El monitoreo de la presión intracraneal (PIC) es muy importante en el tratamiento de pacientes con enfermedades neurológicas dado que la hipertensión intracraneal (HI) es una causa de lesión cerebral. El seguimiento de la PIC es crucial porque los signos clínicos de la HI pueden ser tardíos y no muy efectivos en la predicción. El estándar para la medición de la PIC es recurrir a métodos invasivos de monitoreo. Estos procedimientos requieren abrir el cráneo del paciente lo que los hace muy riesgosos, debido a que pueden provocar hemorragias, infección y daño del tejido cerebral, y están contraindicados en muchos casos. Por esta razón, hay gran interés en disponer de técnicas que permitan estimar la PIC de manera no invasiva cuando las indicaciones para la medición invasiva no se cumplen.

Una línea importante de investigación en esta área es el uso de técnicas de machine learning para predecir la PIC en base a los cambios detectados en la presión arterial y el flujo de la sangre. Sin embargo, hasta la fecha, ningún método no invasivo de monitoreo de la PIC ha demostrado ser suficientemente fiable para reemplazar a los invasivos.

Existen investigaciones en años recientes que han significado un avance en el monitoreo y medición no invasivo de la PIC. Los primeros trabajos fueron presentados por Aasild et al [1], Czosnyka [2] y Belfortet et al [3], el cual presentaron un modelo matemático que vincula la velocidad de la sangre y la presión arterial, con la PIC. Posteriormente, Schmidt [4] utilizó métodos lineales en función del tiempo para estimar la PIC en términos de la presión arterial y la velocidad sanguínea, el problema fue que solo funciona con pacientes muy particulares, pero no con pacientes a los cuales no se les conozca la PIC. Hu et al [5], creó una metodología que usa por primera vez minería de datos; se trata de crear un modelo autorregresivo en base a diferentes datos de los pacientes.

Hasta este punto, todos los métodos utilizados son lineales, Shieh et al [6], sin embargo, muestra cómo estimar la PIC con métodos no lineales, utilizando redes neuronales artificiales. En el trabajo de Shieh, se usaron 3 pacientes para entrenar la red y otra tres para probarla, modelos multivariables fueron diseñados con cuatro pacientes de los cuales se obtuvieron datos como la presión promedio de la sangre, el ritmo cardíaco, niveles de dióxido de carbono y oxígeno en la sangre. Esta información se usó para medir la velocidad de la sangre. Sin embargo, en cada latido del corazón se pierden datos y bajo esas condiciones el margen de error excede el 100%.

Teniendo en cuenta los avances de los trabajos mencionados, en Uruguay la Dra. Puppo et al [7] realizaron un trabajo de investigación para inferir la PIC de manera no invasiva utilizando Support Vector Machine, y teniendo datos (provistos por el centro de neuromonitoreo del Hospital de Clínicas) de la presión arterial promedio y la velocidad de flujo como entradas del vector. El set de datos está compuesto por ocho (8) pacientes del Centro de Tratamiento Intensivo (CTI) del Hospital de Clínicas. Y se previó utilizar los modelos lineales y no lineales desarrollados hasta ese momento. Este trabajo realizado por la Dra. Pulpo et al [7] deja como conclusión que se puede estimar la PIC en base a la Velocidad de Flujo de la sangre (VF) y la Presión Arterial Media (PAM). Sin embargo, quedan desafíos a futuro, el cual implica mejorar el delta entre el la PIC estimada y la real (medida en forma invasiva). Por lo tanto, en base a los trabajos de investigación realizados hasta ahora, es de vital importancia avanzar con la estimación de la PIC pero mediante modelos no lineales, más dinámicos y flexibles.

En conclusión, trabajos científicos recientes han mostrado que es posible la predicción no invasiva de la PIC mediante técnicas de machine learning a partir de la Presión Arterial Promedio y la Velocidad de Flujo sanguíneo, pero subrayan que es de vital importancia mejorar la exactitud de la predicción recurriendo a modelos no lineales y realizar experimentos con datos de una base significativa de pacientes.

Referencias

[1] T. Lundar, K. Lindegaard, H. Nornes, R. Aaslid, «Estimation of cerebral perfusion pressure from arterial blood pressure and transcranial Doppler recordings,» de Proceedings of the Sixth International Symposium on Intracranial Pressure, Springer-Verlag, Glasgow, 1985.

[2] B.F Matta, P. Smielewski, P.J. Kirkpatrick, J.D. Pickard, M. Czosnyka, Cerebral perfusion pressure in head-injures patiens: a noninvasive assessment using transcranial doppler ultrasonography, 1988.

[3] C. Tooke-Miller, M. Varner, G. Saade, C. Grunwewald, H. Nisell, J.A. Heard, M.A Belfort, Evaluation of a noninvasive transcranial doppler and blood pressure-based method for the assessment of cerebral perfusion pressure in pregnant woman, 2000.

[4] J. Klingerlhofer, J.J. Schwarze, D. Sander, I. Wittich, B. Schmidt, Noninvasive prediction of intracranial pressure curves using transcranial doppler ultrasonography and blood pressure curves, Stroke, 1997.

[5] V. Nenov, M. Bergsneider and N. Martin, X. Hu, «A data mining framework of noninvasive intracranial pressure assessment,» Biomed, 2006.

[6] C-F Choua, S-J Huang, M-C Kao, S. Shieh, Intracranial pressure model in intensive care unit using a simple recurrent neural network through time, 2004.

[7] , C. Pardo, C. Puppo, M. Curilem and J. Landerretche, M. Chacon, «Non-invasive intracranial pressure estimation using support vector machine,» de 32º Anula International Conference, Buenos Aires, 2010.

Federico Gómez Romero es Licenciado en Sistemas de Información por la Universidad ORT Uruguay (2016) y Gerente de Proyectos Certificado por el PMI (CAPM). Actualmente es Consultor Informático especializado en Inteligencia Empresarial, con amplia experiencia en implementación de proyectos de mejora de procesos para la toma de decisiones para importantes empresas de diversos rubros, tanto a nivel nacional como internacional. Es profesor designado para las materias de Base de Datos 1, Sistemas Operativos II, Introducción a la Estadística e Ingeniería de Requerimientos de la Facultad de Ingeniería de la Universidad de la Empresa. Sus áreas de interés son: Big Data, Calidad de Datos, Estadística e Ingeniería de Software.

Share This