Modelado robusto para la extracción de información en entornos biofísicos y críticos

Resumen

La era de la información y el Big Data, se sustenta en un entorno en el que múltiples dispositivos, siempre conectados, generan ingentes volúmenes de información (paradigma del Internet de las Cosas). Este paradigma ha llegado diversos entornos: las denominadas ciudades inteligentes, monitorización deportiva, estilo de vida, o salud. El objetivo de esta Tesis es el desarrollo e implementación de una metodología de modelado predictivo robusto mediante dispositivos wearable de bajo coste en entornos biofísicos y críticos. A lo largo de este manuscrito se presenta una arquitectura multinivel que abarca desde el tratamiento de los datos en los dispositivos sensores hasta el manejo de éstos en centros de datos. La metodología cubre la optimización energética a todos los niveles con consciencia del estado de la red. Y el sistema de decisión hace uso de datos de distintas fuentes para conformar un sistema experto de decisión. La arquitectura y metodología desarrolladas se han implementado en un entorno real de predicción de enfermedades neurológicas, en concreto en la predicción de crisis sintomáticas de migraña. La migraña es una de las enfermedades neurológicas más discapacitantes; afecta a entre un 12 y un 15 por ciento de la población mundial, y se caracteriza principalmente por intensos dolores de cabeza. La migraña es una enfermedad social que afecta a la vida diaria de quiénes la sufren. Asimismo, supone unos costes de unos 1200 euros por paciente y año a las arcas de salud públicas y privadas debido a costes directos e indirectos, como las visitas a urgencias y el absentismo laboral. La predicción de la llegada del dolor suponer un antes y un después en la vida de estas personas, pudiendo actuar con antelación para evitarlo. En esta Tesis se ha demostrado por primera vez en la literatura que es posible el modelado y predicción de una crisis sintomática de migraña. La prueba de concepto se ha realizado con pacientes reales en un estudio clínico. Los resultados preliminares han demostrado que, mediante la monitorización de variables biomédicas (como temperatura, ritmo cardiaco o sudoración), es posible predecir la llegada de una crisis¿dentro de la ventana de actuación de los medicamentos actuales¿con hasta 47 minutos de antelación con alta precisión, y un promedio de acierto del 76 por ciento. Para la generación de estos modelos se han usado algoritmos de espacios de estado y evolución gramatical. La metodología es robusta ante fallos de sensor¿muy comunes en dispositivos wearable de monitorización ambulatoria¿y es capaz de regenerar temporalmente una señal ante pérdida o fallo de datos. En caso contrario, de manera automática es capaz de adaptar lo modelos de predicción a otros que no hagan uso del sensor dañado, manteniendo así cierto horizonte de predicción. En el transcurso de esta investigación, se ha desarrollado además un simulador de predicción de crisis de migrañas en tiempo real, reactivo ante fallos de sensor. La metodología presnetada contempla el uso de variables atmosféricas y sintomáticas del paciente para mejora y ayuda al sistema de predicción. En el ámbito económico, se ha vislumbrado que, ante un posible escenario energéticamente eficiente en el que un 2 por ciento de la población migrañosa europea hace uso del sistema de predicción, se generar ahorros energéticos de 288 millones de euros y hasta 1272 millones de euros para las entidades sanitarias.