Diseño de un predictor de efectos cardiovasculares en condiciones de microgravedad durante exploración espacial

Abstract

[ES] Desde los años 60, una gran número de viajes espaciales se han llevado a cabo con diversos fines. Así, se ha adquirido conocimiento acerca de cómo se adapta el cuerpo de los astronautas a este nuevo ambiente extremo. Actualmente, el interés en exploraciones de larga duración y distancia, como los futuros viajes tripulados a Marte, han ganado un interés creciente. Así pues, poder asegurar la salud de la tripulación cobra todavía más importancia, ya que el uso de la telemedicina y métodos tradicionales es muy limitado en estas condiciones. Por ello, el desarrollo de Sistemas de Ayuda a la Decisión Médica (CDSS) que permitan el diagnóstico precoz de patologías supone un gran avance en el cuidado de la salud y, sobre todo, en la medicina espacial. No obstante, los CDSS actuales no tienen en cuenta los cambios que existen al trasladarse al ambiente espacial (dataset shift). Uno de los factores que más cambios provoca en el cuerpo humano es la microgravedad. En concreto, la preocupación de desarrollar patologías cardíacas debidas a la adaptación a la gravedad cero es notable puesto que, aunque la probabilidad es pequeña, las consecuencias podrían ser catastróficas. Por tanto, con el presente trabajo se pretende diseñar una serie de predictores de patologías cardíacas en situación de microgravedad utilizando técnicas de aprendizaje automático. Para ello, se hace uso de una base de datos con variables registradas en condiciones terrestres y en condiciones de exploración espacial, etiquetadas según presenten o no la patología. Así pues, se desarrolla un predictor de síncopes, un predictor de latidos ventriculares prematuros y un predictor del conjunto de variables en condiciones espaciales a partir de las variables en condición terrestre. Los resultados obtenidos de la realización de este trabajo muestran que es posible el desarrollo de predictores de patologías cardíacas relativamente satisfactorios a partir de la base de datos disponible, teniendo en cuenta las limitaciones encontradas en cuanto al número de datos y la gran cantidad de variables. Se expone también la importancia de tener en cuenta el concepto de dataset shift, poniendo de manifiesto la necesidad de crear predictores que tengan en cuenta dichos cambios.

[EN] Since the 1960s, a large number of space travel has been carried out for various purposes. Thus, knowledge has been obtained about how astronauts' body adapts to this new extreme environment. Currently, the interest in long-distance and long-range explorations, such as future manned trips to Mars, have gained increasing interest. Therefore, being able to ensure the health of the crew becomes even more important, since the use of telemedicine and traditional methods is very limited in these conditions. For this reason, the development of Medical Decision Support Systems (CDSS) that allow the early diagnosis of pathologies represents a great advance in health care and, above all, in space medicine. However, the current CDSS do not take into account the changes that exist when moving to the spatial environment (dataset shift). One of the factors that causes the most changes in the human body is microgravity. Specifically, the concern of developing cardiac pathologies due to adaptation to zero-gravity is notable since, although the probability is small, the consequences could be catastrophic. Therefore, the present work aims to design a series of predictors of cardiac pathologies in a microgravity situation using machine learning techniques. For this, a database is used with variables registered in terrestrial conditions and in space exploration conditions, labeled according to whether or not they present the pathology. Thus, a syncope predictor, a ventricular premature beats predictor and a predictor of the set of variables under spatial conditions are developed from the variables in terrestrial conditions. The results obtained from the performance of this work show that it is possible to develop relatively satisfactory predictors of cardiac pathologies from the available database, taking into account the limitations found in terms of the number of data and the large number of variables. The importance of taking into account the concept of dataset shift is also explained, highlighting the need to create predictors that take these changes into account.

[CA] Des dels anys 60, una gran nombre de viatges espacials s’han dut a terme amb diversos fins. Així, s’ha adquirit coneixement sobre com s’adapta el cos dels astronautes a aquest nou ambient extrem. Actualment, l’interés en exploracions de llarga duració i distància, com els futurs viatges tripulats a Mart, han guanyat un interés creixent. Així doncs, poder assegurar la salut de la tripulació cobra encara més importància, ja que l’ús de la telemedicina i mètodes tradicionals és molt limitat en aquestes condicions. Per això, el desenvolupament de Sistemes d’Ajuda a la Decisió Mèdica (CDSS) que permeten el diagnòstic precoç de patologies suposa un gran avanç en la cura de la salut i, sobretot, en la medicina espacial. No obstant això, els CDSS actuals no tenen en compte els canvis que existeixen en traslladar-se a l’ambient espacial (dataset shift). Un dels factors que més canvis provoca en el cos humà és la microgravetat. En concret, la preocupació de desenvolupar patologies cardíaques degudes a l’adaptació a la gravetat-zero és notable perquè, encara que la probabilitat no és molt alta, les conseqüències podrien ser catastròfiques. Per tant, amb el present treball es pretén dissenyar una sèrie de predictors de patologies cardíaques en situació de microgravetat utilitzant tècniques d’aprenentatge automàtic. Per a això, es fa ús d’una base de dades amb variables registrades en condicions terrestres i en condicions d’exploració espacial, etiquetades segons presenten o no la patologia. Així doncs, es desenvolupa un predictor de síncopes, un predictor de batecs ventriculars prematurs i un predictor del conjunt de variables en condicions espacials a partir de les variables en condició terrestre. Els resultats obtinguts de la realització d’aquest treball mostren que és possible el desenvolupament de predictors de patologies cardíaques relativament satisfactoris a partir de la base de dades disponible, tenint en compte les limitacions trobades quant al nombre de dades i la gran quantitat de variables. S’exposa també la importància de tindre en compte el concepte de dataset shift, posant de manifest la necessitat de crear predictors que tinguen en compte aquests canvis.