Machine learning and signal processing algorithms for the analysis of ventilation and airway management in out-of-hospital cardiac arrest

Abstract

La tesis se desarrolla en el ámbito de la parada cardiorrespiratoria extra-hospitalaria (PCEH). Más concretamente, en el desarrollo de algoritmos y metodologías para la caracterización de la resucitación cardiopulmonar (RCP) en general, y de la ventilación en particular, a partir de las señales biomédicas adquiridas por equipos monitores-desfibriladores. La tesis se divide en tres bloques/objetivos principales:1) Desarrollo de soluciones basadas en procesado de señal e inteligencia artificial para la detección y caracterización de la ventilación usando la señal de impedancia torácica. Esta señal presenta una muy elevada disponibilidad durante la PCEH, y permite además realizar estimaciones potencialmente relevantes del volumen de aire insuflado. Sin embargo, es afectada también por diversas fuentes de ruido, incluidas las propias compresiones durante la RCP, que pueden enmascarar las ventilaciones.2) Desarrollo y validación de metodologías unificadas (combinando diferentes algoritmos y fuentes de datos) para el análisis automático de la RCP en registros de PCEH multi-dispositvo, en los que los equipos de diferentes fabricantes pueden implicar diferentes señales disponibles.3) Aplicación de las soluciones y metodologías anteriores al estudio comparativo de la RCP para diferentes estrategias de manejo avanzado de la vía aérea (intubación vs tubo laríngeo).