En la presente tesis se estudia el caso específico de un tipo de enfermedades respiratorias que impactan considerablemente a la salud en nuestro país, las Neumopatías Intersticiales Difusas (NID). Estas neumopatías constituyen un grupo de enfermedades que comparten rasgos fisiopatológicos, clínicos y radiológicos. Por tratarse de un grupo heterogéneo, presentan un difícil diagnóstico en etapas tempranas del padecimiento, lo que conduce a la falta de tratamiento adecuado y el desarrollo progresivo de fibrosis pulmonar difusa, destruyendo las unidades alveolo-capilares y alterando el intercambio gaseoso, provocando que la enfermedad sea irreversible y mortal para el paciente en un plazo de tiempo relativamente corto. Actualmente se utilizan una serie de rigurosos procedimientos y técnicas, cuyos resultados soportan el diagnóstico de NID. Uno de los procedimientos básicos durante la exploración física del paciente, es la auscultación clínica en la que el médico escucha los sonidos respiratorios con ayuda del estetoscopio en un esfuerzo por detectar la presencia de anormalidades. Debido a los cambios histológicos y fisiológicos que suceden en los pulmones con el desarrollo de NID, además del sonido respiratorio de base se producen sonidos anormales conocidos como estertores crepitantes, que pueden ser escuchados sobre la pared torácica del sujeto enfermo. La distribución en el tórax de los estertores crepitantes y el número de estertores que se escuchan, puede relacionarse con la severidad de la enfermedad. Sin embargo, a pesar de su utilidad, el estetoscopio posee ciertas desventajas técnicas que llevan al médico a un diagnóstico subjetivo de la enfermedad, basado en su habilidad y experiencia. Otros de los exámenes de rutina que se realizan para el diagnóstico de las NID son las pruebas de función respiratoria, los rayos X y la tomografía axial computarizada. No obstante, en ocasiones es necesario recurrir a la biopsia pulmonar como procedimiento definitivo en el diagnóstico y especificidad del tipo de NID. Las técnicas anteriores son útiles para evaluar la extensión y la severidad de la enfermedad para proporcionar tratamiento y seguimiento al paciente, sin embargo, el diagnóstico de las NID generalmente se realiza en etapas medias o avanzadas de la enfermedad, y el diagnóstico puede ser confuso o en el peor de los casos, erróneo. Considerando los puntos anteriores, el objetivo de la presente tesis es evaluar la información acústica multicanal a través de técnicas de procesamiento digital de señales y comprobar si es posible utilizarla como herramienta para apoyar el diagnóstico de las Neumopatías Intersticiales Difusas, con una técnica simple y no invasiva. Específicamente el trabajo se enfoca al análisis y comparación de diferentes técnicas de parametrización para caracterizar información acústica respiratoria y que en combinación con un clasificador ayude a diferenciar sonidos normales y anormales. En la literatura se reportan diversos trabajos relacionados con la clasificación de sonidos respiratorios normales y aquellos que son consecuencia de alguna anomalía respiratoria. Se han utilizado diversas técnicas de procesamiento extrayendo características de las señales en el dominio del tiempo y de la frecuencia, en uno o varios canales de forma independiente y se han evaluado diferentes algoritmos de clasificación, tales como clasificadores bayesianos y redes neuronales, sin embargo, los resultados obtenidos no son completamente satisfactorios. La presente investigación comienza con la revisión del estado del arte en cuestión de clasificación de sonidos normales y anormales, la adquisición u obtención de las señales de sonido respiratorio en sujetos sanos y pacientes con NID del Instituto Nacional de Enfermedades Respiratorias (INER). Una parte destacada de esta investigación es el uso de una técnica multicanal utilizando 25 sensores sobre la pared posterior del tórax del sujeto, lo que proporciona información acústica espacio-temporal. La formación de una base de datos con los expedientes clínicos proporcionados por el INER. Se realizó la comparación de cuatro diferentes técnicas de parametrización. Para llevar a cabo la parametrización de segmentos aproximadamente estacionarios de la señal respiratoria multicanal, se evaluaron medidas clásicas en el dominio de la frecuencia (frecuencias percentiles), así como eigenvalores de la matriz de covarianza, modelos autorregresivos monocanales y multicanales. La etapa de reconocimiento de patrones se realizó a través de una red neuronal de retropropagación utilizando el algoritmo de aprendizaje de LevenbergMarquadt. La clasificación de las características de las señales de sonido respiratorio en normales y anormales se obtuvo sobre la base de ciertos patrones definidos por el historial clínico, los exámenes clínicos y decisiones de un médico experto. Finalmente se realizó la validación general de la red neuronal simulando a la entrada vectores pertenecientes a un solo sujeto sano o enfermo y que nunca habían sido “vistos” por la red neuronal. Las técnicas de parametrización mostraron diferencias en su desempeño, sin embargo, al comparar los resultados obtenidos durante la fase de entrenamiento, prueba y validación de la red, se concluye que todas las técnicas de parametrización presentaron un buen desempeño. Los porcentajes promedio obtenidos, van desde el 78.52 en el peor de los casos, hasta el 100% de sensitividad y especificidad de la red neuronal. Sin embargo, al realizar la validación general por sujeto, utilizando vectores pertenecientes a un solo sujeto sano o enfermo, los porcentajes obtenidos varían de 53.47% hasta el 97.01% al clasificar los vectores de sujetos sanos y porcentajes de 16.69% a 98.75% para la clasificación de vectores de sujetos enfermos con NID.La red neuronal utilizada es de tipo supervisada y cada vector de características se etiquetó como normal si provenía de un registro de sujeto sano o como anormal si pertenecía a un registro de paciente con NID. Es recomendable modificar el método para etiquetar a los vectores de características ya que presenta limitaciones al establecer los patrones, principalmente para los pacientes con NID, debido a que existen segmentos de la señal de sonido respiratorio normales y anormales dentro de un mismo registro. En general, se concluye que la información acústica multicanal efectivamente proporciona información espacio-temporal que ayuda a mejorar la clasificación de sonidos normales y anormales. Según los resultados, la técnica de parametrización mediante los eigenvalores es un método útil, ya que mostró buen desempeño durante la fase de entrenamiento, sin embargo el número de vectores no clasificados es bastante grande lo que se refleja en la validación general al haber obtenido los porcentajes más bajos. Una técnica interesante es la de medidas en la frecuencia, debido a que evidentemente existen componentes en frecuencia que ayudan a discriminar sonidos normales y anormales, pero es necesario mayor cantidad de datos o sujetos para entrenar a la red y que conduzca a una mejor generalización del clasificador. La utilización modelo AR monocanal resultó consistente, con excelente desempeño durante la fase de entrenamiento, prueba y validación de la red neuronal y también durante la validación general con datos nunca antes vistos por la red. La utilización del modelo autorregresivo (AR) multicanal requirió de un gran costo computacional e hizo necesario la utilización de técnicas de reducción de la dimensionalidad, dentro de las cuales el método de análisis de componentes principales (PCA) obtuvo mejor desempeño. Los resultados obtenidos con el modelo AR multicanal en combinación con PCA son ligeramente más bajos en porcentaje que los resultados obtenidos con el modelo AR monocanal, como se verá más adelante, en la sección de resultados. Esto provoca cierta confusión, ya que se esperaba que el modelo AR multicanal proporcionará un mejor comportamiento que el AR monocanal, ya que el modelo multicanal incluye al monocanal.
Beziehungen
Beschreibungen
| Attributname | Werte |
|---|
| Creador |
|
|---|
| Mitwirkende |
|
|---|
| Tema |
|
|---|
| Editor |
|
|---|
| Idioma |
|
|---|
| Identificador |
|
|---|
| Stichwort |
|
|---|
| Año de publicación |
|
|---|
| Tipo de Recurso |
|
|---|
| Derechos |
|
|---|
| División académica |
|
|---|
| Línea académica |
|
|---|
| Licencia |
|
|---|
