Neural ODE módszerre alapuló kardiovaszkuláris modell paraméter-identifikációs eljárásának kidolgozása személyre szabható folyadékterápia kidolgozása érdekében
Betegek kórházi kezelése során akut keringési elégtelenségről (Acute Circulatory Failure – ACF), ill. keringéses sokkról akkor beszélünk, amikor a szív és a keringési rendszer nem tudja biztosítani a megfelelő vérellátást a szervek anyagcsere szükségleteinek kielégítéséhez. Ez a kórkép az intenzív osztályon (intensive care unit - ICU) ápolt betegek kb. 30%-át érinti. A sokkos állapot kezelésére folyadék terápia a leggyakrabban alkalmazott kezelési eljárás, azonban az esetek jelentős részében (kb. 50%-ában) ez sikertelen. Jelenleg nincs klinikailag széleskörűen alkalmazható, nem invazív perfúziós marker a folyadékterápia eredményességének értékelésére, mely lehetővé tenné a terápia keringésre gyakorolt hatásának közvetlen mérését. A sikertelen folyadékterápia következményei sajnos negatívan befolyásolják a beteg kezelésének kimenetelét, megnövelik az intenzív osztályon történő kezelés időtartamát és ezzel párhuzamosan a kezelés költségeit.
A közelmúltban publikált kutatások alapján valószínűsíthető, hogy a keringési rendszert jellemző ún. Stressed Blood Volume paraméter meghatározása lehetőséget adhat a folyadékterápia hatásosságának vizsgálatára. A diagnosztikai módszer kidolgozásághoz szükség van a klinikai gyakorlatban gyakran mért femorális artériás nyomás alapján meghatározni a centrális artériás nyomásgörbét, mely ezután felhasználható a kardiovaszkuláris rendszert leíró modellek paramétereinek identifikációjára.
A TDK dolgozat célja, hogy az ún. Tube-load modell alapján származtatott, a femorális és centrális artériás nyomás között felírható átviteli függvény paraméterei identifikációjának módszerét kidolgozza az ún. Physics-informed Neural Network, egész pontosan a Neural ODE módszer alapján. A dolgozat bemutatja a Neural ODE módszer adaptálását az adott paraméter identifikációs problémára, ill. a kidolgozott módszer validációját. A módszer segítségével lehetőség nyílt az identifikációs módszert olyan, állatkísérletek során rögzített mérési adatsoron alkalmazni, mely modellállatok segítségével a lehetséges élettani állapotok széles körét lefedte.
szerző
-
Antal Ákos
Egészségügyi mérnök szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Dr. Benyó Balázs
egyetemi tanár, Irányítástechnika és Informatika Tanszék -
Dr. Szlávecz Ákos
egyetemi docens, Irányítástechnika és Informatika Tanszék -
Szabó Bálint
Doktorandusz, Irányítástechnika és Informatika Tanszék
