Deseño e desenvolvemento dun sistema intelixente baseado no ensamblaxe de algoritmos de machine learning para o diagnóstico da apnea obstructiva do sono.
| Data de defensa | 15/09/2023 |
| Titulación | Grao en Enxeñaría Biomédica |
| Centro | Escola de Enxeñaría Industrial |
| Dirección |
Titoría: Alberto Comesaña Campos Cotitoría: Manuel Casal Guisande |
| Tribunal |
Vogalía: Christian Gil Pereira Coordinación: Antonio Riveiro Rodríguez Secretaría: David Cabaleiro Álvarez |
| Resumo | A apnea obstructiva do sono (AOS) é unha patoloxía cunha elevada prevalencia caracterizada pola obstrucción parcial/total das vías aéreas superiores durante o sono. Actualmente, ante un caso sospeitoso, para confirmar o diagnóstico é habitual realizar aos pacientes estudios do sono, tanto poligrafías cardiorrespiratorias como polisomnografías. Sen embargo, a sintomatoloxía evidenciada polos pacientes é pouco específica, e habitualmente presente na población xeral, o que supón que moitos pacientes sexan derivados dende atención primaria, cando, en moitas ocasións, non padecen a patoloxía, dando lugar a longas listas de espera e unha xestión sub-óptima dos recursos disponibles. Por todo isto, neste traballo preténdese abordar o deseño e desenvolvemento dun sistema intelixente de soporte á decisión aplicado no diagnóstico da AOS que permita diferenciar un paciente cun posible cadro de AOS dun que non a padece. Para iso, pártese dun conxunto de datos procedente da Unidade de Trastornos Respiratorios do Sono do Hospital Álvaro Cunqueiro de Vigo, con información relativa a datos antropométricos e xerales do paciente, patoloxías previas e fármacos que toma, así coma os resultados obtidos tras a realización de estudios do sono específicos, resumidos a través do índice de apnea hipopnea (IAH). A partir dos mesmos, e tras o seu pretratamento (limpeza, filtrado e normalización), abordarase o adestramento de diversos algoritmos de machine learning de clasificación, cuxas saídas serán integradas a través dun sistema inferencial ulterior ou algunha outra estratexia particular, a partir da cal obterase a predicción final. Con todo isto, acadarase unha ensamblaxe de algoritmos de machine learning de clasificación heteroxéneos, que permitirá a mellora das predicións dos modelos por separado e do diagnóstico da patoloxía. |