Dynamisk estimering for deteksjon av hyperkapni

Abstract

Pasienter med respirasjonslidelser vil i noen tilfeller trenge behandling med oksygenterapi. Denne behandlingsmetoden innebærer regulering av oksygentilførsel. Hvis oksygentilførselen er for høy, kan pasientene oppleve en redusert følelse av åndenød, som igjen fører til lavere pustefrekvens. Følgelig vil ikke kroppen klare å kvitte seg med tilstrekkelig mengde karbondioksid (CO2). En opphopning av CO2 kan potensielt være veldig farlig. I dag reguleres mengde tilført oksygen til pasienter ved hjelp av manuell styring. For å sikre en mer forsvarlig behandling bør regulering av mengde tilført oksygen automatiseres. Et slikt automatisert system må kunne detektere CO2-opphopning basert på konsentrasjonen av CO2 i blodet. Imidlertid er det både utfordrende og kostbart å måle konsentrasjonen av CO2 i blodet direkte. Derfor undersøkes alternative metoder for indirekte måling av CO2.

Målet med oppgaven er å videreutvikle et utvalg av analysemetoder til to modeller for deteksjon av CO2-opphopning som benytter indirekte måling av CO2 i blodet. Deretter vil de to resulterende modellene bli evaluert med hensyn til egnethet for estimering av CO2 og deteksjon av CO2-opphopning for et foreliggende datasett.

Resultatene viser at modellene i oppgaven har en gjennomsnittlig nøyaktighet ved deteksjon av CO2-opphopning på over 90 %. Når modellene inkluderer estimert CO2 fra tidligere tidsskritt, forbedres nøyaktigheten av estimert CO2 for nåværende tidsskritt. Resultatene viser også at en ikke-lineær modell har en høyere nøyaktighet ved estimering av CO2 i blodet sammenlignet med en lineær modell.

Konklusjonen er at modellene i oppgaven egner seg godt til deteksjon av CO2-opphopning for det foreliggende datasettet basert på indirekte måling av CO2. Det er imidlertid ikke mulig å evaluere hvor godt egnet modellene er til å estimere CO2 i blodet, da dette må testes klinisk. For å kunne fastslå om resultatene fra oppgaven også er gyldige for andre datasett, må modellene testes på et større og mer variert utvalg av data.

Patients with respiratory disorders will in some instances require oxygen therapy treatment. This treatment involves oxygen supply regulation. If the oxygen supply is too high, the patients can experience a reduced feeling of need to breath, which in turn causes a lower breathing rate. Consequently, the body will not be able to get rid of sufficient amounts of carbon dioxide (CO2). An accumulation of CO2 can potentially be very dangerous. Oxygen therapy is as of today conducted by the means of manual adjustment of the amount of oxygen delivered. In order to ensure a more proper treatment of these patients, the regulation of the oxygen supply should be automated. Such an automated system must be able to detect CO2 accumulation based on CO2 levels in the blood. However, measuring the CO2 levels in the blood directly is both challenging and expensive. Thus, alternative methods for measuring CO2 levels indirectly are being investigated.

The aim of this study is to further develop a selection of analytical methods into two detection of CO2 accumulation models that utilize indirect measurements of CO2 levels in the blood. Following, the two resulting models will be evaluated with regards to quality, and suitability for estimating CO2 and detection of CO2 accumulation, using a present dataset.

The results show that the models in this study detect CO2 accumulation with an average accuracy of 90 %. When the models include estimated CO2 from previous time steps, the accuracy of estimated CO2 in the current time step improves. Moreover, the results show that a non-linear model has a greater accuracy when estimating CO2 compared to a linear model.

In conclusion, the models in this study are well suited for detecting CO2 accumulation in the present dataset, by indirectly measuring CO2 levels in the blood. However, it is not possible to evaluate how suitable the models are for estimating CO2 in the blood, as this must be clinically tested. To determine whether the results of this study also are valid for other datasets, the models must be tested on a larger and more varied data selection.