Análisis de nuevos índices de las señales electrocardiográficas y de flujo respiratorio para predecir el éxito o fracaso del proceso de extubación de pacientes asistidos por ventilación mecánica

La insuficiencia respiratoria aguda (IRA) es una afección en la que los pulmones no pueden realizar un intercambio adecuado de gases, lo que frecuentemente requiere el uso de ventilación mecánica (VM). El proceso de extubación, o retiro de la ventilación, es delicado y debe realizarse en el momento adecuado para evitar complicaciones. Hasta un 25% de los pacientes reintubados, tras una extubación fallida, enfrentan riesgos mayores, como infecciones nosocomiales y atrofia muscular. Dado el impacto de una extubación fallida en los resultados clínicos, surge la necesidad de desarrollar herramientas más precisas para predecir el éxito del destete. El objetivo de esta tesis es proponer nuevos índices basados en señales electrocardiográficas y de flujo respiratorio para mejorar la predicción del éxito o fracaso de la extubación tras una Prueba de Respiración Espontánea (SBT, por sus siglas en inglés Spontaneous Breathing Trial). Para ello, se analizan descriptores extraídos en el dominio del tiempo, frecuencia, diagramas de Poincaré y tiempo-frecuencia, con el fin de caracterizar la dinámica cardiorrespiratoria durante la extubación. Además, se emplean técnicas de procesamiento de señales y algoritmos de clasificación basados en aprendizaje automático (ML, por sus siglas en ingles Machine Learning) y aprendizaje profundo (DL, por sus siglas en inglés Deep Learning) para optimizar la predicción del desenlace del procedimiento. Los índices propuestos constituyen una herramienta de apoyo en entornos clínicos, como soporte a decisiones más objetivas e informadas en el proceso de destete de la VM.

• Autores: González Acevedo, Hernando
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2025
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/29727
• Acceso en línea: http://hdl.handle.net/20.500.12749/29727
• Palabra clave: Engineering; Mechanical ventilation; Spontaneous breathing test; Time-frequency analysis; Poincaré diagram; Machine learning; Deep learning; Neural networks (Computer science); Signal processing; Patient monitoring; Vital signs; Artificial respiration (Equipment and supplies); Respirators (Medical Equipment); Ingeniería; Redes neuronales (Computadores); Procesamiento de señales; Monitoreo del paciente; Signos vitales; Respiración artificial (Equipo y accesorios); Respiradores (Equipo médico); Ventilación mecánica; Prueba de respiración espontánea; Análisis tiempo-frecuencia; Diagrama de poincaré
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/