Este documento descreve métodos estatísticos multivariados para analisar a função da pressão intracraniana. Ele apresenta um modelo para prever a pressão intracraniana com base em séries temporais de outros dados fisiológicos, como pressão arterial e fluxo sanguíneo cerebral. Os resultados sugerem que este modelo pode ser generalizado para prever a pressão intracraniana em diferentes pacientes.
Análise Estatística Multivariada da Pressão Intracraniana
1.
2. MÉTODOS ESTATÍSTICOS MULTIVARIADOS PARA
ANÁLISE DA FUNÇÃO DA PRESSÃO
INTRACRANIANA.
Alexandre Souto Martinez*
Brenno CaetanoTroca Cabella
I WORKSHOP EM PRESSÃO
INTRACRANIANA
Ribeirão Preto, 07 de outubro de 2011
Departamento de Física
Faculdade de Filosofia Ciências e Letras de Ribeirão Preto
Universidade de São Paulo
* INCT – SistemasComplexos
15. Novo dado de entrada:
Taxa de batimento cardíaco instantânea (BCI)
16. Novo dado de entrada:
Taxa de batimento cardíaco instantânea (BCI)
17. Estudo mais detalhado da capacidade de ajuste de
dados (fitting).
- Gráfico da medida de dissimilaridade para cada
combinação entrada-saída.
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)
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?
20. -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.
29. Para determinar os coeficientes, compara-se os sinais modelados
com os medidos, através da função de dissimilaridade:
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.
31. 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.
Solução: Otimização
Estocástica
33. -Recozimento simulado (simulated annealing)
+ funções de penalidade e de regularização que
dependem do problema.
Em suma: tem-se um belo problema inverso!
Otimização estocástica