-Ptacek S. Hypothermia during migraine attacks. Cephalalgia. 2010; 30(11):1406-1407., donde describen un caso de un paciente con hipotermia y otro con hipertermia durante el periodo de dolor. En un estudio del Dr. Segil {Segil Y, Ünde C, Beckmann YY, Bozkaya YT, Ózerkan F, Basoglu M. Blood pressure changes in migraine patients before, during and after migraine attacks. Pain practice. 2010; 10(3):222-227) se observó una tendencia a una hipotensión diastólica. En relación al estado de la técnica relativo a los cambios que ocurren a nivel electroencefalográfico destacan los trabajos de Bjork (Bj rk M, Sand T. Quantitative EEG power and asymmetry increase 36 h before a migraine attack. Cephalalgia. 2008; 28(9):960-968) que demuestran una actividad más lenta y asimétrica previa al inicio del dolor en relación también con la duración de la crisis y la intensidad.
No obstante, ninguno de estos estudios presentan los resultados para una monitorización ambulatoria continua en tiempo real durante el periodo previo, la fase de migraña y el periodo posterior, ni aplican algoritmos de predicción del dolor.
Mientras que la solicitud de patente WO03063684 (Geatz M, Roiger R.) propone el uso de un sistema y una metodología para la predicción de síntomas a través de variables fisiológicas con aplicación a enfermedades de distinta índole, una de ellas es la migraña. Sin embargo, la metodología propuesta es de alto nivel de abstracción, no motivando técnicamente la selección de variables a una determinada patología.
Otras solicitudes de patentes también describen, pero de manera más detallada, sistemas de control en lazo cerrado con aplicación, en este caso, a la enfermedad de diabetes (ES2334733) y epilepsia (US201 1270095). Sin embargo, ninguna de éstas propone técnicas adaptativas frente a pérdidas de datos para hacer un sistema robusto. La solicitud TW201023087 menciona el uso de redes de sensores para predicción, al margen de no especificar la aplicación industrial, las reivindicaciones están basadas en el consumo eficiente y en el manejo de la adquisición de datos a través del conocimiento del estado de la predicción. Por otro lado, la patente US8123683, el cual hace referencia a cefaleas en general, tiene como objetivo la detección del tipo de cefalea producida; ello lo consiguen a través del agrupamiento de distintos desencadenantes que puede indicar el paciente al sistema. No obstante, dicho documento sólo reivindica la clasificación de la crisis y no su predicción.
En el ámbito industrial se han desarrollado varias aplicaciones móviles que sirven como calendario y clasificadores de migraña (Migraine Buddy, My Migraine Triggers™ y My Migraines), no obstante, ninguna de éstas se utiliza para predecir crisis en tiempo real, y no realizan monitorización ambulatoria de variables biométricas.
En conclusión, ninguno de estos documentos propone:
1 . Un método de predicción de crisis de migraña a través de la monitorización ambulatoria no invasiva de variables biométricas y el registro de variables ambientales.
2. Una metodología de predicción detallada y una selección de las variables a monitorizar, justificada, basada en la literatura médica.
3. Un métodorobusto frente a pérdidas parciales o totales de datos y saturación de sensores, mediante el Sistema de Selección de Modelo Dependiente de los Sensores (SDMS2).
4. La combinación lineal de modelos de migrañas a través de la selección de varios modelos entrenados para cada paciente.
5. Un sistema que implementa un módulo jerárquico de selección de modelos para cada paciente dependiente de la disponibilidad de sensores.
Un sistema que implementa un módulo experto de mejora de la predicción para la eliminación de detecciones espurias que pudiesen ser consideradas como falsos positivos.
Resultados preliminares realizados por los autores de la presente invención, confirman las siguientes ventajas tecnológicas:
1 . Predicción de la patología neurológica de migraña a través de variables controladas por el sistema nervioso autónomo de manera no intrusiva.
2. Consecución de horizontes temporales de predicción dentro del lapso de actuación de los medicamentos contra el dolor de migraña para hacer eficaz la toma de éste.
3. Definición de un sistema robusto frente a pérdidas y caídas de datos en grado de mantener cierto horizonte de predicción. 4. Creación de una predicción consecuencia de la combinación lineal del resultado de varios modelos con el fin de reducir la variabilidad de las predicciones y proporcionar fiabilidad al mismo.
5. Uso de un módulo experto de mejora de la predicción capaz de eliminar, prácticamente, la totalidad la predicción de falsas alarmas.
EXPLICACIÓN DETALLADA DE LA INVENCIÓN
La invención tiene por objeto predecir las crisis de migraña en tiempo real a través de un método de predicción robusto y adaptativo frente a pérdidas de datos y/o sensores, que hace uso de una monitorización ambulatoria no invasiva de variables biométricas del paciente y variables ambientales. Para ello, se define, adaptado a cada paciente, un sistema jerárquico de modelos de predicción según el conjunto de sensores disponibles en cada momento.
La invención se compone de un método para la predicción de las migrañas en tiempo real. El método, se estructura en tres fases (Adquisición de datos, Entrenamiento y validación de los modelos de migraña y Predicción en tiempo real) que se subdividen a su vez en distintos módulos.
En la etapa de Adquisición de datos se registran las variables biométricas (d1 ), ambientales (d5), la sensación subjetiva de dolor del paciente durante la migraña (d2), información de la actividad del paciente que pueda afectar los episodios de migraña (d3) y datos clínicos del paciente (d4). El conjunto de estos datos son transmitidos, desde los equipos de monitorización a servidores cloud. Dichos equipos de monitorización de variables biométricas de bajo coste tienen baterías de duración limitada; no obstante, cuentan con la capacidad de procesamiento suficiente para que, siendo conscientes del estado de la predicción, sean capaces de decidir cuándo detener temporalmente la monitorización ambulatoria y reducir así el consumo de sus baterías.
La etapa de Entrenamiento y Validación de los modelos se lleva a cabo en servidores, que son equipos externos con grandes capacidades de cómputo. Los datos (d1 y d2) son utilizados, en primera instancia, para la creación de modelos de migraña personalizados para cada paciente que serán utilizados en tiempo real en la tercera etapa, para la predicción de las crisis de migraña. En esta última etapa, la Predicción en tiempo real de la crisis de migraña, se realiza en un lazo recursivo a partir de los datos de entrada (d1 , d3-d5). La predicción basada en datos ambientales (d5), de actividad (d3) y clínicos (d4), será utilizada en el módulo del sistema decisor (7). A continuación se describen los pasos a seguir en cada etapa y la forma en la que interviene cada módulo.
A) Adquisición de datos
El método de predicción de crisis de migraña que se presenta en la invención, implica el uso de los siguientes datos multifuente:
• Datos biométricos de los pacientes (d1 ): señales hemodinámicas y actividad eléctrica cerebral. Los datos biométricos de los pacientes son recogidos a través de un dispositivo de bajo coste de monitorización inalámbrica de cuerpo humano (WBSN, por las siglas en inglés de Wireless Body Sensor Network). Dicho dispositivo es no invasivo y recoge las siguientes variables: mediante electrodos superficiales, el electrocardiograma ECG y la actividad electrodérmica o respuesta galvánica de la piel (EDA o GSR, h1 ); la temperatura superficial de la piel (h2), a través de un termistor; la saturación de oxígeno en sangre (Sp02, h3) y la curva de fotopletismografía (PPG, h4) mediante un sensor infrarrojo por reflexión. Las variables secundarias usadas como entradas al sistema son obtenidas en el módulo de preprocesado de la señal (1 ). El ritmo cardiaco (HR, hs1 ) se calcula a partir de la señal de ECG. De igual modo se obtiene el tiempo de tránsito de pulso (PTT, hs2) a través de la combinación de las variables de ECG y PPG. La actividad eléctrica cerebral o electroencefalog rafia (EEG, h5) se mide a nivel occipital. A partir de ella se cuantifican las bandas de potencia de las ondas cerebrales (qEEG, hs3). La elección de estas variables se hace acorde a su alteración por parte del sistema nervioso autónomo, mencionado anteriormente. · Datos climatológicos del área geográfica en la que se encuentra el paciente y datos ambientales locales (d5): los datos climatológicos del área geográfica son recogidos de un servicio meteorológico estatal, y son: temperatura (a1 ), humedad relativa (a2), presión atmosférica (a3) y precipitaciones (a4). Las mediciones locales se realizan a través de una estación meteorológica siempre cerca del paciente conectada a un teléfono móvil, e incluyen: temperatura de la sala (al1 ), humedad relativa (al2), presión (al3), luminosidad
(al4) y nivel de presión sonora (al5).
• Sensación subjetiva de dolor del paciente en cada episodio de migraña (d2): el paciente indica en la aplicación de recogida de datos en dispositivo móvil inteligente el inicio y el final del dolor, así como los síntomas prodrómicos y/o auras que pueda sufrir. También se registra la evolución subjetiva del dolor como incrementos y decrementos relativos de dolor, dibujando una curva que refleja los niveles de intensidad de dolor que siente el paciente en distintos momentos de la migraña.
• La información relativa a la actividad del paciente (d3) y que pueda ser relevante para el estudio de la migraña va a jugar un papel importante en el método. La información es recogida en una aplicación que corre sobre un teléfono móvil inteligente, y hace referencia a la ingesta de alimentos (tipo: lácteos, frutas, alcohol, etc.), actividad física o mental, estado de ánimo, ingesta de medicamentos o sensaciones subjetivas como son los síntomas prodrómicos o las auras.
• La información clínica del paciente (d4) también se tiene en cuenta. El sexo, la edad, enfermedades relacionadas o medicación recetada puede ser información relevante en el proceso de predicción. Esta información sensible es anónima y se recoge al comienzo del estudio. a) Módulos de preprocesamiento de la señal (1 , 1 -2 y 2)
Los datos recogidos por los sistemas de monitorización inalámbrica pueden sufrir pérdidas por el cese de la comunicación inalámbrica o por caídas de sensores. Para reparar las pérdidas de señal en estos intervalos de tiempo se aplican técnicas de regeneración de señal en el módulo (1 ) para la regeneración automática de señal basados en el comportamiento estadístico de ésta. Antes de la reparación, también se realiza en este módulo el cálculo de las variables secundarias (hs1 -3). En este módulo, además del cálculo de las variables secundarias y de la reparación de datos perdidos, también se realiza la sincronización de los datos para ajustar las tasas de muestreo de las distintas señales. El resultado del módulo (1 ) es la señal (b), que tiene dos tipos de señales distintas, las de origen biométrico (b[1 ]) y las de origen ambiental (b[2]). Así, b = ή[1] υ ή[2].
El módulo (1 -2) se encarga del cálculo de variables derivadas (c) y extracción de conocimiento mediante técnicas de Machine Learning y se ejecuta en paralelo al módulo (1 ). Las variables derivadas son rasgos o features de las variables biométricas primarias (h1 -5) y secundarias (hs1 - 3) y de las variables ambientales globales (a1 -4) y locales (al1 -5). Estos rasgos o features elegidos pueden ser distintos para cada paciente, y el estudio de cuáles son mejores se automatiza para cada uno de ellos. Estos rasgos pueden ser variables temporales (hd(t)), o valores concretos (figuras de mérito, hD). Los rasgos más comunes que se buscan en estas señales son: energía de la señal, energía en alguna banda de interés de la señal, media móvil, valores máximos, mínimos y promedios, etc. Los rasgos que varían con el tiempo hd = {hdl(t), h2(t), ... , hdH(t)}, serán utilizados en el módulo (3) de entrenamiento de modelos. Nótese que, aunque no se hace referencia explícita, las señales derivadas, son la señal (c), e incluyen las de origen biométrico (c[1 ]), y las de origen ambiental (c[2]). Así, c = c[l] u c[2] . Los rasgos (hD) se calculan y usan el propio módulo que, junto con los datos de actividad (d3) y clínicos (d4) del paciente, dan lugar a la señal (g). La señal (g) es el resultado de la aplicación de técnicas de Fuzzy Logic o Lógica Difusa, que proporcionará criterios de clasificación para ayudar a mejorar la predicción del sistema experto (7).
A los datos ambientales (d5) también se les aplica la regeneración de señal y el cálculo de variables derivadas. Igual que las variables biométricas, se entrenarán modelos de predicción de migraña con los datos ambientales reparados (b[2]) y con ambientales derivados (c[2]).
Estos módulos son muy importantes, pues la bondad de los modelos obtenidos (d) depende de la calidad de los datos.
Para poder realizar el cálculo de los modelos se necesita la señal de salida, que es la señal de dolor. El módulo de supervisión del dolor (2) consiste en la lectura de los registros del dolor subjetivo del paciente. Este módulo genera una curva sintética del dolor mediante un ajuste Gaussiano bilateral de los puntos de evolución de dolor marcados por el paciente (d2). Esta evolución se registra como valores enteros sin límite superior ni inferior, que representan cambios relativos respecto al último instante marcado. Esta escala no limitada, frente a otras que sí lo son, permite generar una curva más fiel de la evolución del dolor del paciente. Dado que éste no sabe a priori cuándo se alcanza ni cuánto es su máximo de dolor, este método evita tener una curva con valores saturados al máximo de una supuesta escala tradicional limitada. El resultado del módulo (2) es una señal (a) relativizada a su máximo valor con el fin de normalizar todos los registros de migraña del paciente. La curva sintomática de dolor sintetizada (a) queda descrita por los parámetros {(μΐ, σΐ), (μ2, σ2)} que forman las semi-gaussianas. El módulo (2), así como la recogida de los datos de dolor (d2), sólo se en tiempo no real, para la creación de los modelos.
B) Etapa de entrenamiento y validación Esta etapa se ejecuta fuera de línea, en tiempo no real. Durante la etapa de entrenamiento, el paciente es monitorizado por un periodo de tiempo en el que se registra un número de migrañas (T) suficiente para entrenar los modelos. Estos algoritmos de modelado generan una curva de predicción (y) para cada migraña a partir de los datos multifuente recogidos. Durante el entrenamiento se compara la curva resultado de los modelos (señal d en la Figura 1 ), con la generada (a) a partir de la sensación subjetiva de dolor (d2). La métrica utilizada para evaluar la bondad de los modelos de predicción generados es el ajuste o fit, definido como:
Ecuación 1 :
Figure imgf000011_0001
donde y es la curva sintomática calculada (señal a) marcada por el paciente, e y es la predicción. a) Módulo de entrenamiento (3)
Para cada una de las migrañas registradas se entrena un modelo. Los modelos de migraña se crean con el módulo (3). Para crear los modelos de migraña se utilizan las señales biométricas reparadas (b[1 ]), las derivadas con variación temporal (c[1 ]) y la curva de dolor sintética (a). En el entrenamiento se va a realizar la búsqueda del horizonte de predicción que mejor se adapte a cada paciente. El método evalúa distintas técnicas de modelado o algoritmos; a diferencia de la patente propuesta por Geatz M. y Rolger R., que sólo se basa en Redes Neuronales Artificiales (Artificial Neural Networks, en inglés), nuestra propuesta y trabajo previo ha demostrado que se han de evaluar distintas técnicas de modelado para cada paciente, y elegir la mejor de todas ellas. Los modelos son funciones lineales, o no, que tienen como variables de entrada las señales biométricas primarias, secundarias o alguno de los rasgos calculados (todas ellas englobadas en los conjuntos de variables b[1 ] y c[1 ]), y cuyo resultado es una predicción (d) de la evolución de la crisis de migraña a un horizonte dado. Ecuación 2:
y(t) = f({hl(t), h2(t), . . . , hsl (t), ... , hs3(t), hdl(t), ... hdH(t)})
La Ecuación 2 representa la curva sintomática predicha y(t) como función de las variables biométricas primarias (h), secundarias (hs) o derivadas (hd) que varían en el tiempo, todas ellas contenidas en la señal (b[1 ]).
Algunos esquemas de modelado o algoritmos válidos que se usan con éxito son: Ecuaciones de Espacio de Estados (State-Space Equations), Redes Neuronales Artificiales o Programación Genética (Genetic Programing). Sirva de ejemplo una ecuación (Ecuación 3) genérica de un sistema de espacio de estados de orden nx: Ecuación 3:
x[k+l] - Ax[k] + Bu[k] + w[k]
y[k] = Cx[k] + Du[k] + v[k]
Donde y[k] es la salida en el instante k, que depende del estado actual, x[k], y una matriz, C. El orden del sistema, nx, lo determina la dimensión de x[k]. La variable v[k] es la innovación o parte no explicada que se añade a la predicción, idealmente ruido blanco incorrelado con las variables de entrada, u[k]. La salida también puede depender de las entradas en ese mismo instante, a través del vector D, que pondera el vector de variables de entrada, u[k]. El estado siguiente del método lo define la igualdad de x[k+1 ]. La matriz de transición de estados (A) pondera la dependencia entre estados, mientras que la matriz de pesos de las variables (B) fija la dependencia con las variables de entrada, u[k]. w[k] es, idealmente, ruido blanco incorrelado con el estado actual, y es la parte no explicada o error que se comete en el paso de un estado a otro.
Esta invención propone generar distintos modelos para distintos conjuntos de variables de entrada con el fin de, posteriormente, desarrollar una jerarquía de selección de modelos según los sensores o variables disponibles. Esta jerarquía subyace en la idea de crear un método robusto, tolerante a fallos y a caídas parciales de sensores. Al final de la Etapa de Entrenamiento se tienen Md modelos diferentes entrenados y para cada combinación diferente de variables biométricas de entrada, con d = 1,2, ... , N. N pueden ser una o varias migrañas. La cantidad de modelos Md generados depende del tipo de algoritmo seleccionado y de sus parámetros.
Otro conjunto de modelos (independientes de las variables biométricas) es también entrenado con el uso las variables ambientales (conjuntos b[2] y c[2]). Los modelos de predicción basados en variables ambientales son modelos de grano grueso, y tienen menos definición temporal que las predicciones basadas en variables biométricas; por ello, estas predicciones sólo serán usadas en el módulo decisor (7). b) Módulo de validación y selección de modelos (4 y 4-1 ) El módulo (4) busca los mejores modelos para predecir las migrañas del paciente usando técnicas de Validación Cruzada o Cross Validation. Cada modelo Md,¡ (obtenido del conjunto Md), con i = l, . . . , d, se valida prediciendo las migrañas restantes no usadas en la combinación N- ésima que creó dicho modelo. Las validaciones se realizan a un horizonte de predicción que no tiene porqué coincidir con aquél con el que fue entrenado el modelo, si no que se buscará el más lejano y con mejores resultados de predicción. La validación supone comprobar cómo se ajustan (según el fit) cada uno de estos modelos a la predicción de otras migrañas. El resultado de este módulo (e) es un conjunto de modelos que se ordenarán y almacenarán en el módulo (4-1 ), para dar como resultado final un lote o conjunto de lOS Mmejores modelos (señal f) que mejor predicen las migrañas del paciente en cuestión, si Md>1. Los criterios de selección son: el horizonte de predicción, la robustez del modelo frente a caída de sensores o saturación de la señal y la complejidad u orden del modelo. La selección de un conjunto de modelos, en lugar de solamente uno, da una mayor estabilidad al método y mitiga el uso de modelos con sobreajuste u overfitting. Para cada combinación diferente de variables biométricas (b[1 ] y c[1 ]) de entrada se tiene, finalmente, un lote de modelos. El mismo proceso se sigue para las variables ambientales (b[2] y c[2]).
C) Etapa de predicción en tiempo real. Sistema experto
Esta etapa se ejecuta en bucle en tiempo real y los datos pueden seguir enviándose a los servidores, o no. Si se envían, se podrá tener un control en tiempo real del estado del paciente, y en caso de falsos negativos en las predicciones, se dispondría de un registro para poder comprobar cómo ocurrieron dichos fallos. Con el lote de modelos de cada paciente se lleva a cabo la predicción de las crisis de migraña haciendo uso de las variables biométricas primarias, secundarias y/o derivadas. Los pasos en los que se ejecuta la predicción se detallan a continuación. a) Sistema de Selección de Modelos Dependiente de los Sensores (SMDS2) (5)
Este módulo proporciona robustez al método por adaptación, y no por redundancia o una alta cantidad de modelos entrenados. Las migrañas de cada paciente pueden estar definidas por conjunto de variables (v1, v1 = b u c) distinto al de otro paciente; además, en un contexto de monitorización ambulatoria, el fallo de los sensores por indisponibilidad o saturación es un mal recurrente. En este escenario, se define una jerarquía o criterio de selección de modelos por paciente y dependiente de las variables de entrada necesarias y disponibles. Esta adaptación es la que hace robusto al método.
Tras la validación y selección de los modelos de un paciente se sabe qué variables de entrada son las que mejor definen sus migrañas. En este caso, se utilizan los modelos elegidos y que tienen como entrada esa combinación de variables ({Mmejores, vi}). Si por fallo o rotura uno de los sensores necesarios no está disponible, se pasa al siguiente conjunto de modelos con mejor ajuste y que no dependan de dicho sensor ({Mmejores, v2}).
Este módulo, por tanto, indica el conjunto de modelos del módulo (4-1 ) a usar en (6), tanto para variables biométricas como para variables ambientales. b) Predicción y combinación lineal de modelos (6)
Haciendo uso de los modelos obtenidos de (5) y con las señales biométricas (b[1 ] y c[1 ]) se va a realizar la predicción de la migraña. El horizonte de predicción es el mejor que se pueda obtener con cada modelo. Cada uno de los modelos del lote (5) realiza una predicción sobre los datos de las variables biométricas necesarias (b[1 ] y c[1 ]). En total se tienen Mmejores predicciones. El resultado final es una combinación lineal (p) de todas estas predicciones. Como también se entrenan modelos de predicción a través de las variables ambientales, éstos también son utilizados para predecir, por lo que la señal (p) es la unión de las predicciones promedio obtenidas con las entradas biométricas (p[1 ]) y las ambientales (p[1 ]). Así, p = p[l] u p [2] . c) Corrección y ajuste de la predicción (7) Con el fin de obtener las mejores predicciones, este módulo realiza una corrección a la predicción (p[1 ]) a través de las variables biométricas (b[1 ] y c[1 ]), eliminando espurios de dicha señal. Los espurios se detectan definiendo umbrales de nivel y de tiempo.
En este módulo se toman, además, decisiones sobre la predicción a través otra predicción (p[2]) realizada con el segundo conjunto de variables (g), que comprende: las variables ambientales (b[2]) y (c[2]), la información obtenida con las técnicas de Data Mining y Lógica Difusa sobre los rasgos de la variables biométricas y ambientales, y la actividad y datos clínicos del paciente. Estas decisiones son ponderaciones o pesos a la predicción. El resultado es doble, por un lado una curva de predicción a un horizonte dado, y por otro una señal de aviso de inicio de dolor con probabilidad de ocurrencia.
Las variables ambientales generan predicciones a más largo plazo, y con poca precisión, pero sirven como contraste a la predicción realizada con las variables biométricas. Estos contrastes o decisiones se llevan a cabo con técnicas de Lógica Difusa (Fuzzy Logic) previamente entrenadas para el paciente en el módulo (1 -2). Este módulo presenta a su salida (i) la predicción (p) corregida, ajustada y contrastada. Se devuelve, a parte de la predicción, una decisión de en qué momento y con qué probabilidad va a ocurrir el dolor. d) Actuador (8)
El actuador es el último módulo del método, se trata de una interfaz máquina hombre (8), y realimenta al paciente la predicción realizada y corregida (i). De esta forma el paciente puede tomar la medicación con tiempo suficiente para que haga efecto y tenga una total eficacia antes de que el dolor aparezca. La predicción también llega a los dispositivos de monitorización de variables biométricas y ambientales locales para que éstos puedan evaluar si detener, o no, la monitorización durante un periodo conocido de tiempo. La interfaz será la propia aplicación móvil que recolecta información de la actividad del paciente, ya que el paciente lo tendrá consigo en todo momento.
La novedad de esta invención radica en las siguientes características técnicas:
• Predicción personalizada de las crisis de migraña haciendo uso de variables hemodinámicas del paciente y de la actividad eléctrica cerebral. Además, usando como apoyo a la predicción, variables climatológicas y ambientales, datos clínicos e información relativa a la actividad del paciente.
• Entrenamiento personalizado de modelos para cada paciente con selección automática de variables.
• Creación de un conjunto de modelos jerárquico. Desarrollo de un método automático de selección del modelo jerárquico dependiente de las variables de entrada disponibles. Método robusto y tolerante a fallos manteniendo un cierto horizonte de predicción.
• Creación de un módulo de ayuda a la predicción y reparación de modelos que mejora la bondad de la predicción.
• Interfaz o sistema de aviso (actuador) para la ingesta eficaz del medicamento que pare el dolor de la migraña antes de que aparezca. BREVE DESCRIPCIÓN DE LOS DIBUJOS
Los siguientes dibujos ilustran la precedente descripción:
Figura 1 .- Muestra el esquema de creación de modelos en tiempo no real. Este esquema se ejecuta en la fase de entrenamiento y da lugar a los modelos (f) que predecirán las migrañas de cada paciente. Los modelos se crean en el módulo (3) a través de las variables biométricas (b[1 ] y c[1 ]) y de la señal de dolor sintetizada (a). Se crean distintos modelos para cada combinación distinta de variables. Los modelos se validan en el módulo (4), de éstos se elegirán los mejores (f) en orden jerárquico en el módulo (4). A la vez, el módulo (3) también entrena modelos de predicción basándose en variables ambientales (b[2] y c[2]), también para cada combinación distinta de estas variables se crean distintos modelos y se eligen los mejores.
Figura 2.- Muestra el esquema de modelado y predicción en tiempo real del método predicción de migrañas a través de las variables hemodinámicas del paciente y la actividad eléctrica cerebral (d1 ), y con apoyo de variables ambientales locales y globales (d5). Dichas variables son preprocesadas y sincronizadas en el módulo de preprocesamiento (1 ). En esta etapa de predicción (en bucle) se eligen los modelos adecuados para el paciente y dependiendo de las variables disponibles en el módulo (5) y se realiza la predicción (p[1 ]) a través de la combinación lineal de modelos de variables biométricas en el módulo (6). La predicción llega al módulo de decisión (7) donde se eliminan los eventos espurios y, con ayuda de la predicción de las variables ambientales (p[2]) y el resultado de técnicas de Machine Learning (g), se decide si se ha detectado o no una migraña (i). La decisión llega al actuador (8), que avisa al paciente para adelantar la ingesta del medicamento y evitar el dolor.
MODO DE REALIZACIÓN DE LA INVENCIÓN
La monitorización supone el registro de un número suficiente de migrañas para la etapa de entrenamiento. Para entrenar a los algoritmos de modelado se considera que a partir de 10 episodios de migraña el entrenamiento puede ser suficiente (generalmente el tiempo de monitorización oscila entre 4 y 6 semanas). A continuación se describe una posible manera de proceder en la adquisición de datos, a título meramente indicativo y no exhaustivo.
La monitorización de las variables biométricas (d1 ) se lleva a cabo con dispositivos de monitorización ambulatoria comerciales. El sensor de ECG puede tener cuantas derivaciones se quiera, pero con sólo tres electrodos es suficiente para extraer el HR (hs1 ); en este caso, se colocarán en el plano horizontal precordial en las derivaciones V3, V4 y V5. El sensor de EDA (h1 ) colocado en el brazo, sirve para medir las variaciones relativas de sudoración; al igual que el sensor de temperatura superficial (h2), colocado lo más cerca posible de la axila. Una forma de adquirir el Sp02 (h3) y el PPG (h4) es mediante el uso de una pinza de oximetría colocada en algún dedo de la mano. Los electrodos de EEG se colocarán en el occipital, en los puntos de referencia OZ, 01 y 02 (según el sistema internacional 10-20). El PTT se calculará a través de las señales de ECG y PPG y aplicando alguna de los métodos bibliográficos ( Yoon Y, Cho JungH, Yoon Gilwon, Non-constrained Blood Pressure Monitoríng Using ECG and PPG for Personal Healthcare. 2009; 33(4). -261-266). El HR se puede calcular en intervalos de 20 segundos con solapamiento de 10 segundos. El qEEG es la energía de las bandas Alpha, Beta, Gamma, Delta y Theta en intervalos no solapados de 20 segundos.
Al mismo tiempo que se registran las variables biométricas (d1 ), se registran las variables ambientales (d5) locales y globales. Las variables ambientales globales se toman de la zona geográfica correspondiente a la localización del paciente, y se puede hacer uso del servicio nacional de meteorología. Las variables ambientales locales se monitorizan a través de una estación meteorológica siempre cerca del paciente. Habrá de tenerse en cuenta la buena sincronización de todos los datos, para ello puede hacerse uso de un teléfono móvil inteligente que capture todos los datos meteorológicos. La sensación subjetiva del dolor (d2) se registra a través de una aplicación móvil. El paciente indica el inicio y comienzo del dolor, así como la evolución subjetiva de éste. Con la misma aplicación móvil se registra la actividad del paciente (d3) y además se tiene conocimiento de alguno de sus datos clínicos relevantes (d4) para el estudio, como el peso, la edad, el sexo o enfermedades relacionadas con la migraña. Todos los datos (d1 -d5) recogidos durante el la etapa de entrenamiento son preprocesados (1 y 1 -2) y utilizados para entrenar modelos de migraña en (3). Tanto el entrenamiento de los modelos, como la validación (4), se realizan en tiempo no real en equipos de alta capacidad de cómputo. El resultado de la etapa de entrenamiento es un conjunto de modelos diferente para cada combinación de variables posible (f). Los modelos se entrenan mediante técnicas supervisadas, donde las entradas son las variables procesadas, y la salida a ajustar es el dolor subjetivo del paciente preprocesado en (2). Se entrenarán modelos para todas las combinaciones posibles de variables de entrada. En validación, se ordenarán y se elegirán los mejores para ser usados en la etapa de predicción en tiempo real.
En la etapa de predicción en tiempo real, se usa el sistema de selección de modelos dependiente de los sensores (5) para seleccionar las variables de interés de cada paciente y el conjunto jerárquico de modelos (f-2) dependiendo de los sensores disponibles. Para ello hay que conocer en cada momento el estado de los sensores, y si hay alguno no disponible, se cambiará de modelos. Una vez se tienen los modelos elegidos, éstos se aplican uno por uno sobre las variables de entrada, dando lugar a un conjunto de predicciones; la predicción final (p) se calcula en (6) como la combinación lineal de dichas predicciones. El horizonte al que se realiza la predicción dependerá de la calidad del modelo obtenido, por ejemplo 30 minutos. El módulo de corrección y ajuste de la predicción (7) elimina los espurios de predicción según criterios de duración y nivel de la detección; de esta manera se consiguen eliminar posibles falsas alarmas. Se aplican además criterios de decisión (g) para ponderar la respuesta. Los criterios de decisión ponderan la predicción obtenida de las variables biométricas. Estas ponderaciones son el resultado de los algoritmos de Lógica Difusa que, basados en el conocimiento de las variables ambientales y de la actividad del paciente, regulan la predicción, por ejemplo atenuando o aumentando los niveles de ésta. Finalmente, la predicción (i) es transmitida al paciente a través del módulo actuador (8, el dispositivo móvil) para que éste pueda adelantar la ingesta del medicamento contra el dolor de migraña, antes de que éste comience. El reentrenamiento de los modelos puede llevarse a cabo de manera automática en un periodo de transición en el que, se sigue en la etapa de predicción en tiempo real, pero se va actualizando el conjunto de modelos del paciente. El reentrenamiento será necesario cuando el paciente encuentre que las predicciones ya no son correctas o una evaluación clínica lo considere oportuno. En tiempo real los pacientes no marcarán la evolución de su dolor (d2), por lo que el único registro de fallos en la predicción que se pueden tener será el de los falsos negativos (migrañas que no fueron detectadas).
El hardware de los dispositivos de monitorización ha de tener la capacidad de cómputo suficiente para poder muestrear las variables a la tasa de muestreo requerida y realizar el envío de los datos de manera inalámbrica. La capacidad de detener la monitorización cuando sean conscientes del estado de la predicción también debe ser soportada por el hardware y el firmware de los dispositivos.
La presente invención tiene su aplicación en el ámbito de dispositivos médicos para la alerta temprana del dolor de migraña. Cada vez está más extendida e instaurada la red de dispositivos electrónicos de monitorización ambulatoria de salud validados para uso médico; además su portabilidad y la duración de las baterías de éstos van en aumento. La interfaz máquina-hombre de alerta a los pacientes se realiza a través de un terminal móvil inteligente, tan común en nuestros días. Por todo ello, la presente invención puede tener un uso inmediato en la monitorización de pacientes migrañosos para predicción de sus crisis.
Esta invención permite a los migrañosos realizar la ingesta adelantada de la medicación contra el dolor de migraña para que éste tenga un total efecto y poder llegar a evitar así la fase del dolor de la migraña. El uso de este método aumenta la calidad de vida de los pacientes, así como la reducción de los costes directos e indirectos que ocasiona la enfermedad a nivel mundial.

Claims

REIVINDICACIONES
Método para la determinación del nivel de activación del sistema trigémino-vascular basado en la monitorización de variables biométricas que comprende la ejecución de las siguientes fases:
a. Monitorización de variables biométricas y ambientales y nivel subjetivo de activación del sistema trigémino-vascular para entrenamiento de modelos, estructurado en las siguientes subfases:
i. Preprocesado de las señales mediante técnicas estadísticas basadas en el conocimiento de la historia de cada señal, sus valores siguientes y su distribución (media y desviación típica, entre otros),
¡i. Objetivación de la medida subjetiva del nivel de activación del sistema trigémino-vascular mediante normalización de niveles y ajuste Gaussiano bilateral con referencia al máximo nivel registrado.
b. Ampliación del conjunto de variables significativas para entrenamiento de los modelos a través de las siguientes subfases:
i. Generación de señales secundarias
¡i. Generación y selección de rasgos de las señales adquiridas y de las señales secundarias.
c. Estimación en del nivel de activación del sistema trigémino-vascular a partir de las variables monitorizadas, las variables secundarias y los rasgos generados según las siguientes subfases:
i. Generación de grupos de variables, combinaciones de, como mínimo, dos de ellas.
¡i. Entrenamiento de los modelos, uno por cada grupo de variables de entrada y con referencia al nivel de activación objetivado.
ü¡. Elección de los modelos según las variables de entrada utilizadas y el nivel de similitud de la señal que produzcan (y) con el nivel de objetivado (y) expresados e fórmula:
Figure imgf000019_0001
iv. A partir de las variables disponibles y del modelo elegido, se obtiene, como salida de éste, una primera estimación del nivel de activación del sistema trigémino-vascular. d. Reducción del error de estimación del nivel de activación del sistema trigémino- vascular mediante el uso de un segundo conjunto de variables, el cual puede emplear estrategias de conocimiento experto, como Data Mining y/o Lógica Difusa, para la corrección y ajuste del nivel de activación del sistema trigémino vascular estimado.
Método según la reivindicación 1 para la monitorización de variables biométricas hemodinámicas, electroencefalograma occipital, señales climatológicas del entorno y señales ambientales locales para su envío a una plataforma de almacenamiento cloud para su procesado.
Método según la reivindicaciones anteriores en el que el procesamiento de datos se estructura en la siguientes subfases:
a. Sincronización de las distintas señales con marcas de tiempo de todos los datos. b. Eliminación de datos fuera de rango y filtrado de las señales.
c. Aplicación de técnicas de regeneración automática de señal basadas en el comportamiento estadístico de la señal.
d. Diezmado de las señales para reducir la cantidad de datos de entrada para los modelos de la Reivindicación 1 .
e. Objetivación del nivel de activación del sistema trigémino-vascular mediante una escala de nivel no limitada y de un mecanismo de ajuste Gaussiano continuo de valores discretos subjetivos del nivel de activación del sistema trigémino-vascular.
Método según las reivindicaciones anteriores caracterizado por la generación de señales secundarias y rasgos característicos de las señales que se desarrolla en las siguientes subfases:
a. Cálculo del ritmo cardiaco (HR) a través de la cuenta del número de eventos de la señal ECG en ventanas de tiempo de 20 segundos con solapamiento de 10 segundos mediante la definición de tiempos de espera entre picos y criterios de decisión de nivel para la no detección de falsos positivos.
b. Cálculo del tiempo de tránsito entre pulsos (PTT) para determinación de la presión arterial mediante funciones de regresión calculadas con los picos detectados de la señal de ECG y PPG.
c. Cálculo de la señal de qEEG a través del cálculo de la energía del filtrado paso banda sin solapamiento de la señal de EEG. Método según las reivindicaciones anteriores caracterizado por un Sistema de Selección de Modelos Dependiente de los Sensores (SDMS2) consistente en la prelación de modelos de estimación del nivel de activación del sistema trigémino-vascular el cual puede ser realizado mediante un mecanismo basado en la confianza estadística.
Método según las reivindicaciones anteriores caracterizado por la combinación lineal del conjunto de modelos enunciados en la Reivindicación 5.
Método según las reivindicaciones anteriores en el que la reducción del error de estimación en la Reivindicación 1 se desarrolla en tres subfases:
a. Detección y eliminación de eventos mediante la definición de un umbral por el cuál, aquellos eventos que no determinen un nivel de activación del sistema trigémino- vascular con un índice mayor del 50% con respecto al máximo, serán eliminados. b. Detección y eliminación de eventos basados en tiempo mediante definición de un umbral temporal de 60 minutos, en el cual, los eventos que superen el umbral de nivel pero tengan una duración menor que el umbral de tiempo serán eliminados; mientras que los eventos que se encuentren a una distancia menor que este umbral de otro evento, se considerarán el mismo.
c. Aplicación de técnicas de conocimiento experto, como algoritmos de lógica difusa, para otorgar niveles de confianza a los eventos de activación del sistema trigémino- vascular en grado de realimentar la señal al sistema de monitorización.
Método según las reivindicación 1 en el que la monitorización de variables biométricas obtenida mediante sensores se desarrollaran las siguientes subfases:
a. La detección del estado podrá realizarse mediante decisión tomada sobre la estadística de los datos registrados en instantes anteriores.
b. Si un sensor no está disponible, no se elegirán los modelos que incluyan variables de él dependientes.
Método según la reivindicación 1 basado en equipos móviles que comunican la información a los dispositivos de monitorización.
PCT/ES2017/070004 2016-02-29 2017-01-03 Método para determinar el nivel de activación del sistema trigémino-vascular WO2017149174A1 (es)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201780011929.6A CN108780664A (zh) 2016-02-29 2017-01-03 确定三叉神经血管系统活化程度的方法
US16/080,241 US20190046123A1 (en) 2016-02-29 2017-01-03 Method for determining the degree of activation of the trigeminovascular system
EP17759307.6A EP3425542A4 (en) 2016-02-29 2017-01-03 METHOD OF DETERMINING THE LEVEL OF ACTIVATION OF THE TRIJUMEAU-VASCULAR SYSTEM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ES201600158A ES2634874B2 (es) 2016-02-29 2016-02-29 Método para determinar el nivel de activación del sistema trigémino-vascular
ESP201600158 2016-02-29

Publications (1)

Publication Number Publication Date
WO2017149174A1 true WO2017149174A1 (es) 2017-09-08

Family

ID=59743434

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2017/070004 WO2017149174A1 (es) 2016-02-29 2017-01-03 Método para determinar el nivel de activación del sistema trigémino-vascular

Country Status (5)

Country Link
US (1) US20190046123A1 (es)
EP (1) EP3425542A4 (es)
CN (1) CN108780664A (es)
ES (1) ES2634874B2 (es)
WO (1) WO2017149174A1 (es)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113924627A (zh) 2019-02-22 2022-01-11 派尔疗法股份有限公司 用于治疗与偏头痛相关联的症状的系统和方法
ES2905474B2 (es) * 2021-10-19 2023-04-18 Univ Madrid Politecnica Metodo y sistema para la deteccion precoz de episodios de dolor oncologico

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008092133A2 (en) * 2007-01-25 2008-07-31 Neurovista Corporation Methods and systems for measuring a subject's susceptibility to a seizure
US20100253509A1 (en) * 2009-04-03 2010-10-07 Yongji Fu Personal environmental monitoring method and system and portable monitor for use therein
WO2013177688A1 (en) * 2012-06-01 2013-12-05 Next Integrative Mind Life Sciences Holding Inc. Method, system and interface to facilitate change of an emotional state of a user and concurrent users
US20150324544A1 (en) * 2014-05-09 2015-11-12 The Regents Of The University Of Michigan Pain surveying and visualization in a human bodily region

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7311666B2 (en) * 2004-07-10 2007-12-25 Trigeminal Solutions, Inc. Apparatus for collecting information
CN101365373A (zh) * 2005-06-21 2009-02-11 早期感知有限公司 用于预测和监测临床发作的技术
US20100318424A1 (en) * 2009-06-12 2010-12-16 L2La, Llc System for Correlating Physiological and Environmental Conditions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008092133A2 (en) * 2007-01-25 2008-07-31 Neurovista Corporation Methods and systems for measuring a subject's susceptibility to a seizure
US20100253509A1 (en) * 2009-04-03 2010-10-07 Yongji Fu Personal environmental monitoring method and system and portable monitor for use therein
WO2013177688A1 (en) * 2012-06-01 2013-12-05 Next Integrative Mind Life Sciences Holding Inc. Method, system and interface to facilitate change of an emotional state of a user and concurrent users
US20150324544A1 (en) * 2014-05-09 2015-11-12 The Regents Of The University Of Michigan Pain surveying and visualization in a human bodily region

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PAGAN, J. ET AL.: "Robust and Accurate Modeling Approaches for Migraine Per-Patient Prediction from Ambulatory Data", SENSORS, vol. 15, 30 June 2015 (2015-06-30), pages 15419 - 15442, XP055414073, ISSN: 1424-8220, [retrieved on 20170411] *
See also references of EP3425542A4 *

Also Published As

Publication number Publication date
EP3425542A4 (en) 2019-11-20
EP3425542A1 (en) 2019-01-09
ES2634874B2 (es) 2018-03-16
US20190046123A1 (en) 2019-02-14
CN108780664A (zh) 2018-11-09
ES2634874A1 (es) 2017-09-29

Similar Documents

Publication Publication Date Title
KR102219913B1 (ko) 내장된 알람 피로도 감소 특성을 이용한 지속적인 스트레스 측정
RU2704787C1 (ru) Система и способ определения для определения стадии сна субъекта
De Souza et al. Risk evaluation of diabetes mellitus by relation of chaotic globals to HRV
US20160342764A1 (en) System, computer-implemented method and computer program product for individualized multiple-disease quantitative risk assessment
CA2938629A1 (en) Methods and systems for providing diagnosis or prognosis of parkinson's disease using body-fixed sensors
BR112021000164A2 (pt) Dispositivo e sistema para determinar um nível de estresse de um usuário, dispositivo vestível para ser usado por um usuário, e programa de computador
Kölling et al. Comparing subjective with objective sleep parameters via multisensory actigraphy in German physical education students
JP2023548642A (ja) 神経系メトリックに基づく病気検出
Zhang et al. deStress: Mobile and remote stress monitoring, alleviation, and management platform
Regalia et al. Sleep assessment by means of a wrist actigraphy-based algorithm: agreement with polysomnography in an ambulatory study on older adults
ES2634874B2 (es) Método para determinar el nivel de activación del sistema trigémino-vascular
US20180203009A1 (en) Device, system and method for managing treatment of an inflammatory autoimmune disease of a person
O’Donnell et al. Physical activity and sleep analysis of heart failure patients using multi-sensor patches
ES2952536T3 (es) Dispositivo y métodos para monitorizar una progresión del campo visual de un usuario
RU2452365C2 (ru) Способ диагностики десинхроноза при гипертонической болезни
JP6539832B2 (ja) 生体リズムの推定装置及びその作動方法
TW201328664A (zh) 依據預測結果判斷是否存在睡眠障礙之系統及其方法
JP2017012249A (ja) 食事時間推定方法、食事時間推定プログラム及び食事時間推定装置
JP2020177674A5 (es)
US20220022788A1 (en) Seasonal affective disorder determination
Smolensky et al. Does before-bedtime body warming by bathing or other means attenuate sleep-time arterial blood pressure?
Saifeldin et al. Assessing the immediate impact of Twin‐block appliance insertion on adolescents' sleep using a wearable device
Sandmann et al. Relevant biomarkers in the prediction of good and bad days for multiple sclerosis patients
Tabara ASSOCIATION OF SLEEP-DISORDERED BREATHING AND SLEEP-RELATED FACTORS WITH DIFFERENT TYPES OF NOCTURNAL–MORNING HYPERTENSION AND OFFICE HYPERTENSION: THE NAGAHAMA STUDY
Simmons et al. Crossover sleep testing as a population mousetrap for OSA

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2017759307

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2017759307

Country of ref document: EP

Effective date: 20181001

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

Ref document number: 17759307

Country of ref document: EP

Kind code of ref document: A1