Clasificación de estados cerebrales bajo régimen de anestesia general en primates no humanos utilizando métodos de aprendizaje de máquinas

Abstract

El cerebro es el principal órgano afectado por la inducción de anestesia general. Debido a esto es que se busca generar un modelo basado en aprendizaje de máquinas que permita monitorear y clasificar en tiempo real estados cerebrales antes, durante y después del régimen de anestesia general en cuatro primates macacos, obteniendo funciones de verosimilitud para cada estado. En los sujetos de este estudio, este régimen es inducido mediante infusión intravenosa continua, con los agentes anestésicos propofol, ketamina (KT), medetomidina (MD), y una mezcla de estos últimos dos (KTMD). Se estudian e implementan métodos lineales y no lineales de obtención de características, en función de cambios en la fisiología del cerebro que ocurren en el régimen de anestesia general. Dichas técnicas son implementadas tanto a mano (transformada de Fourier, PaCMAP), como de forma automática (Autoencoder). Utilizando validación cruzada sobre las series de tiempo de la base de datos, el modelo propuesto es clasificado con una red CNN, un modelo Balanced Random Forests, un modelo SVM lineal y un modelo SVM con kernel gaussiano, obteniendo un 79.87 % de accuracy promedio de clasificación en el conjunto de validación al entrenar con todas las series de tiempo, y accuracies promedio de 85.01 %, 79.32 %, 82.85 % y 72.77 % al entrenar separadamente con series de tiempo donde se utilizan solo los fármacos KTMD, propofol, KT y MD, respectivamente. Con dichos resultados, se estudia la dinámica temporal de las series de tiempo y se utiliza un Hidden Markov Model (HMM), demostrando que esto es favorable para clasificar los datos correctamente, aumentando los accuracies promedio a 88.38 % al entrenar con todas las series de tiempo, y a 88.81 %, 91.27 %, 91.21 % y 84.22 % al entrenar con series de tiempo donde se utilizan solo los fármacos KTMD, propofol, KT y MD, respectivamente. Finalmente, se evalúa el desempeño de HMM sobre las series de tiempo completas, prediciendo los estados ocultos subyacentes a las señales observadas.