ES3033144T3 - Method for creating a predictive model for predicting glaucoma risk in a subject, method for determining glaucoma risk in a subject using such predictive model, device for predicting glaucoma risk in a subject, computer program and computer readable medium - Google Patents

Abstract

La invención se refiere a un método (100) para crear un modelo predictivo de riesgo de glaucoma en un sujeto. El método comprende: crear un modelo de diagnóstico que comprende, para cada sujeto: registrar (s101a) un perfil de 24 horas de los parámetros del globo ocular; dividir (s102a) el perfil registrado de 24 horas de los parámetros del globo ocular al menos en subperiodos: un subperiodo inicial (INICIO TP1); un subperiodo anterior a la adopción de una posición horizontal para dormir (TP1 - SUEÑO); un subperiodo posterior a la adopción de una posición horizontal para dormir (SUEÑO - TP2); un subperiodo anterior a la adopción de una posición vertical después de dormir (TP2 - DESPERTAR); un subperiodo posterior a la adopción de una posición vertical después de dormir (DESPERTAR - TP3) y un subperiodo final (TP3 - FIN); determinar (s103a), en cada subperiodo, características que describen a un sujeto en forma de al menos un atributo de agregación; crear (s104) un registro que contiene las características determinadas que describen a un sujeto. asignar (s105) una etiqueta que indica un diagnóstico (enfermo/sano) realizado por un médico al registro creado. Además, el método incluye la creación de un modelo predictivo a partir de un conjunto de registros generados para varios sujetos, utilizando mecanismos de aprendizaje automático supervisado basados en uno o más algoritmos seleccionados entre algoritmos de regresión, árboles de decisión, algoritmos bayesianos, algoritmos de conjunto y algoritmos basados en vectores de soporte. La invención se refiere a un método para determinar el riesgo de glaucoma en un sujeto. El método comprende la creación, para el paciente que se va a examinar, de un registro con el mismo conjunto de características que el creado en la etapa (s104) del método (100) para la creación de un modelo predictivo y la asignación del sujeto a un grupo de sujetos enfermos o sanos con una probabilidad determinada utilizando el modelo predictivo generado según dicho método. La invención se refiere a un dispositivo para la predicción de glaucoma en un sujeto, que comprende medios para ejecutar los métodos de la invención, y a un programa informático que comprende un código para ejecutar los pasos del método de la invención y a un soporte informático donde se almacena dicho programa. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Método para crear un modelo predictivo para predecir el riesgo de glaucoma en un sujeto, método para determinar el riesgo de glaucoma en un sujeto usando dicho modelo predictivo, dispositivo para predecir el riesgo de glaucoma en un sujeto, programa informático y medio legible por ordenador

Campo

La presente invención se refiere a un método para crear un modelo predictivo para predecir el riesgo de glaucoma en un sujeto, un método para determinar el riesgo de glaucoma en un sujeto usando dicho modelo predictivo, un dispositivo para predecir el riesgo de glaucoma en un sujeto para realizar dichos métodos, un programa informático y un medio legible por ordenador. En particular, la invención se refiere a crear y usar el modelo predictivo para predecir el glaucoma en un sujeto que se basa en características específicas determinadas a partir del biorritmo de un globo ocular, usando métodos de inteligencia artificial y aprendizaje automático.

Antecedentes de la invención

El glaucoma es una neuropatía óptica progresiva que es la causa más frecuente de pérdida irreversible de visión en el mundo. Su patomecanismo está asociado a un cambio en el fenotipo de la lámina cribosa bajo la influencia de fuerzas mecánicas excesivas, lo que conduce a la privación neurotrófica y al posterior proceso acelerado de apoptosis de las células ganglionares de la retina. La pérdida de células ganglionares de la retina provoca la interrupción de la continuidad funcional de la vía visual, lo que conduce al desarrollo de defectos específicos, en función de la arquitectura de la retina y del nervio óptico en el campo visual. Estos defectos aparecen clínicamente cuando se pierde al menos entre el 30 y el 50 % de las células ganglionares de una zona determinada de la retina.

La presión intraocular elevada es el factor de riesgo conocido más importante para el desarrollo de la neuropatía óptica glaucomatosa (especificidad 0,85 / sensibilidad 0,3 / AUC 0,6), y su reducción es la única forma clínicamente probada de reducir el riesgo de su progresión. La práctica moderna en el campo del diagnóstico del glaucoma o de su evaluación del riesgo que se basa principal o exclusivamente en la evaluación de la elevación de la presión intraocular en casos extremos puede dar lugar a un diagnóstico erróneo y a graves consecuencias para el sujeto, especialmente en casos de presencia de glaucoma a pesar de una presión intraocular normal. Además, la presión intraocular elevada puede tener diversos motivos, lo que dificulta aún más un diagnóstico correcto. Con el fin de proporcionar un diagnóstico más eficaz, además de la prueba de presión intraocular, también pueden usarse otros métodos para evaluar el riesgo de glaucoma, tales como, por ejemplo, examen del fondo de ojo, examen del campo visual o tomografía óptica. Sin embargo, realizar varias pruebas es incómodo para el sujeto, requiere mucho tiempo, y la evaluación final del estado de salud del sujeto exige tener en cuenta muchos factores, por lo que es complicada y propensa a errores.

En vista de lo anterior, existe la necesidad en la técnica anterior de desarrollar un método más eficaz y fiable para determinar el riesgo de glaucoma que permita simplificar el proceso de examen del sujeto y proporcione un diagnóstico rápido y fiable.

Por consiguiente, es objeto de la presente invención proporcionar un método y un dispositivo adecuados para predecir el riesgo de glaucoma en un sujeto que mitiguen al menos el uno o más problemas anteriormente mencionados en la técnica anterior.

El documento Wasilewicz RH, Wasilewicz PK, Mazurek C,et al."Daily biorhythms of ocular volume changes and the cardiovascular system functional parameters in healthy, ocular hypertension, normal tension and primary open angle glaucoma populations", resumen de la reunión anual de ARVO, abril de 2014, describe las relaciones entre los parámetros del biorritmo del globo ocular y los parámetros del sistema cardiovascular en intervalos individuales del período de 24 horas.

El documento Martin Keith R et al: "Use of Machine Learning on Contact Lens Sensor-Derived Parameters for the Diagnosis of Primary Open-angle Glaucoma", American Journal of Ophthalmology, Elsevier, Ámsterdam, Países Bajos, vol. 194, 25 de julio de 2018 (2018-07-25), páginas 46-53, XP085491561, ISNN: 0002-9394, DOI: 10.1016/J.AJO.2018.07.005, se refiere a un desarrollo y evaluación de una prueba diagnóstica con aprendizaje automático para verificar que los perfiles de 24 horas de cambios de volumen ocular basados en sensores de lentes de contacto (CLS) contienen información complementaria a la presión intraocular (PIO) para discriminar entre glaucoma primario de ángulo abierto (GPAA) y ojos sanos (H).

El documento Gisler Christophe et al: "Towards glaucoma detection using intraocular pressure monitoring", 2014, 6.a Conferencia Internacional de Soft Computing y Reconocimiento de Patrones (SoCPaR), IEEE 11 de agosto de 2014 (2014-08-11), páginas 255-260, XP032720311, DOl: 10.1109/SOCPAR.2014.7008015, presenta las metodologías, algoritmos de procesamiento de señales y de aprendizaje automático elaborados en la tarea de detección automatizada de perfiles glaucomatosos relacionados con la PIO dentro de un conjunto de 100 registros de 24 horas.

El punto de partida para el desarrollo de la presente invención fue el desarrollo por los inventores de un método para determinar rasgos característicos en los parámetros del biorritmo del globo ocular, características que demostraron ser útiles para predecir el glaucoma. Las características determinadas permitieron crear un modelo predictivo que, basándose en las características antes mencionadas determinadas para un grupo suficientemente grande de sujetos examinados y diagnosticados, es capaz de clasificar a un sujeto examinado como sano/enfermo con una probabilidad determinada basándose en un conjunto de características análogas. Dicha indicación basada en diagnósticos anteriores para sujetos en los que se han determinado características idénticas puede ser muy útil para la evaluación inicial del riesgo de glaucoma y puede ayudar a los médicos a realizar un diagnóstico y a proponer un mejor método de tratamiento. Además, el método desarrollado puede basarse en un conjunto de características ampliado que incluye, entre otras cosas, correlaciones entre los parámetros del globo ocular y los parámetros del sistema cardiovascular, edad del sujeto, factor de resistencia corneal e histéresis corneal.

Sumario de la invención

Según la invención, se proporciona un método para crear un modelo predictivo para predecir el riesgo de glaucoma en un sujeto de acuerdo con la reivindicación 1, un método para determinar el riesgo de glaucoma en un sujeto usando el modelo predictivo de acuerdo con la reivindicación 11, un dispositivo para predecir el riesgo de glaucoma en un sujeto de acuerdo con la reivindicación 12, y un programa informático y un medio legible por ordenador de acuerdo con las reivindicaciones 14 y 15, respectivamente.

El método para crear un modelo predictivo para predecir el riesgo de glaucoma en un sujeto de acuerdo con la invención incluye un paso de creación de un modelo de diagnóstico que comprende, para cada uno de una pluralidad de sujetos:

a) registrar un perfil de 24 horas de parámetros del globo ocular y registrar simultáneamente parámetros del sistema cardiovascular;

b) dividir el perfil de 24 horas registrado de los parámetros del globo ocular al menos en subperíodos: un subperíodo inicial desde el inicio de la sesión hasta 5 horas antes de adoptar una posición horizontal para dormir; un subperíodo anterior a la adopción de una posición horizontal para dormir comprendido entre 5 horas antes de la adopción de una posición horizontal y la adopción de una posición horizontal para dormir; un subperíodo posterior a la adopción de una posición horizontal para dormir comprendido entre la adopción de una posición horizontal para dormir y la adopción de una posición horizontal para dormir 2 horas; un subperíodo que precede a la adopción de una posición vertical después de dormir, desde la adopción de una posición horizontal para dormir 2 horas hasta la adopción de una posición vertical después de dormir; un subperíodo posterior a la adopción de una posición vertical después de dormir, desde la adopción de una posición vertical después de dormir hasta la adopción de una posición vertical después de dormir 2 horas; un subperíodo final desde la adopción de una posición vertical después de dormir 2 horas hasta el final de la sesión;

c) determinar, en cada subperíodo, características que describen a un único sujeto en forma de al menos un atributo de agregación y calcular correlaciones entre los parámetros del globo ocular y los parámetros del sistema cardiovascular;

d) crear un registro que contiene las características determinadas que describen a un único sujeto y los parámetros de correlación calculados;

e) asignar al registro creado una etiqueta que indique un diagnóstico (enfermo/sano) realizado por un médico.

Además, dicho método de acuerdo con la invención incluye un paso de creación de un modelo predictivo, basado en un conjunto de registros creados para la pluralidad de sujetos, usando mecanismos de aprendizaje automático supervisado basados en uno o más algoritmos seleccionados al menos entre los algoritmos de regresión, árboles de decisión, algoritmos bayesianos, algoritmos por conjuntos y algoritmos basados en vectores de soporte. El modelo predictivo recibe un registro de un paciente que debe ser examinado, el registro que contiene el mismo conjunto de características que el creado en el paso d), y emite la probabilidad de que dicho registro pertenezca a un grupo de sujetos sanos o a un grupo de sujetos enfermos.

En una realización preferida del método, el modelo predictivo se crea usando validación cruzada de 10 veces.

En otra realización preferida del método, los atributos de agregación se seleccionan de un grupo que incluye: una suma del área bajo la curva en un subperíodo, el ángulo de pendiente de una línea de regresión lineal en un subperíodo, la variación total en un subperíodo, valores representativos de la transformada discreta de Fourier en un subperíodo.

En otra realización preferida más del método, los parámetros del globo ocular se seleccionan de un grupo que incluye: la circunferencia en el limbo esclerocorneal de un globo ocular y la presión intraocular.

En otra realización preferida más del método, los parámetros del sistema cardiovascular se seleccionan de un grupo que incluye: presión arterial (PA): presión arterial sistólica (PAS), presión arterial diastólica (PAD), presión arterial media (PAM), frecuencia cardíaca (FC), saturación de oxígeno en sangre (SpO2) y fracción de gasto cardíaco calculada según la fórmula: CO = [(PAS-PAD)/PAS PAD)] x FC.

En otra realización preferida más del método, una o más características adicionales seleccionadas de un grupo que incluye: la edad del sujeto, el factor de resistencia corneal y la histéresis corneal se determinan y se adjuntan al registro que describe a un único sujeto creado en el paso de creación de un registro.

En otra realización preferida más del método, el registro que describe a un único sujeto se limita a un subconjunto seleccionado de todas las características determinadas.

En otra realización preferida más del método, los subperíodos determinados incluyen, además, un subperíodo desde el inicio de la sesión hasta la adopción de una posición horizontal para dormir y/o un subperíodo desde la adopción de una posición horizontal para dormir hasta la adopción de una posición vertical después de dormir y/o un subperíodo desde la adopción de una posición horizontal a las 14:00 hasta la adopción de una posición vertical a las 15:30 con consciencia sostenida.

Un método para determinar el riesgo de glaucoma en un sujeto de acuerdo con la invención incluye: crear, para examinar a un paciente, un registro que contiene el mismo conjunto de características que el creado en el paso de creación de un registro del método para crear un modelo predictivo divulgado anteriormente, y determinar la similitud de las características del sujeto con un grupo de sujetos enfermos o sanos con una probabilidad determinada utilizando el modelo predictivo creado según el método para crear un modelo predictivo divulgado anteriormente.

Un dispositivo para predecir el glaucoma en un sujeto, de acuerdo con la invención, comprende medios para registrar los parámetros del globo ocular; medios para registrar los parámetros del sistema cardiovascular; un circuito de control que tiene una conexión de comunicación con ambos medios de registro, y que comprende: un procesador; una memoria acoplada operativamente al procesador, que contiene instrucciones que, cuando son ejecutadas por el procesador, implementan el método definido anteriormente basándose en los datos proporcionados por los medios para el registro; y un dispositivo de salida para presentar resultados que tienen una conexión de comunicación con el circuito de control.

En una realización preferida del dispositivo, los medios para registrar los parámetros del globo ocular, los medios para registrar los parámetros del sistema cardiovascular y/o el dispositivo de salida están dispuestos en un lugar remoto con respecto al circuito de control, y las conexiones de comunicación son conexiones de red de comunicación.

La invención también se refiere a un programa informático que comprende un código de programa que, cuando es ejecutado por un procesador, hace que el procesador ejecute los pasos del método de acuerdo con la invención y a un medio legible por ordenador en el que se almacena el programa informático.

Las soluciones proporcionadas de acuerdo con la invención encuentran aplicación en un sistema inteligente de apoyo a la toma de decisiones médicas que permite una evaluación ultratemprana del riesgo de neuropatía glaucomatosa y la descripción de sus factores en la población de personas en observación por glaucoma, sujetos con antecedentes familiares positivos e hipertensión ocular. Como resultado, es posible personalizar los métodos de terapia local y sistémica en sujetos glaucomatosos con una indicación de los factores de riesgo individuales para la progresión de la enfermedad.

Otras características y ventajas de la presente invención se pondrán de manifiesto tras la lectura de la descripción que se presenta a continuación en relación con el dibujo adjunto, donde

la Fig. 1 muestra un diagrama de bloques esquemático que ilustra los pasos sucesivos de un método para crear un modelo predictivo de acuerdo con la invención.

La Fig. 2 muestra un ejemplo de perfil de variación de 24 horas de una circunferencia de globo ocular en el limbo esclerocorneal.

La Fig. 3 muestra un ejemplo de perfil de variación de 24 horas de la presión intraocular.

La Fig. 4 muestra un ejemplo de perfil de variación de 24 horas de los parámetros funcionales del sistema cardiovascular.

La Fig. 5 muestra un ejemplo de perfil de variación de 24 horas de una circunferencia de globo ocular en el limbo esclerocorneal.

La Fig. 6 muestra una relación de presión/amplitud de señal en función del tiempo utilizando el analizador de respuesta ocular.

La Fig. 7 muestra un diagrama de bloques esquemático de un ejemplo de dispositivo para predecir el riesgo de glaucoma en un sujeto.

Descripción detallada de realizaciones de la invención

A continuación, se describen las realizaciones preferidas. Los detalles de realizaciones particulares del método se aplican al mismo tiempo, en el ámbito correspondiente, en realizaciones del dispositivo. Por consiguiente, se omitirá la descripción repetida.

La solución en cuestión se basa principalmente en el procesamiento y análisis de datos procedentes de mediciones diarias del biorritmo del globo ocular y, opcionalmente, a partir de mediciones diarias de los parámetros del sistema cardiovascular. Además, características permanentes del paciente, tales como la edad, el factor de resistencia corneal o la histéresis corneal pueden utilizarse como variante, lo cual se describirá con más detalle a continuación.

Para realizar el proceso analítico, es necesario construir un modelo predictivo que se utilizará para determinar un estado de salud previsto de un sujeto junto con la probabilidad de exactitud de la evaluación. En la práctica, esto será una indicación para el médico de que una persona clasificada como enferma tiene parámetros similares a los de las personas diagnosticadas con la enfermedad. No será necesariamente un indicio de que la enfermedad ya se ha producido.

Para realizar un análisis de un sujeto determinado, es necesario proporcionar datos brutos de los dispositivos de control del biorritmo del globo ocular y, opcionalmente, cambios en los parámetros cardiovasculares a lo largo de un perfil de 24 horas. La realización presentada se basa en datos de dispositivos específicos descritos a continuación.

La Fig. 1 muestra un diagrama de bloques esquemático que ilustra pasos sucesivos del método100para crear un modelo predictivo para determinar el estado de salud previsto de un sujeto. Los bloques y las flechas que describen las relaciones entre los bloques de la Fig. 1 mostrados mediante líneas discontinuas presentan una adición preferida al método descrito100, pero no son necesarias para su funcionamiento.

Para crear un modelo predictivo, es necesario reunir un conjunto de datos suficientemente amplio que describa un grupo diverso de sujetos. Los pasos sucesivoss101a,s102a,s103a,s104ys105del método100descrito a continuación, de forma similar a los pasos opcionaless101b,s103bys103c, se realizan de forma análoga, por lo tanto, para cada uno de una pluralidad de sujetos con el fin de proporcionar los denominados datos de entrenamiento.

En el pasos101ase recodifica un perfil de 24 horas de los parámetros del globo ocular. En este punto, se señala que, como parámetros del globo ocular, deben entenderse todos los parámetros que describen características de un globo ocular, tales como, p. ej., la circunferencia en el limbo esclerocorneal de un globo ocular, la presión intraocular (PIO) y parámetros similares que describen la variación del biorritmo de un globo ocular, pero estos son solo ejemplos no limitativos. El experto en la materia observará otros parámetros relevantes del globo ocular que no se mencionan específicamente aquí. Todos los parámetros enumerados anteriormente son valores que son variables tanto individualmente como en función del tiempo. Las secuencias de datos resultantes del registro de los parámetros anteriores en función del tiempo para el período de 24 horas también se denominan biorritmos en la presente divulgación.

En el paso opcionals101b, simultáneamente con el pasos101a, se registra un perfil de 24 horas de los parámetros del sistema cardiovascular. En este punto, se observa que, como parámetros del sistema cardiovascular, deben entenderse todos los parámetros que describen el sistema cardiovascular, tales como, p. ej., la presión arterial (PA): presión arterial sistólica (PAS), presión arterial diastólica (PAD), presión arterial media (PAM), frecuencia cardíaca (FC), saturación de oxígeno en sangre (SpO2) y fracción de gasto cardíaco calculada según la fórmula: CO = [(PAS-PAD)/PAS+ PAD)] x FC, pero estos son solo ejemplos no limitativos. El experto en la materia observará otros parámetros relevantes del sistema cardiovascular que no se mencionan específicamente aquí. Todos los parámetros enumerados anteriormente son valores que son variables tanto individualmente como en función del tiempo. Las secuencias de datos resultantes del registro de los parámetros anteriores en función del tiempo para el período de 24 horas también se denominan biorritmos en la presente divulgación.

Para el registro de los biorritmos anteriormente mencionados, se puede usar cualquier sistema disponible en el mercado, tal como, p. ej., Triggerfish, PMCL, sistemas Somnotouch NIBP y similares, sin embargo, la invención no se limita a ellos y se puede usar cualquier otro dispositivo y sistema desarrollado en el futuro y/o que tenga una función similar, siempre que puedan proporcionar las secuencias de datos necesarias, tanto a intervalos como en modo continuo.

Las figuras 2-4 muestran ejemplos de diagramas de parámetros seleccionados en función del tiempo que pueden usarse en la presente invención y pueden ser útiles para comprender los principios de la presente invención.

La Fig. 2 muestra un ejemplo de perfil de variación de 24 horas de la circunferencia en el limbo esclerocorneal de un globo ocular obtenido por medio del sistema T riggerfish (Sensimed AG, Suiza) que puede usarse en la presente invención. En este sistema, los datos se registran con una frecuencia de 10 Hz cada 5 minutos en una ventana de medición de 30 segundos. La unidad de datos es mV. El valor mediano de la secuencia de datos desde una ventana de medición determinada crea un punto en la línea de tiempo de 24 horas. El registro de un conjunto de estos puntos a intervalos de 5 minutos crea una curva temporal que describe un biorritmo individual de cambios dimensionales circunferenciales en el limbo esclerocorneal de un globo ocular.

La Fig. 3 muestra un ejemplo de perfil de variación de 24 horas de la presión intraocular (PIO) obtenido por medio del sistema PMCL (Sensimed AG, Suiza) que puede usarse en la presente invención. En este caso, el registro de datos es continuo con división en ventanas de medición de 180 segundos en las que los datos se registran dentro de dos subperíodos; a una frecuencia de 50 Hz durante los primeros 30 segundos y a una frecuencia de 1 Hz durante los 150 segundos restantes de la ventana de medición. La unidad de datos es mmHg. El valor mediano de la secuencia de datos desde una ventana de medición determinada crea un punto en la línea de tiempo de 24 horas. Un registro de un conjunto de estos puntos a intervalos de 3 minutos crea una curva temporal que describe un biorritmo individual de variaciones de la presión intraocular.

La Fig. 4 muestra un ejemplo de perfil de variación de 24 horas de los parámetros funcionales del sistema cardiovascular obtenidos por medio del sistema Somnotouch NIBP (Somnomedics AG, Alemania). Este sistema permite obtener un perfil de variación de 24 horas de los parámetros funcionales del sistema cardiovascular en modo continuo (latido a latido) utilizando el método PTT (tiempo de tránsito de pulso). Los parámetros funcionales descritos son: presión arterial sistólica (PAS), presión arterial diastólica (PAD), presión arterial media (PAM), frecuencia cardíaca (FC) y saturación de oxígeno en sangre (SpO2) y, además, la fracción de gasto cardíaco (CO) calculada según la fórmula: CO = [(PAS-PAD) / PAS PAD] x FC. Las unidades de datos son, respectivamente: mmHg, número de latidos del corazón por minuto, %.

Volviendo a la Fig. 1, las secuencias de datos para los parámetros obtenidos en los pasoss101ays101bse someten a continuación a un preprocesamiento para darles la forma deseada adaptada para su procesamiento posterior. En el caso del registro simultáneo de parámetros del globo ocular y del sistema cardiovascular, puede ser necesario sincronizar los datos registrados y proporcionar una forma compatible para ambas secuencias. Esto es especialmente importante en el caso de datos procedentes de sistemas diferentes, es decir, registrados en diferentes modos (p. ej., continuo/discreto) y/o registrados de manera diferente, p. ej., a diferentes frecuencias o en diferentes puntos temporales. Como resultado, en una línea de tiempo se obtienen conjuntos de parámetros que se corresponden entre sí en el tiempo, parámetros que describen el biorritmo del globo ocular por un lado y del sistema cardiovascular por otro. Tal disposición de los datos permite, entre otras cosas, el cálculo de la correlación de los datos de ambos perfiles en puntos temporales definidos, correlación que se utilizará en las fases posteriores. En la realización presentada, los datos registrados se someten a un procesamiento preliminar, de tal manera que los valores de los parámetros se obtienen en puntos temporales que son minutos completos, para que los parámetros correlacionados sean los valores medios de los parámetros leídos desde los dispositivos en un minuto determinado. Sin embargo, la invención no se limita a esta realización y puede seleccionarse cualquier punto temporal adecuado, p. ej., con un incremento de 30 segundos, 2 minutos, 5 minutos, etc. Puede utilizarse cualquier técnica conocida para determinar los valores de los parámetros individuales en los puntos temporales requeridos que tengan en cuenta los valores adyacentes y/o cercanos, p. ej., cálculo de la mediana, aproximación, interpolación, etc.

En el pasos102a, los parámetros del globo ocular preprocesados se asignan a subperíodos característicos en los que será posible determinar las características utilizadas para construir el modelo predictivo. En el caso de que también se registren los parámetros del sistema cardiovascular en el pasos101b, ambos perfiles sincronizados de los pasoss101ays10lbse dividen en dichos subperíodos idénticos. La Fig. 5 muestra un ejemplo de división en subperíodos para una descripción de 24 horas de la variabilidad de la circunferencia de un globo ocular en el limbo esclerocorneal, en donde también se produce una división idéntica de forma análoga para los parámetros del sistema cardiovascular (no mostrados).

En la realización presentada, se determinaron 9 subperíodos originales de análisis comparativo de datos basados en el análisis comparativo de los biorritmos de los cambios dimensionales circunferenciales en el limbo esclerocorneal de un globo ocular, la presión intraocular y la amplitud del pulso ocular, y la correspondiente especificidad del comportamiento humano asociado al ritmo circadiano. Los subperíodos individuales definidos por puntos temporales de límite particularesSTART,TP1,SLEEP,TP2,WAKE,TP3,ENDse caracterizan brevemente a continuación:

- De "inicio de sesión" a "5 horas antes de adoptar una posición horizontal para dormir":START - TP1Este subperíodo describe las relaciones entre los sistemas durante la actividad diaria (posición vertical) de una persona determinada en el tiempo cuando se producen patrones específicos de cambio de volumen / PIO del globo ocular, provocados principalmente por la variabilidad de los parámetros del sistema cardiovascular resultante de los tipos de comportamiento individuales específicos de una persona determinada.

- De "5 horas antes de adoptar una posición horizontal para dormir" a "adoptar una posición horizontal para dormir":TP1- SLEEP

Este subperíodo describe las relaciones entre los sistemas durante la actividad diaria de una persona determinada (posición vertical), en el tiempo, cuando se producen cambios específicos en el sistema endocrino humano que influyen en el volumen / PIO del globo ocular y en el sistema cardiovascular - De "adoptar una posición horizontal para dormir" a "adoptar una posición horizontal para dormir 2 horas":SLEEP - TP2

Este subperíodo describe las relaciones entre los sistemas durante las primeras horas de sueño (posición horizontal) de una persona determinada en el tiempo cuando se producen cambios dinámicos continuos de volumen / PIO del globo ocular y cambios en los parámetros del sistema cardiovascular resultantes del cambio de posición del cuerpo de vertical a horizontal, el sueño y los cambios que lo acompañan en el sistema endocrino humano.

- De "adoptar una posición horizontal para dormir 2 horas" a "adoptar una posición vertical después de dormir":TP2 - WAKE

Este subperíodo describe las relaciones entre los sistemas durante el sueño (posición horizontal) de una persona determinada en las que los patrones de cambio de volumen / PIO del globo ocular se asocian a la posición horizontal fija del cuerpo y a ella se asocian los cambios en los parámetros del sistema cardiovascular, trastornos de la saturación sanguínea y apnea del sueño.

- De "adoptar una posición vertical después de dormir" a, adoptar una posición vertical después de dormir 2 horas":WAKE - TP3

Este subperíodo describe las relaciones entre los sistemas durante las primeras horas de actividad diaria (posición vertical) de una persona determinada en el tiempo, cuando se producen cambios dinámicos continuos en el volumen del globo ocular y en los parámetros del sistema cardiovascular, como resultado del cambio de posición del cuerpo de horizontal a vertical, desde los cambios en el sistema endocrino humano y desde el comportamiento patognomónico de los vasos epiesclerales del globo ocular como resultado de su interacción con el sensor de los sistemas de evaluación de cambios del volumen / PIO del globo ocular en forma de lente de contacto.

- Desde "adoptar una posición vertical después de dormir 2 horas" hasta el final de la sesión:TP3- ENDEste subperíodo describe las relaciones entre los sistemas durante la actividad diaria (posición vertical) de una persona determinada en el tiempo cuando se producen patrones específicos de cambio de volumen / PIO del globo ocular, a causa principalmente de la variabilidad de los parámetros del sistema cardiovascular como resultado de los tipos de comportamiento individuales específicos de una persona determinada. - Desde "inicio de sesión" hasta "adoptar una posición horizontal para dormir":START - SLEEP

Este subperíodo describe las relaciones entre los sistemas durante la actividad diaria de una persona determinada.

- Desde "adoptar una posición horizontal para dormir" hasta "adoptar una posición vertical después de dormir":SLEEP -WAKE

Este subperíodo describe las relaciones entre los sistemas durante el sueño de una persona determinada. - Desde "adoptar una posición horizontal a las 14:00" hasta "adoptar una posición vertical a las 15:30" con consciencia sostenida (tumbado sin dormir):TIME 14:00 - TIME 15:30

Este subperíodo describe las relaciones entre los sistemas durante la actividad diaria de una persona determinada tras adoptar una posición horizontal-prueba funcional.

Aunque en la presente realización se usan 9 subperíodos que resultaron ser ventajosos para la implementación de la invención, el experto en la materia observará que la división presentada es solo un ejemplo y que pueden utilizarse más o menos subperíodos, y que pueden seleccionarse otros puntos temporales en un perfil de 24 horas que definirán los límites de subperíodos particulares que sean específicos para determinadas condiciones del paciente, sin alejarse del alcance de la invención.

En el pasos103a, para cada uno de una pluralidad de sujetos, basándose en los datos procesados del perfil de parámetros del globo ocular y dentro de los subperíodos determinados, se determinan características en forma de parámetros de agregación que se utilizan para crear un modelo de diagnóstico. Como se ha mencionado anteriormente, para ello, debe reunirse y usarse un conjunto de datos suficientemente amplio que describa un grupo diverso de sujetos.

El proceso de determinación (extracción) de características consiste en determinar un conjunto limitado de características que puedan utilizarse para construir un modelo de diagnóstico utilizando métodos de aprendizaje automático. Esto se refiere a la especificidad de la tecnología de aprendizaje automático, que permite crear modelos eficaces suponiendo que el número de características sea mucho menor que el número de casos en los que se basa la creación del modelo. El cálculo de la mediana descrito anteriormente también reduce la dimensionalidad del espacio de características, pero la determinación de los parámetros de agregación en el contexto de determinados subperíodos reviste una importancia primordial. Los parámetros de agregación o atributos de agregación utilizados en la presente divulgación deben entenderse como parámetros determinados sobre la base de los valores de medición recogidos (agregados) en un subperíodo dado. En la realización descrita, el proceso anterior se llevó a cabo en plena consulta con un experto en la materia que, basándose en el conocimiento de los procesos fisiológicos descritos por los datos, pudo señalar los elementos característicos del perfil diario del valor del parámetro del biorritmo del globo ocular (en lo sucesivo también denominado TF). Como resultado de estas acciones, se determinaron las características descritas a continuación, que en la realización descrita de la invención se utilizaron posteriormente para crear modelos estadísticos que minimizan el gradiente de error de clasificación mediante modelos de boosting y regresión logística:

a) Suma del área bajo la curva TF en un subperíodo

Esta suma se calcula suponiendo un nivel de TF constante entre los sucesivos valores/mediciones registrados (curva escalonada) en un subperíodo. Para el subperíodo seleccionado (p. ej., TP1-SLEEP) T = {t<o>,t<i>,...,t<n>} se almacenan las mediciones de TF {tf<0>,tf<1>,...,tf<n>}. La suma del área bajo la curva TF es igual a la suma de los rectángulos de las mediciones individuales, es decir,

<S>ST<—>—<y>L<í>i<=>=0<n-l_>bi’

donde s<i>= (t<i+i>- t<i>) t f<i>

b) Ángulo de pendiente de una línea de regresión lineal en un subperíodo

El ángulo de inclinación de una línea de regresión lineal para las mediciones de TF en un subperíodo se calcula por el método de los mínimos cuadrados. Se supone un tiempo inicial t<o>=0 para cada uno del subperíodo. Se registra el coeficiente direccional original de la línea o el valor del ángulo en radianes. El método de los mínimos cuadrados determina los coeficientes p=(p<o>, p<i>) de la ecuación de la línea en el plano según la fórmula p = (X<T>X)<-1>X<T>y, para la matriz de datos de entrada X escrita con 1 en la primera posición.

c) Variación total en un subperíodo

La variación total en un subperíodo se calcula en forma de integral numérica de la segunda derivada. Por ejemplo, la variación total de TF a lo largo del período de tiempo T puede calcularse a partir de la fórmula:

VT —E jz"-1| t / ¡+1- t / ¡|

d) Valores representativos de la transformada discreta de Fourier (FFT)

La transformada discreta de Fourier se calcula mediante el método FFT a partir de los datos originales de los que se ha eliminado la tendencia lineal. Los valores representativos de FFT se determinan mediante un análisis de conglomerados que utiliza la métrica DTW (Dynamic Time Warping):

i. potencia del primer máximo local de FFT teniendo en cuenta los componentes principales (Potencia_1) ii. frecuencia del primer máximo local de FFT teniendo en cuenta los componentes principales (Hz_1)

Para el cálculo de la DFT en la presente realización de la invención, se usó el método fft del paquete stats v3.6.2 en R: (https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/fft).

La cadena {X<k>}=X<o>,X<i>,...,X<N-i>de los valores de DFT se calcula para la cadena de entrada {X<n>}=x<o>,x<i>,...,X<N-i>de acuerdo con la fórmula:

donde k = 0, i, ..., N - i

Debido a las alteraciones del perfil exacto del biorritmo del globo ocular durante el día asociadas al parpadeo del sujeto, los parámetros FFT descritos se calculan preferiblemente solo para el subperíodo TP2-WAKE (sueño).

e) Correlaciones entre los valores del biorritmo del globo ocular y los valores de los parámetros cardiovasculares en los subperíodos determinados

En la presente realización de la invención, se determinaron correlaciones entre los valores medianos de los parámetros de TF y las medianas de los parámetros individuales del sistema cardiovascular (PAS, PAD, PAM, FC, SPO2, CO) dentro de cada subperíodo. En general, el cálculo de la correlación puede realizarse utilizando modelos estadísticos generalmente conocidos y disponibles. En la presente realización, el cálculo de la correlación se realizó utilizando métodos del paquete psych v i.8 para el lenguaje R.

Los coeficientes de correlación de rangos de Spearman se calcularon mediante el método corr.test asumiendo un umbral estándar de 0,05 para el parámetro (alfa) que define el rango de intervalos de confianza. La aplicación de este método minimiza el impacto de los valores / mediciones separados (valores atípicos) en los coeficientes de correlación determinados para los parámetros analizados. Los coeficientes determinados pertenecen al intervalo [ - i , i ] cuyos puntos extremos corresponden a la correlación total negativa y total positiva.

El método de cálculo de las correlaciones se describe con más detalle a continuación. Para n mediciones, los vectores originales X,Yde longitud n se convierten en vectores de rangoX rg,Y g. En el caso más sencillo, en el que no hay mediciones idénticas, se puede suponer que los vectores de rango son índices de vectores originales ordenados / clasificados. En el caso de repeticiones de determinados valores, se utiliza un procedimiento de asignación de rangos racionales que resuelve la ambigüedad de la clasificación.

rho = C ov^g, yg)/(a( x rg) a( yg)),

donde rho - coeficiente de correlación de Spearman, Cov - rango de covarianza del vector, a - desviación estándar del vector de rango.

El coeficiente rho es igual a ±1 cuando la relación entre X,Yes una función monótona. En el caso de la correlación de Pearson, el coeficiente correspondiente es igual a ±1 cuando la relación entre X,Yes una función lineal. El signo de correlación especifica el tipo de relación entre X,Y-es positiva para una función creciente y negativa para una función decreciente.

El proceso termina con la devolución de un resultado en forma numérica y, posiblemente, en forma gráfica, tal como un mapa de calor. Al generar un mapa de calor, los resultados de correlaciones similares se agrupan adicionalmente (clustering) para reunir visualmente a los sujetos en grupos con características similares. El mapa de calor puede ser útil para el médico a la hora de hacer un diagnóstico, pero no es necesario para el funcionamiento de las soluciones de acuerdo con la invención. A continuación se presenta una tabla que muestra los valores numéricos de correlación entre los parámetros del sistema cardiovascular (mediana_PAD, mediana_FC, mediana_PAS, mediana_PAM, mediana_SpO2, mediana_CO) y los parámetros del biorritmo del globo ocular (TF) para el subperíodo SLEEP-WAKE.

Tabla 1. Valores numéricos de la correlación entre los parámetros del sistema cardiovascular y los parámetros

-

continuación

Como se mencionó al principio, a la hora de crear un modelo predictivo, en el pasos103cpueden considerarse opcionalmente parámetros adicionales, tales como la edad del sujeto, la histéresis corneal y el factor de resistencia corneal descritos más adelante con referencia a la Fig. 6, que muestra una relación de presión/amplitud de señal en función del tiempo utilizando el analizador de respuesta ocular.

a) Edad del sujeto - un parámetro que especifica la edad del sujeto en el momento del diagnóstico.

b) La histéresis corneal (CH) es una mediciónin vivode las propiedades biomecánicas de la córnea y un factor de riesgo independiente para el desarrollo y la progresión de la neuropatía del glaucoma. Su valor refleja la capacidad del tejido corneal para disipar la energía. La histéresis corneal determina si la pared del globo ocular absorbe la energía asociada a las fluctuaciones de la presión intraocular, aumentando el riesgo de reconstrucción de la lámina cribosa esclerótica y daños en el nervio óptico, o es capaz de disipar esta fuerza, protegiendo las estructuras oculares mencionadas de cargas biomecánicas excesivas. Simplemente, CH refleja la capacidad de amortiguación de la pared del globo ocular. Los ojos que son buenos amortiguadores (CH alta) tienen menos probabilidades de desarrollar neuropatía glaucomatosa y experimentan con menos frecuencia su progresión. Por el contrario, los ojos con poca amortiguación (CH baja) tienen más probabilidades de desarrollar glaucoma y es más probable que el glaucoma progrese. La CH media de la población para la mayoría de los grupos étnicos ronda los 10 mmHg.

La histéresis corneal es un valor numérico que se genera automáticamente al realizar una medición con el ORA (analizador de respuesta ocular) de Reichert. Este dispositivo funciona de forma muy parecida a un tonómetro sin contacto. Se suministra un soplo dosificado de aire a la córnea, aplanándolo en una configuración de aplanamiento (aplanamiento máximo). A continuación, el soplo de aire continúa deformando la córnea más allá de este punto, dando lugar a una configuración corneal cóncava transitoria. A medida que disminuye la presión del soplo de aire, la córnea vuelve a su configuración normal, pasando de la configuración cóncava, a través de la posición de aplanamiento (aplanamiento máximo) hasta la configuración convexa. La presión del soplo de aire en el punto del primer y el segundo aplanamiento es diferente (siendo menor durante el segundo), ya que la naturaleza viscoelástica de la córnea disipa parte de la energía. La diferencia de la PIO en cada uno de estos dos puntos de aplanamiento se define como la histéresis corneal. Si la córnea fuera perfectamente elástica y no amortiguara parte de la energía, los dos puntos de aplanamiento se producirían al mismo nivel de PIO.

c) Factor de resistencia corneal (FRC)

El FRC se deriva de la fórmula (P1-kP2) donde k es la constante determinada a partir de un análisis empírico de la relación entre P1 (primera presión de aplanamiento), P2 (segunda presión de aplanamiento) y CCT (espesor corneal central). El FRC describe la resistencia de la córnea: sus propiedades elásticas. Se cree que el FRC representa la elasticidad de la córnea, con correlaciones más fuertes con la PIO y el CCT en comparación con la CH.

Basándose en un conjunto de datos relativos a sujetos que fueron diagnosticados, se crea un modelo predictivo. Para ello se crea un registro en el pasos104para cada uno de los pacientes diagnosticados, conteniendo el registro las características determinadas en el pasos103a, así como, opcionalmente, las características determinadas en los pasoss103dy/os103c.

Cuando sea apropiado, se puede seleccionar un subconjunto específico de entre todas las características determinadas para usarlo en los pasos posteriores del método. El hecho de extraer características que desde el punto de vista del modelo creado pueden contribuir a aumentar su eficacia, puede producirse como resultado de probar varias combinaciones de características. En este caso, se tiene en cuenta la importancia de las características que afectan al resultado en una iteración determinada. Más adelante en esta divulgación se indican y describen ejemplos de técnicas y/o métricas para evaluar la eficacia de los modelos creados sobre la base de diversas combinaciones de características.

A continuación se presenta un ejemplo de registro creado para la realización descrita, que también utiliza características opcionales adicionales. Además, para una mejor comprensión del registro, la columna central "descripción de la característica" contiene la explicación de parámetros concretos, pero esta columna no forma parte del registro creado.

continuación

continuación

En el paso s105 se asigna a cada registro (es decir, un conjunto de características que describen a un único sujeto) una etiqueta que indica un diagnóstico realizado por un especialista médico (enfermo/sano). Como resultado de reunir muchos de esos registros creados análogamente para cada uno de los muchos sujetos examinados, se obtiene un conjunto de aprendizaje que es utilizado por los métodos de aprendizaje automático supervisado para construir un modelo predictivo. En la realización descrita, el conjunto de aprendizaje se creó a partir de 120 registros creados para cada uno de los 120 sujetos, que fueron examinados y diagnosticados adecuadamente por un médico especialista.

El modelo predictivo se crea en el pasos106utilizando mecanismos de aprendizaje automático supervisado. El término mecanismos de aprendizaje automático supervisado utilizado en esta descripción debe entenderse como uno o más algoritmos, tales como los algoritmos de regresión, p. ej., modelo lineal generalizado (MLG), algoritmos de árboles de decisión), algoritmos bayesianos, p. ej., Naive Bayes, algoritmos por conjuntos, p. ej., máquina de potenciación del gradiente, algoritmos basados en vectores de soporte (SVM). No se trata de una lista exhaustiva y el experto en la materia observará también algoritmos similares que pueden usarse igualmente, aunque no se mencionan específicamente aquí. Los detalles y las reglas de funcionamiento de los algoritmos mencionados ya se han descrito ampliamente en la literatura, por lo que, en aras de la claridad, no se consideran aquí en detalle. Ejemplos de elementos de la literatura:

• Pattern Recognition and Machine Learning; Christopher Bishop; Springer 2006

• Applied Predictive Modeling; Kjell Johnson, Max Kuhn; Springer 20l3

• The Elements of Statistical Learning, 2a edición; T. Hastie, R.Tibshirani; Springer 2008

• Python Machine Learning; S.Raschka, Packt Publishing 2015

En otras palabras, la contribución más importante de la presente invención es el conjunto de características que se determina de acuerdo con los principios descritos anteriormente y que constituye el conjunto de datos de entrada. A partir de estos datos de entrada, es posible crear un modelo predictivo utilizando cualquier técnica adecuada de aprendizaje automático supervisado, ejemplos de los cuales se indican más arriba. La selección de los algoritmos apropiados es, por lo tanto, de naturaleza secundaria y puede llevarse a cabo de muchas maneras diferentes y en diversas combinaciones obvias para los expertos en la materia.

En la realización descrita, para crear un modelo predictivo, se seleccionaron y usaron dos algoritmos de la lista no limitativa de algoritmos de aprendizaje automático supervisado mencionada anteriormente: modelo lineal generalizado (GLM) y máquina de potenciación del gradiente (GBM). A continuación, estos algoritmos se describen con más detalle en términos de su uso en el ejemplo descrito, sin embargo, cabe señalar que la invención no se limita a la combinación indicada.

Los GLM (modelo lineal generalizado) son modelos lineales generalizados con distribución binomial (equivalentes a la regresión logística). Los modelos de esta clase utilizan las propiedades de la función logística para estimar la probabilidad en la clasificación binaria. A continuación se describen detalles de la regresión logística que pueden ser útiles para comprender la presente invención.

Para la distribución binomial (etiquetas de clasificación del conjunto {0,1}, donde 0 - NORM) se construye un modelo de probabilidad (a posteriori) P (C = c | X = x) con las siguientes propiedades:

exp (0o 0r X)

P(C = 0|X = x)

1 exp (0OpTx)

y

La transformación monotónica en este caso es una denominada logit: log (p/(1-p)). Por consiguiente:

. P (C = 0 |X = x) _ ,o T

° P ( C = l |X = x )r

P(C = 0 X = x) x

loS p ( c = m = r ^ 0 ^

El hiperplano que separa las clases es un conjunto de puntos {x: 00+ 0Tx =0}

El modelo de regresión logística se ajusta a los datos de entrada utilizando el método de máxima verosimilitud. La fiabilidad máxima para N observaciones viene dada por la fórmula general

l N

1(0) =iy—1¡ = 1logVgMi-0)'

donde pk(xi; 0)=P(G = k|X=x; 0)

En el caso de la distribución binomial, para maximizar I(p), se hallan ceros de la derivadaap Y,i=iXi{yi - PÍxu0 )) = 0 (fórmula para la distribución binomial - etiquetas {0,1}).

GBM (máquina de potenciación del gradiente) es un comité/serie secuencial de clasificadores que minimiza los errores de clasificación, con peso variable de los componentes del comité. Este método utiliza una media ponderada para calcular el resultado final, donde la dependencia reducida de los componentes del clasificador se obtiene extrayendo aleatoriamente subconjuntos de variables de entrenamiento. El algoritmo GBM (máquina de potenciación del gradiente) se basa en árboles de decisión que dividen el espacio de datos en subconjuntos cuadrados separados. Para cada uno de estos subconjuntos, se utiliza una estrategia de división que minimiza el error cuadrático medio (ECM) de la predicción £f=i(y¡ -y,)2,dondeyles una clasificación estimada de la i-ésima observación. Los árboles de decisión posteriores hi se construyen de forma iterativa, el resultado del algoritmo es la suma de árboles desde la cadena generada:

F<m>(x) = F<m -l>(x) Y<m>h<m>(x)

donde el coeficiente Y<m>e (0,1] es el peso del árbol generado (tasa de aprendizaje) añadido a la cadena / comité. El siguiente árbol de decisión en la iteración m-ésima se genera para el resto obtenido en la iteración anterior R(x) = f(x) - F<m -i>(x). El error (representado por la función de pérdida) se minimiza mediante el método del descenso de gradiente más pronunciado para la función de pérdida seleccionada (p. ej., error cuadrático).

En el pasos107, se crean modelos de clasificación para el subconjunto de atributos seleccionado utilizando una validación cruzada de 10 veces para evaluar la precisión de la predicción. La validación cruzada (CV) es un método de validación de modelos que permite evaluar el error de predicción y, por lo tanto, evaluar la eficacia del modelo creado. Por consiguiente, se puede usar la validación cruzada, por ejemplo, como herramienta para comparar modelos basados en combinaciones específicas de características y/o combinaciones de algoritmos para identificar la configuración más ventajosa del modelo predictivo.

En el caso de la validación cruzada de k-veces, el conjunto de datos de entrada se divide aleatoriamente en k subconjuntos iguales. En la iteración de 1 a k, se selecciona otro subconjunto que será el conjunto de prueba. Los k - 1 subconjuntos restantes se combinan y se usan como conjunto de entrenamiento para crear el modelo. Los resultados generados (para las medidas de error seleccionadas) de la validación cruzada (k números) se promedian finalmente (media o mediana) para estimar el error de predicción del modelo (con parámetros y atributos determinados).

Para evaluar los modelos/clasificadores binarios se utilizaron las siguientes métricas:

- Precisión: Precisión = (TP TN) / (número de todos los casos), donde TP - verdadero positivo , TN -verdadero negativo -- función de pérdida logística (pérdida log)

- AUC (área bajo la curva ROC)

- error cuadrático medio (ECM)

Para evaluar la varianza / desviación estándar de los resultados de la validación cruzada, se realizaron 50 iteraciones para el procedimiento de cálculo de las métricas anteriormente mencionadas.

El AUC (área bajo la curva) es el área bajo la curva ROC (característica operativa receptora) y representa la precisión de la predicción basada en la sensibilidad (TPR - tasa de verdaderos positivos) y 1 - especificidad (FPR - tasa de falsos positivos). La especificidad del clasificador es la TNR (tasa de verdaderos negativos) igual al cociente del número de subconjuntos de casos clasificados como negativos desde el conjunto de casos negativos). La curva ROC asigna paramétricamente TPR(t) a FPR(t) para el parámetro variable t, un denominado punto de corte. El AUC del modelo ideal es 1. El modelo que proporciona la inversión de la clasificación de referencia tiene un AUC igual a 0.

La función de pérdida logarítmica (pérdida log) es una medida de la precisión de la predicción, que tiende lentamente a 0 para el modelo que se aproxima al patrón ideal. En el caso de predicciones incorrectas, el valor de L aumenta.

¿(y, y) = - y ■ log(y) — (1 — y) iog(i - y)

donde la predicción y E [0,1]. Para el conjunto de pruebas, se calcula la media deL(y, y)de elementos individuales de este conjunto.

El ECM (error cuadrático medio) es una medida de la precisión de las predicciones de un modelo que corresponde al cuadrado medio de las desviaciones de la predicción desde el valor correcto.

1y * ;;SE =;i Z ¡=1( y í—* )2

dondeyt- clasificación estimada de la i-ésima observación, y - clasificación correcta de la i-ésima observación. A continuación se presentan ejemplos de modelos creados usando algoritmos GLM, GBM para varios conjuntos de atributos (versiones 1 a 4) con sus medidas de eficacia:

donde CH es la histéresis corneal, FRC es el factor de resistencia corneal, EDAD es la edad del sujeto, tp2_wake_median_HR es el coeficiente de correlación de Spearman para los valores de atributo de TF y HR en el subperíodo TP2-WAKE, sleep-tp1_rawTF_sec_deriv_integral es la variación total de los valores PAS en el subperíodo SLEEP-TP1, wake_tp3_rawTF_sum es el área bajo la curva del perfil TF en el subperíodo WAKE-TP3, tp1_sleep_median_MAP es el coeficiente de correlación para los parámetros de coeficiente de TF y PAM en el subperíodo TP1-SLEEP.

El modelo predictivo cuyo método de construcción se ha descrito anteriormente se utiliza para clasificar sujetos mediante un dispositivo inventivo. De manera similar a la construcción del modelo predictivo, los datos que describen a un sujeto examinado deben procesarse para obtener un conjunto de características correspondientes (las mismas características que los utilizadas en el modelo). A continuación, el modelo se ejecuta en este conjunto de datos y, en consecuencia, se genera un resultado en forma de asignación a uno de los grupos: enfermo, sano, junto con la probabilidad de esta predicción.

La solución propuesta puede usarse en un sistema inteligente de apoyo a la toma de decisiones médicas que permitirá una evaluación ultratemprana del riesgo de desarrollar neuropatía glaucomatosa y describir sus factores en la población de personas en observación por glaucoma, sujetos con antecedentes familiares positivos e hipertensión ocular. Además, el sistema permitirá personalizar la terapia local y sistémica en sujetos glaucomatosos, indicando factores de riesgo individuales para la progresión de la enfermedad.

La figura 7 muestra un diagrama de bloques esquemático de un ejemplo de dispositivo para implementar el método para crear un modelo predictivo y el método para predecir el riesgo de glaucoma en un sujeto de acuerdo con la invención. El dispositivo200comprende un circuito de control203en el que están instalados un procesador204y una memoria205, estando la memoria205acoplada operativamente al procesador204.Al circuito de control203se acoplan medios201ay medios201bque están adaptados para registrar parámetros del globo ocular del sujeto y parámetros del sistema cardiovascular, respectivamente. Como medios201ay201bpuede usarse cualquier medio adecuado, tal como, p. ej., los sistemas descritos anteriormente. Estos medios registran perfiles temporales de parámetros del sujeto examinado que se envían al circuito de control203a través de las conexiones202ay202by se almacenan en la memoria205.Además, en la memoria205se almacena un código de programa206que, cuando es ejecutado por el procesador204,provoca la implementación de los pasos posteriores de los métodos descritos anteriormente. El resultado del procesamiento realizado por el procesador en forma de clasificación del sujeto examinado como enfermo o sano junto con la probabilidad determinada se transmite mediante la conexión202ca un dispositivo de salida207, tal como una pantalla de visualización o monitor que presenta dicho resultado y otra información relacionada con los parámetros y/o características determinados a partir de los perfiles proporcionados por los medios201ay201b(tales como parámetros de correlación, mapas de calor de correlación, etc., determinados durante la creación del modelo predictivo), p. ej., a un médico para que pueda tenerlos en cuenta, p. ej., durante el diagnóstico y seleccionar el tratamiento adecuado. Opcionalmente, también se puede proporcionar un dispositivo de entrada (no mostrado), tal como un teclado o un dispositivo señalador, conectado al circuito de control203,que permitirá seleccionar los datos deseados que presentará el dispositivo de salida207.

En una realización particular del dispositivo200de acuerdo con la invención, los medios201ay201by/o el dispositivo de salida207están dispuestos en un lugar remoto en relación con el circuito de control203.En tal caso, las conexiones respectivas202a,202by/o202cse implementan como conexiones de red de comunicación, p. ej., conexiones a la red de Internet. Esto proporciona una mayor flexibilidad en el uso del dispositivo200de acuerdo con la invención. Por ejemplo, en un escenario posible, un sujeto usa medios201ay201bpara registrar los parámetros descritos que, durante el registro, se recogen en una memoria local de los medios201ay201b, y a continuación, una vez finalizada la recogida de datos, los datos recogidos se envían automáticamente o a través de una persona que ayuda a realizar el examen, por ejemplo, a través de una conexión de red dedicada, al circuito de control203implementado, p. ej., en forma de servidor. Una vez que los datos son procesados por el circuito de control203, el resultado puede enviarse de vuelta al dispositivo de salida207, p. ej., para presentarlo a una persona que realiza el examen (p. ej., un médico).

Aunque la invención se ha descrito detalladamente con referencia a las realizaciones específicas expuestas anteriormente, esta descripción es a modo de ejemplo y no está prevista para limitar la invención a realizaciones específicas. El experto apreciará que son posibles diversos cambios y modificaciones sin desviarse del alcance de la invención tal como se define en las reivindicaciones siguientes.

Claims (13)

REIVINDICACIONES

1. Un método(100)para crear un modelo predictivo para predecir el riesgo de glaucoma en un sujeto, comprendiendo el método:

un paso de creación de un modelo de diagnóstico que comprende, para cada uno de una pluralidad de sujetos:

a) registrar(s101a)un perfil de 24 horas de parámetros del globo ocular y registrar simultáneamente(s101b)parámetros del sistema cardiovascular;

b) dividir(s102a)el perfil registrado de 24 horas de los parámetros del globo ocular al menos en subperíodos:

- un subperíodo inicialSTART - TP1desde el inicio de la sesión hasta 5 horas antes de adoptar una posición horizontal para dormir;

- un subperíodo que precede a la adopción de una posición horizontal para dormirTP1- SLEEPdesde 5 horas antes de la adopción de una posición horizontal hasta la adopción de una posición horizontal para dormir;

- un subperíodo tras adoptar una posición horizontal para dormirSLEEP - TP2desde la adopción de una posición horizontal para dormir hasta la adopción de una posición horizontal para dormir 2 horas; - un subperíodo que precede a la adopción de una posición vertical después de dormirTP2 - WAKEdesde la adopción de una posición horizontal para dormir 2 horas hasta la adopción de una posición vertical después de dormir;

- un subperíodo tras adoptar una posición vertical después de dormirWAKE = TP3desde la adopción de una posición vertical después de dormir hasta la adopción de una posición vertical después de dormir 2 horas;

- un subperíodo finalTP3-ENDdesde la adopción de una posición vertical después de dormir 2 horas hasta el final de la sesión;

c) determinar(s103a),en cada subperíodo, características que describen a un único sujeto en forma de al menos un atributo de agregación y calcular(s103b)correlaciones entre los parámetros del globo ocular y los parámetros del sistema cardiovascular;

d) crear(s104)un registro que contiene las características determinadas que describen a un único sujeto y los parámetros de correlación calculados;

e) asignar(s105)una etiqueta que indica un diagnóstico (enfermo/sano) realizado por un médico al registro creado; y

un paso de crear un modelo predictivo, basado en un conjunto de registros creados para la pluralidad de sujetos, usando mecanismos de aprendizaje automático supervisado basados en uno o más algoritmos seleccionados al menos entre los algoritmos de regresión, árboles de decisión, algoritmos bayesianos, algoritmos por conjuntos y algoritmos basados en vectores de soporte,

recibiendo el modelo predictivo un registro de un paciente que debe examinarse, conteniendo el registro el mismo conjunto de características que el creado en el paso d)(s104)y emitiendo la probabilidad de que dicho registro pertenezca a un grupo de sujetos sanos o a un grupo de sujetos enfermos.

2. El método de acuerdo con la reivindicación 1, en donde el modelo predictivo se crea utilizando la validación cruzada de 10 veces.

3. El método de acuerdo con la reivindicación 1 o 2, en donde los atributos de agregación se seleccionan de un grupo que incluye: una suma del área bajo la curva en un subperíodo, el ángulo de pendiente de una línea de regresión lineal en un subperíodo, la variación total en un subperíodo, valores representativos de la transformada discreta de Fourier en un subperíodo.

4. El método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los parámetros del globo ocular se seleccionan de un grupo que incluye: la circunferencia en el limbo esclerocorneal de un globo ocular y la presión intraocular.

5. El método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los parámetros del sistema cardiovascular se seleccionan de un grupo que incluye: presión arterial (PA): presión arterial sistólica (PAS), presión arterial diastólica (PAD), presión arterial media (PAM), frecuencia cardíaca (FC), saturación de oxígeno en sangre (SpO2) y fracción de gasto cardíaco calculada según la fórmula: CO = [(PAS-PAD)/PAS PAD)] x FC.

6. El método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde una o más características adicionales seleccionadas de un grupo que incluye: la edad del sujeto, el factor de resistencia corneal y la histéresis corneal se determinan(s103c)y se adjuntan al registro que describe un único sujeto creado en el paso(s104)del método(100).

7. El método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde el registro que describe un único sujeto en el paso(s104)del método(100)se limita a un subconjunto seleccionado de todas las características determinadas.

8. El método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los subperíodos determinados incluyen, además, un subperíodo desde el inicio de la sesión hasta la adopción de una posición horizontal para dormir(START-SLEEP)y/o un subperíodo desde la adopción de una posición horizontal para dormir hasta la adopción de una posición vertical después de dormir(SLEEP - WAKE)y/o un subperíodo desde la adopción de una posición horizontal a las 14:00 hasta la adopción de una posición vertical a las 15:30 con consciencia sostenida(TIME 14:00-TIME 15:30).

9. Un método para determinar el riesgo de glaucoma en un sujeto, comprendiendo el método:

- crear, para examinar a un paciente, un registro que contiene el mismo conjunto de características que el creado en el paso(s104)del método(100)para crear un modelo predictivo de acuerdo con una cualquiera de las reivindicaciones 1-8,

- determinar la similitud de rasgo del sujeto con un grupo de sujetos enfermos o sanos con probabilidad determinada utilizando el modelo predictivo creado de acuerdo con el método de una cualquiera de las reivindicaciones 1-8.

10. Un dispositivo para predecir el glaucoma en un sujeto, que comprende:

medios(201a)para registrar los parámetros del globo ocular;

medios(201b)para registrar los parámetros del sistema cardiovascular;

un circuito de control(203)que tiene una conexión de comunicación(202a, 202b)tanto con los medios para registrar(201a, 201b),y que comprende:

un procesador(204);

una memoria(205)acoplada operativamente al procesador(204),que contiene instrucciones que, cuando son ejecutadas por el procesador, implementan el método de acuerdo con una cualquiera de las reivindicaciones 1-9 basándose en los datos proporcionados por los medios(201a, 201b)para registrar; y un dispositivo de salida(207)para presentar resultados que tiene una conexión de comunicación(202c)con el circuito de control(203).

11. El dispositivo de acuerdo con la reivindicación 10, en donde

los medios(201a)para registrar los parámetros del globo ocular, los medios(201b)para registrar los parámetros del sistema cardiovascular y/o el dispositivo de salida(207)están dispuestos en una ubicación remota con respecto al circuito de control(203),y las conexiones de comunicación(202a, 202b, 202c)son conexiones de red de comunicación.

12. Un programa informático que comprende un código de programa que, cuando es ejecutado por un procesador, hace que el procesador ejecute los pasos del método definido en las reivindicaciones 1-8 y del método definido en la reivindicación 9.

13. Un medio legible por ordenador en el que se almacena el programa informático de la reivindicación 12.