Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial.

Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre,

nivel de glucocorticoides y presión arterial.

Comprende un módulo (2) detector de actividad de una señal digitalizada adquirida por un sensor (1), representativa del pulso cardíaco distal de una persona, seleccionando un segmento de muestras consecutivas de señal, de duración fija sventana(t) y del mismo genera unas subventanas strama(t,n) de duración menor; un módulo (4) de tratamiento de señal que recibe las dos señales sventana(t) y strama(t,n) y que a su salida entrega un vector XF con los parámetros de un modelo fisiológico y un módulo (5) basado en aprendizaje automático que recibe el vector XF y una información de características de la persona y proporciona en su salida la estimación del nivel de glucosa en la sangre (NGS), del nivel de presión sistólica (NPS), del nivel de presión diastólica(NPD) y del nivel de glucocorticoides(NGC).

Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial.

Campo de la invención La presente invención hace referencia en un primer aspecto a un sistema para la estimación simultánea y no invasiva de los niveles de presión arterial, el nivel de glucocorticoides y de glucosa en la sangre de una persona, a partir de la forma de onda del pulso cardíaco distal.

En un segundo aspecto esta invención describe un método para la estimación simultánea y no invasiva de los niveles de glucosa y glucocorticoides en la sangre y de la presión arterial a una persona.

La estimación de los niveles de glucosa en sangre es importante en el control de la diabetes mellitus, pues se requiere un seguimiento diario para evitar complicaciones a largo plazo.

La necesidad de un método no invasivo para la estimación del nivel de glucosa se justifica por el tamaño de la población afectada y por los inconvenientes de los sistemas basados en realizar la estimación a partir de extracciones de sangre. Según Wild et al. (S. Wild et al., Global Prevalence of Diabetes, Diabetes Care 27 (5) (2004) 1047-1053) al menos 171 millones de personas en todo el mundo sufren diabetes. El control de los niveles de glucosa requiere el uso de glucómetros, agujas desechables y tiras reactivas. Este control es costoso e incómodo. El control regular del nivel de glucosa en la sangre puede proteger contra las complicaciones asociadas con la diabetes, como enfermedades de la retina, renales y cardiovasculares.

Además, dado que esta variable se mide de forma rutinaria en las unidades de cuidados intensivos, una medición no invasiva reduce para estos enfermos el riesgo de infecciones.

Por otra parte, según (K. Wolf-Maier, et al., Hypertension Prevalence and Blood Pressure Levels in 6 European Countries, Canada, and the United States, JAMA 289 (18) (2003) ) , la prevalencia de hipertensión (definida como presión diastólica superior a 90 mmHg y sistólica superior a 140 mmHg) era del 28% de la población en América del norte y del 44% en Europa. Dado que la hipertensión aumenta el riesgo de ataque cardíaco, fallo cardíaco, embolia y enfermedades renales, un sistema no mecánico y de uso fácil para estimar la presión arterial mejoraría el control diario de los niveles de presión arterial.

Subyacente al nivel de glucosa y al nivel de presión arterial se encuentra el nivel de glucocorticoides, que de forma indirecta controlan los niveles de la glucosa y la presión. Los glucocorticoides son una clase de hormonas esteroides que actúan sobre los niveles de homeostasis de los procesos inflamatorios, y de estrés. Referencias a este aspecto del efecto de los glucorticoides se puede encontrar por ejemplo en Sapolsky, Robert; Lewis C. Krey, and Bruce S. McEwen (25 September 2000) . "The Neuroendocrinology of Stress and Aging: The Glucocorticoid Cascade Hypothesis". Science of Aging Knowledge Environment 38: 21 y en Sapolsky, Robert; L. Michael Romero and Allan U. Munck (2000) . "How Do Glucocorticoids Influence Stress Responses? Integrating Permissive, Suppressive, Stimulator y , and Preparative Actions". Endocrine Reviews 21 (1) : 55-89. El nivel de glucocorticoides actúa sobre el sistema nervioso autónomo y el efecto sobre los niveles de presión arterial y glucosa se refleja en la forma del pulso cardiaco distal.

Además una estimación simultánea del nivel de glucosa en sangre, el nivel de glucocorticoides y de las presiones sistólica y diastólica se justifica por la población afectada al mismo tiempo por hipertensión y diabetes. Según la 'American Diabetes Asociation' (URL http://www.diabetes.org/diabetes-basics/diabetes-tatistics) en el 2004 el 75% de los diabéticos adultos tenían niveles de presión arterial superiores a 130/80 mmHg o seguían medicación para la hipertensión. Dado que la hipertensión y la aparición de diabetes está relacionada con el tipo de vida de las personas y en particular a los niveles de estrés a que se encuentran sometidos, la estimación adicional del nivel de glucocorticoides permitirá determinar riesgo y necesidades de tratamiento para este grupo de personas. Otro aspecto que justifica la importancia de determinar el nivel de glucocorticoides en sangre es el hecho de que son buenos predictores del riesgo cardíaco, (Sher, L.Type D personality: the heart, stress, and cortisol, vol 98, May 2005, QJM: An International Journal of Medicine) y (Gülmisal Güder, et al. Complementar y and Incremental Mortality Risk Prediction by Cortisol and Aldosterone in Chronic Heart Failure, Circulation 115: 1754-1761) y por ultimo se sabe que un nivel de glucocorticoides elevado está relacionado con la aparición de diabetes (M. Mcmahon, et al., Effects of glucocorticoids on carbohydrate metabolism, Diabetes/Metabolism ReviewsVolume 4, Issue 1, pages 1730, Februar y 1988) .

En esta invención se utiliza la forma del pulso cardíaco distal para estimar al mismo tiempo el nivel de glucosa en la sangre, el nivel de glucocorticoides y la presión arterial. Dado que la forma de onda del pulso cardíaco distal refleja el estado de la fisiología de la persona, se extraerán del pulso cardíaco distal parámetros que describen este estado de la fisiología. Por otra parte, el estado de la fisiología de la persona determina el nivel de presión, el nivel de glucocorticoides y el de glucosa en sangre, habiendo una interacción importante entre estas tres variables, pues el nivel de glucocorticoides en la sangre determina el estado del sistema nervioso autónomo, que a su vez determina la forma del pulso cardíaco, la variabilidad cardíaca, la irrigación sanguínea distal, el nivel de glucosa y el de presión. Para realizar la estimación de los niveles de glucosa, el nivel de glucocorticoides y presión, se propone utilizar un sistema de 'machine learning' que puede aprovechar el hecho de que las tres magnitudes interaccionan entre ellas para dar una estimación mas precisa de los tres valores.

Antecedentes de la invención Se enumerarán en primer lugar los principios fisiológicos que justifican la relación entre la forma de onda del pulso cardíaco distal y las tres variables a estimar. Además junto con cada principio fisiológico se describe el tipo de tratamiento de señal que permite realizar un modelo de esta información fisiológica y que se incorporarán en el sistema y método descrito en esta patente.

a - Viscosidad de la sangre y compliancia o distensibilidad de los vasos sanguíneos:

El efecto de la viscosidad y la variación en la compliancia de los vasos sanguíneos se refleja en el grado en que la forma de onda del pulso distal se amortigua. Esta información se puede obtener a partir de la forma de onda del pulso distal mediante el análisis espectral y un modelo basado en el cepstrum real de la forma de onda. El cepstrum es una magnitud permite realizar una deconvolución y separar la excitación del sistema de la respuesta impulsional del mismo (Childers, D.G. et al., "The cepstrum: A guide to processing", Proc. IEEE, Oct. 1977) . Por tanto se usarán los coeficientes del cepstrum calculado a partir del pulso cardíaco distal que caracterizan la forma del pulso, para separar la componente de excitación de la componente que corresponde a la función de transferencia de los capilares, junto con la viscosidad de la sangre. Otra ventaja de usar el cepstrum es que la distancia euclídea para comparar señales diferentes está bien definida en el dominio cepstral (Gray, A., et al. "Distance measures for speech processing", IEEE Trans. on Acoustics, Speech and Signal Processing, Oct 1976) . Otro índice de que proporciona información sobre la riqueza harmónica de la señal es la entropía espectral (P. Renevey, A. Dr y gajlo, Entropy based voice activity detection in ver y noisy conditions, in: EUROSPEECH-2001) .

b - El reflejo barorreceptor:

El reflejo barorreceptor es un sistema de retroalimentación negativa que controla los cambios a corto plazo en la presión arterial. El reflejo barorreceptor se manifiesta en el ritmo cardíaco y en la forma de onda del pulso cardíaco distal. En concreto modifica el espectro de frecuencia del intervalo entre pulsos y la variabilidad de la frecuencia cardíaca indica el estado del reflejo barorreceptor (R. W. deBoer, et al., Hemodynamic fluctuations and baroreflex sensitivity in humans: a beat-to-beat model. Am J Physiol Heart Circ Physiol 253 (3) (1987) H680-689) .

Por otra parte, se sabe que el reflejo baroreceptor está controlado en parte por el nivel de glucocorticoides, por lo que las variables que caractericen éste reflejo también proporcionarán información acerca del nivel de glucocorticoides (Quinkler M, Stewart PM. Hypertension and the cortisol-cortisone...

1. Sistema para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial, basado en la forma de onda del pulso cardíaco distal de una persona, adquirida a partir de un sensor (1) que proporciona una señal digitalizada, caracterizado por comprender:

• un módulo (2) de detección de actividad de dicha señal digitalizada que selecciona un segmento de muestras consecutivas de dicha señal digitalizada, de duración fija, denominado sventana (t) y a partir del mismo genera una secuencia de subventanas o tramas denominadas strama (t, n) de duración menor que la de sventana (t) , en donde el índice t indica el número de la muestra dentro de una trama y n es el número de la trama;

• un módulo (4) de tratamiento de señal que recibe las dos señales sventana (t) y strama (t, n) que contienen la forma de onda del pulso distal en un segmento de duración fija, y que proporciona a su salida un vector XF que contiene los parámetros de un modelo fisiológico; y

• un módulo (5) basado en aprendizaje automático al que se alimenta el citado vector XF y una información acerca de las características de la persona y que proporciona en su salida la estimación del nivel de glucosa en la sangre (NGS) , del nivel de presión sistólica (NPS) , del nivel de presión diastólica (NPD) y del nivel de glucocorticoides (NGC) .

2. Sistema, según la reivindicación 1, caracterizado porque dicho sensor es del tipo plestimográfico seleccionado entre óptico, acústico o mecánico, incluyendo un sistema de pulsioximetría (SpO2) , y dicho módulo (2) de detección de actividad comprende:

• un submódulo (6) de segmentación en tramas que proporciona dicha secuencia de strama (t, n) ; 20 • un submódulo (7) de cálculo de la energía de cada trama;

• un submódulo (8) de cálculo para cada trama de entropía espectral; y

• un submódulo (9) de detección de cruces por cero, generándose a partir de dichos submódulos (7, 8 y 9) un vector XDA (n) que se alimenta a un submódulo clasificador

(11) que implementa una función de decisión y cuyo índice para cada trama indica sí la trama pertenece a una 25 "señal útil" o corresponde a una "ausencia de señal".

3. Sistema, según la reivindicación 2, caracterizado porque dicho submódulo clasificador (11) está asociado para su entrenamiento a una base de datos etiquetada con la clase a la que pertenece cada trama.

4. Sistema, según la reivindicación 3, caracterizado porque dicho clasificador está seleccionado entre los siguientes

tipos K-nearest, neighbour, discriminantes lineales incluyendo el discriminante de Fisher, discriminantes cuadráticos, 30 árboles de decisión o "support vector machines".

5. Sistema, según la reivindicación 2, caracterizado porque dicho módulo (2) de detección de actividad incluye además en su salida un submódulo (12) de determinación de segmento útil que recibe como entrada la secuencia de clases a la que pertenece cada trama, y dicho submódulo (12) íntegra un autómata de estados finitos aplicado a determinar segmentos de tramas consecutivas de señal útil, comprendiendo los estados siguientes:

• s1 = 'ausencia de señal útil'

• s2 = 'señal útil'

• s3 = 'zona ambigua' y cada estado del autómata constará de contadores definidos como sigue:

•

: número de tramas consecutivas en el estado i-ésimo clasificadas como 'señal útil'; y

• : número de tramas consecutivas en el estado i-ésimo clasificadas como 'ausencia de señal'.

6. Sistema, según la reivindicación 1, caracterizado porque dicho módulo (5) de aprendizaje automático utiliza un comité de predictores entrenado mediante el algoritmo de "Adaboost", utilizando como predictor básico del comité de

predictores una red neuronal tipo "radial basis function" que aprovecha las interacciones entre los valores de presión, nivel de glucocorticoides y el nivel de glucosa para mejorar las estimaciones.

7. Método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión

arterial, basado en la forma de onda del pulso cardíaco distal de una persona, adquirida a partir de un sensor (1) que 5 proporciona una señal digitalizada, caracterizado por comprender las siguientes etapas:

• detección de actividad de dicha señal digitalizada por selección de un segmento de unas muestras consecutivas de dicha señal digitalizada, de duración fija, denominado sventana (t) y generación a partir de dicho segmento de una secuencia de subventanas o tramas denominadas strama (t, n) duración menor que la de sventana (t) , en donde el índice t indica el número de la muestra dentro de una trama y n es el número de la trama, permitiendo eliminar los segmentos de la señal no útiles comprendiendo el transitorio inicial, falsos clics, pérdidas de señal, ruido y saturaciones;

• tratamiento de las dos señales sventana (t) y strama (t, n) que contienen la forma de onda del pulso distal en un segmento de duración fija, y generación a partir de las mismas de un vector XF que contiene los parámetros de un modelo fisiológico; y

• alimentación de dicho vector XF y de una información acerca de las características de la persona a un módulo (5) basado en aprendizaje automático y que proporciona en su salida la estimación del nivel de glucosa en la sangre (NGS) , del nivel de presión sistólica (NPS) , del nivel de presión diastólica (NPD) y del nivel de glucocorticoides (NGC) .

Método, según la reivindicación 8, caracterizado porque dicha etapa de detección de actividad comprende • segmentación en tramas de la señal digitalizada sventana (t) proporcionando una secuencia de strama (t, n) ;

• cálculo de la energía de cada trama;

• cálculo para cada trama de su entropía espectral calculando la transformada rápida de Fourier (FFT) de la trama y normalizando seguidamente el espectro de energía de la trama; y

• detección de cruces por cero,

generándose a partir de dichos valores de energía y entropía espectral por trama un vector XDA (n) que se alimenta a un submódulo clasificador (11) que implementa una función de decisión y cuyo índice para cada trama indica si la trama pertenece a una "señal útil" o corresponde a una "ausencia de señal".

9. Método según la reivindicación 8, caracterizado porque dicha segmentación de sventana (t) se realiza en tramas de 5 segundos con un solapamiento del 50% de la señal digitalizada.

10. Método según la reivindicación 8 ó 9, caracterizado porque dicha detección de cruces por cero se realiza restando el valor medio de strama (t, n) para eliminar la componente continua y seguidamente se cuente el número de veces que la señal cruza el umbral de cero.

11. Método según la reivindicación 8 ó 9 caracterizado porque para cada trama se agrupan los parámetros de energía, entropía espectral y cruces por cero, en un vector que será la entrada de un clasificador que decidirá si la 35 trama n-ésima se corresponde a una trama útil o no:

12. Método, según la reivindicación 11, caracterizado porque dicho clasificador se selecciona entre los siguientes tipos K-nearest, neighbour, discriminantes lineales incluyendo el discriminante de Fisher, discriminantes cuadráticos, árboles de decisión o support vector machines, y porque el clasificador se entrena con una base de datos etiquetada previamente con la clase a la que pertenece cada trama.

13. Método, según la reivindicación 9, caracterizado porque para determinación de un segmento útil la secuencia de clases a la que pertenece cada trama obtenida a la salida de dicho submódulo clasificador (11) se alimenta a un 45 submódulo (12) que integra un autómata de estados finitos aplicado a determinar segmentos de tramas consecutivas de señal útil, comprendiendo los estados siguientes:

• s1 = 'ausencia de señal útil'

• s2 = 'señal útil'

• s3 = 'zona ambigua' y cada estado del autómata constará de contadores definidos como sigue:

•

: número de tramas consecutivas en el estado i-ésimo clasificadas como 'señal útil'; y

• : número de tramas consecutivas en el estado i-ésimo clasificadas como 'ausencia de señal'.

14. Método, según la reivindicación 8, caracterizado porque la etapa de tratamiento de señal comprende la generación de un vector XF que contiene los parámetros que caracterizan el estado fisiológico de una persona, mediante unos parámetros globales calculados a partir de sventana (t) y unos parámetros agregados de las características calculadas en la secuencia strama (t, 1) , strama (t, 2) , ..., strama (t, Ntrama) útiles para modelar la evolución a corto plazo de varios parámetros fisiológicos y el ritmo respiratorio, utilizando el análisis cepstral para obtener información sobre el contenido espectral.

15. Método, según la reivindicación 14 caracterizado porque se sustrae el valor medio de cada secuencia de parámetros cepstrales, para descontar el efecto del sensor especifico, calculando, cada vez que se cambia el sensor, un valor medio de los cepstrums para cada grupo de parámetros y almacenando dicho valor medio para hacer la substracción durante la etapa de tratamiento de señal.

16. Método, según la reivindicación 8, caracterizado porque dicho módulo (5) basado en aprendizaje automático recibe a su entrada el vector XF junto con características físicas de la persona, incluyendo al menos sexo, edad e índice de masa corporal y entrega en su salida las tres variables de interés: glucosa en la sangre (NGS) , nivel de glucocorticoides (NGC) y presión arterial (NPS y NPD) aplicando para ello un algoritmo que implementa una regresión no lineal entre entre dicha entrada XF y las citadas tres variables, seleccionando un método de regresión que modela las interacciones entre las tres variables.

17. Método, según la reivindicación 16, caracterizado porque dicho aprendizaje automático utiliza un comité de predictores entrenado mediante el algoritmo de "Adaboost", utilizando como predictor básico del comité de predictores una red neuronal tipo "radial basis function" que aprovecha las interacciones entre los valores de presión, nivel de glucocorticoides y el nivel de glucosa para mejorar las estimaciones.