Métodos estatísticos multivariados para análise da função da pressão intracraniana.

1. I WORKSHOP EM PRESSÃO INTRACRANIANA Ribeirão Preto, 07 de outubro de 2011 Alexandre Souto Martinez* Brenno Caetano Troca Cabella Métodos estatísticos multivariados para análise da função da pressão intracraniana. Departamento de Física Faculdade de Filosofia Ciências e Letras de Ribeirão Preto Universidade de São Paulo * INCT – Sistemas Complexos

2. Obtenção da PIC Tensão (mV)

3. Obtenção da PIC Tensão (mV) Pressão (mmHg)

4. Obtenção da PIC Tensão (mV) Pressão (mmHg)

6. Séries temporais relacionadas (STR) Série temporal alvo (STA)

7. Séries temporais relacionadas (STR) - Pressão sanguínea arterial (PSA) Aparelhos tonométricos - Velocidade do fluxo sanguíneo cerebral (VFSC) Ultrassomdopplertranscraniano Série temporal alvo (STA) - Pressão intra-craniana (PIC)

8. Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo

9. Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo

10. Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo

11. Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo

12. Resultados

13. Resultados

14. Novo dado de entrada: Taxa de batimento cardíaco instantânea (BCI)

15. Novo dado de entrada: Taxa de batimento cardíaco instantânea (BCI)

16. Estudo mais detalhado da capacidade de ajuste de dados (fitting). - Gráfico da medida de dissimilaridade para cada combinação entrada-saída.

17. Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas. • Resultado: significativo (p<0.001)

18. Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas. • Resultado: significativo (p<0.001) • Generalidade do método; • O modelo obtido a partir de um paciente pode descrever a dinâmica de outro paciente?

19. Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas. • Resultado: significativo (p<0.001) • Generalidade do método; • O modelo obtido a partir de um paciente pode descrever a dinâmica de outro paciente? • Uso do próprio banco de dados e aplica os modelos obtidos para diferentes pacientes.

20. -Melhor performance possível. • Verifica o melhor resultado dentre todos os testes.

21. -Acurácia geral. • Média entre todos os casos.

22. Proposta: Utilizar os dados da PICMI como entrada do modelo.

23. Séries temporais relacionadas (STR) Série temporal alvo (STA)

24. Séries temporais relacionadas (STR) Série temporal alvo (STA)

25. Ruído branco, obtido a partir de um experimento com baixa relação sinal-ruído.

27. Problema: Determinação dos coeficientes:

28. Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade:

29. Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade: Quando tem valor mínimo. Portanto temos um problema de otimização com muitos mínimos.

30. Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade: Quando tem valor mínimo. Portanto temos um problema de otimização com muitos mínimos. Otimização Estocástica Solução:

31. Otimização estocástica • Algoritmo genético

32. Otimização estocástica • Recozimento simulado (simulatedannealing) • + funções de penalidade e de regularização que dependem do problema. • Em suma: tem-se um belo problema inverso!

33. Proposta: • Introduzir “feedback” (retro alimentação)

34. Proposta: • Introduzir “feedback” (retro alimentação)

35. Obrigado