iea - i workshop em pressão intracraniana - parte 5

MÉTODOS ESTATÍSTICOS MULTIVARIADOS PARA ANÁLISE DA FUNÇÃO DA PRESSÃO

INTRACRANIANA.

Alexandre Souto Martinez*Brenno Caetano Troca Cabella

I WORKSHOP EM PRESSÃO INTRACRANIANA

Ribeirão Preto, 07 de outubro de 2011

Departamento de FísicaFaculdade de Filosofia Ciências e Letras de Ribeirão PretoUniversidade de São Paulo* INCT – Sistemas Complexos

Tensão (mV)

Obtenção da PIC

Tensão (mV) Pressão (mmHg)

Obtenção da PIC

Tensão (mV) Pressão (mmHg)

Obtenção da PIC

Séries temporais

relacionadas (STR)

Série temporal alvo (STA)

Séries temporais relacionadas (STR)

- Pressão sanguínea arterial (PSA)

- Velocidade do fluxo sanguíneo cerebral (VFSC)Ultrassom doppler transcraniano

Aparelhos tonométricos

Série temporal alvo (STA)- Pressão intra-craniana (PIC)

Base de dadosMedidas simultâneas: PSA, VFSC e PIC (446 amostras)

Modelo

Base de dadosMedidas simultâneas: PSA, VFSC e PIC (446 amostras)

Modelo

Base de dadosMedidas simultâneas: PSA, VFSC e PIC (446 amostras)

Modelo

Base de dadosMedidas simultâneas: PSA, VFSC e PIC (446 amostras)

Modelo

Resultados

Resultados

Novo dado de entrada: Taxa de batimento cardíaco instantânea (BCI)

Novo dado de entrada: Taxa de batimento cardíaco instantânea (BCI)

Estudo mais detalhado da capacidade de ajuste de dados (fitting).

- Gráfico da medida de dissimilaridade para cada combinação entrada-saída.

-Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas.Resultado: significativo (p<0.001)

-Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas.Resultado: significativo (p<0.001)

-Generalidade do método; O modelo obtido a partir de um paciente pode descrever a dinâmica de outro paciente?

-Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas.Resultado: significativo (p<0.001)

-Generalidade do método; O modelo obtido a partir de um paciente pode descrever a dinâmica de outro paciente?

Uso do próprio banco de dados e aplica os modelos obtidos para diferentes pacientes.

-Melhor performance possível.Verifica o melhor resultado dentre todos os testes.

-Acurácia geral.Média entre todos os casos.

Proposta: Utilizar os dados da PICMI como entrada do modelo.

Séries temporais

relacionadas (STR)

Série temporal alvo (STA)

Séries temporais

relacionadas (STR)

Série temporal alvo (STA)

-Ruído branco, obtido a partir de um experimento com baixa relação sinal-ruído.

Problema: Determinação dos coeficientes:

Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade:

Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade:

Quando tem valor mínimo.

Portanto temos um problema de otimização com muitos mínimos.

Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade:

Quando tem valor mínimo.

Portanto temos um problema de otimização com muitos mínimos.

Solução:

OtimizaçãoEstocástica

Otimização estocástica-Algoritmo genético

-Recozimento simulado (simulated annealing)

+ funções de penalidade e de regularização que dependem do problema.

Em suma: tem-se um belo problema inverso!

Otimização estocástica

-Introduzir “feedback” (retro alimentação)

Proposta:

-Introduzir “feedback” (retro alimentação)

Proposta:

Obrigado