Resumen
El Sistema de Autorregulación de Flujo Sanguíneo Cerebral (SAC) consiste en la habilidad que tiene el cerebro para mantener relativamente constante el Flujo Sanguíneo Cerebral (FSC), a pesar de los cambios en la Presión Sanguínea Arterial (PSA).
Medir y modelar adecuadamente este sistema es de gran importancia para diagnosticar, monitorear y tratar diversas enfermedades o alteraciones cerebro vasculares en la clínica médica como: accidentes vasculares cerebrales, arterosclerosis carótida, traumatismos craneanos, demencia vascular, hipertensión arterial y diabetes.
Actualmente existe diversos modelos del SAC, siendo los modelos dinámicos, productos de la introducción del Ultra-sonografía Doppler Transcraneal, los que han alcanzado los mayores éxitos. Una gran variedad de modelos dinámicos lineales iniciaron los primeros avances y, con la introducción de modelos no-lineal, se han logrado significativos avances en la precisión, pero aun existen problemas importantes para la implementación de aplicaciones clínica. La falta de una comprensión profunda y de modelos que permitan describir el SAC, han detenido la generación de un estándar que permita medir la autorregulación cerebral.
En este proyecto se usan modelos basados en aprendizaje para modelar señales de la hemodinámica cerebral, que permiten medir el funcionamiento del SAC bajo diferentes condiciones. Los principales resultados muestran que una herramienta adecuada para modelar el sistema es la utilización de modelos de aprendizaje estadístico, como las Maquinas de Vectores de Soporte (SVM), los cuales entregan mejores resultados que otras modelos, como las Redes Neuronales o modelos lineales. Para realizar los experimentos se analizaron señales de la hemodinámica cerebral bajo diferentes condiciones, como el reposo, aspiración de CO₂ y condiciones alteradas, como traumatismo craneal grave. El uso de SVM permite probar que existe una gran variedad de situaciones donde se requieren modelos no lineales para representar adecuadamente el sistema. La hipótesis principal fue probada, al constatar que la mejor manera de evaluar el sistema, consiste en dividir el problema obteniendo, en primera instancia, un modelo que represente el sistema en su complejidad y, luego, un sistema de medida que evalúe el modelo que representa al sujeto. De esta manera, es posible disminuir la variabilidad existente en los sistemas de medida actuales, independiente de las condiciones a los que se encuentre sometido el sistema. Además de lo anterior, los sistemas basados en aprendizaje han permitido estimar otras variables que son muy difíciles de obtener de forma no invasiva como, por ejemplo, la presión intracraneana.
