AUTOMATIC: Analiza związku pomiędzy autonomicznym układem nerwowym a autoregulacją mózgową z wykorzystaniem metod uczenia maszynowego

• autonomiczny układ nerwowy
• autoregulacja mózgowa
• barorefleks
• cyfrowe przetwarzanie sygnałów
• uczenie maszynowe
• zmienność rytmu serca
• urazowe uszkodzenie mózgu

Streszczenie
Krążenie mózgowe jest kontrolowane przez czynniki metaboliczne, autoregulację mózgową oraz podlega kontroli przez autonomiczny układ nerwowy. Układ naczyniowy mózgu jest silnie unerwiony zarówno przez neurony współczulne, jak i przywspółczulne, co potwierdza jego rolę w utrzymaniu perfuzji mózgu. Jednym z najdokładniej analizowanych markerów autonomicznego układu nerwowego jest czułość baroreceptorów tętniczych (z ang. baroreflex sensitivity, BRS) – ze względu na nieinwazyjny pomiar i łatwość zastosowania w warunkach klinicznych. Jednak związek między BRS a autoregulacją mózgową jest nadal niejasny. Ostatnie badania wykazały, że współzależność pomiędzy autoregulacją mózgową a autonomicznym układem nerwowym jest niejednorodna i różni się osobniczo u pacjentów z urazowym uszkodzeniem mózgu. Również badania na zdrowych ochotnikach nie przyniosły jednoznacznej odpowiedzi. Z jednej strony sugeruje się, że istnieje odwrotna korelacja między autoregulacją mózgową a odpowiedzią autonomicznego układu nerwowego – gdy BRS wzrasta, autoregulacja mózgowa pogarsza się. Z drugiej strony wykazano, że autoregulacja mózgowa uległa osłabieniu po supresji baroreceptorów, co sugeruje bezpośredni związek. Uważa się, że autoregulacja mózgowa i BRS uzupełniają się wzajemnie i dostarczają bardziej złożony obraz regulacji przepływu mózgowego krwi. Ponieważ sygnały biomedyczne i parametry, zdefiniowane na podstawie zarejestrowanych sygnałów, stanowiące szeregi czasowe, są w większości niestacjonarne (ich metryki statystyczne zmieniają się w czasie), istnieje konieczność stosowania bardziej zaawansowanych metod opisu i analizy korelacji między sygnałami. W standardowym podejściu wartość sygnału jest uśredniana w ruchomym oknie czasowym, a następnie wyznaczana jest wartość średnia z nagrania. Aby oszacować wartość i kierunek monotonicznego związku między dwiema metrykami w podejściu standardowym, stosuje się współczynnik korelacji Spearmana lub Pearsona przy użyciu średniej wartości dla pojedynczego pacjenta. Takie podejście może prowadzić do utraty kluczowych informacji o korelacji w czasie, która może mieć charakter dynamiczny i zmieniać się w czasie, a charakterystyka fluktuacji może dostarczyć dodatkowych informacji prognostycznych. Co więcej, obecna medycyna ma na celu zindywidualizowane podejście do leczenia pacjenta i oceny jego stanu, dlatego podejście „jeden pacjent – jedna charakterystyka” wydaje się być lepszym rozwiązaniem niż „jeden pacjent – jedna uśredniona wartość”. Aby wyjść naprzeciw tego zagadnienia proponujemy projekt o nazwie AUTOMATIC - Analiza relacji między autonomicznym układem nerwowym a autoregulacją mózgową z wykorzystaniem uczenia maszynowego. Główna hipoteza projektu zakłada, że dynamika czasowego związku między autoregulacją mózgową a autonomicznym układem nerwowym jest kluczowa i wymaga zbadania przy użyciu bardziej wyrafinowanych podejść do analizy danych, wykorzystujących informacje zawarte w fluktuacjach tego związku. Tego rodzaju metody są dobrze ugruntowane w ekonometrii do śledzenia zmian indeksów giełdowych i kursów walutowych, ale można je z powodzeniem dostosować do zastosowań biomedycznych. Planujemy wykorzystać te metody do scharakteryzowania czasowego profilu związku autoregulacji mózgowej z autonomicznym układem nerwowym na podstawie danych i sygnałów (prędkości przepływu krwi (CBFV), elektrokardiogramu (ECG), ciśnienia tętniczego (ABP)) zarejestrowanych podczas nieinwazyjnych pomiarów hemodynamicznych u zdrowych ochotników. Istnieje wiele wskaźników pozwalających scharakteryzować autoregulację mózgową i autonomiczny układ nerwowy wraz ze standardowymi miarami i skalami używanymi do opisu stanu pacjentów z patologiami wewnątrzczaszkowymi. Ponieważ związku autoregulacji mózgowej i autonomicznego układu nerwowego nie można interpretować w oderwaniu od pozostałych sygnałów biomedycznych i oceny stanu pacjenta, planujemy zastosować podejście oparte na uczeniu maszynowym do wyboru cech.