Mejorar el cuidado del trauma: análisis de fotopletimografía basado en el aprendizaje automático para estimar el...

Área de la Ciencia:

• Ingeniería biomédica
• Aprendizaje automático en medicina
• Tecnología para el cuidado de traumas

Sus antecedentes:

• La hemorragia es la principal causa de muerte prevenible en el trauma.
• Los mecanismos compensatorios pueden enmascarar el shock hemorrágico, retrasando las intervenciones críticas.
• La estimación precisa de la pérdida de sangre es crucial para el manejo eficaz del trauma.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático (ML) para predecir el porcentaje estimado de pérdida de sangre (PEBL).
• Utilización de las formas de onda de la fotopletismografía no invasiva (PPG) para la estimación del PEBL.
• Ofrecer soluciones desplegables en el campo para la detección rápida de hemorragias en medicina pre-hospitalaria y de emergencia.

Principales métodos:

• Datos recogidos de la forma de onda PPG durante un estudio de hemorragia y reanimación en cerdos.
• Ajuste y optimización de varias arquitecturas de modelos de ML y longitudes de ventanas de predicción.
• Se evaluaron diferentes enfoques de normalización de datos para la formación de modelos.

Principales resultados:

• Los modelos de ML predijeron con éxito la PEBL en sujetos porcinos.
• El coeficiente de determinación obtenido es superior a 0,8 para la predicción de PEBL.
• Se ha demostrado la exactitud de la derivación de PEBL a partir de señales no invasivas de PPG.

Conclusiones:

• El PEBL se puede estimar con precisión utilizando formas de onda PPG no invasivas y ML.
• Este enfoque ofrece una herramienta prometedora para mejorar la atención del trauma y la clasificación de víctimas.
• Las soluciones no invasivas y desplegables en el campo pueden mejorar la toma de decisiones en medicina de emergencia.