Desarrollo de modelos computacionales de elementos finitos combinados con inteligencia artificial para la mejora del rendimiento de implantes cocleares

• Autores: Marcos Javier Hernández Gil
• Directores de la Tesis: David Greiner (dir. tes.), Ángel Ramos de Miguel (dir. tes.), José María Escobar Sánchez (dir. tes.)
• Lectura: En la Universidad de Las Palmas de Gran Canaria ( España ) en 2025
• Idioma: español
• Tribunal Calificador de la Tesis: María Amparo Callejón Leblic (presid.), Gustavo Montero García (secret.), Jordi Pons Prats (voc.)
• Programa de doctorado: Programa de Doctorado en Tecnologías de Telecomunicación e Ingeniería Computacional por la Universidad de Las Palmas de Gran Canaria
• Materias:
  • Matemáticas
    • Análisis numérico
  • Ciencias tecnológicas
    • Tecnología médica
• Enlaces
  • Tesis en acceso abierto en: accedacris.ulpgc.es
• Resumen

  • Esta tesis doctoral desarrolla modelos computacionales que integran métodos de elementos finitos (FEM) con técnicas de inteligencia artificial (IA) para mejorar el rendimiento de los implantes cocleares (CI). El estudio aborda retos críticos en el diseño y la optimización de los CIs con el objetivo de mejorar la precisión de la estimulación neural y reducir el consumo de energía, lo que aumenta la eficacia del CI y la satisfacción del usuario.

    La tesis comienza con la construcción de modelos basados en FEM para simular la estimulación eléctrica del nervio auditivo. Estos modelos incorporan geometrías cocleares y propiedades eléctricas realistas para predecir la respuesta de las fibras del nervio auditivo (ANF) en diversas configuraciones de estimulación. Para garantizar su relevancia clínica, los modelos FEM se perfeccionan utilizando datos de la matriz de impedancia (IM) y mediciones del potencial de acción (ECAP) de pacientes reales.

    Un aspecto innovador de este trabajo es la integración de técnicas de inteligencia artificial, en particular redes neuronales y algoritmos evolutivos, para optimizar la precisión y la eficacia del modelo. Las redes neuronales se utilizan para predecir parámetros clave, como los valores de impedancia, mientras que las estrategias de optimización multiobjetivo maximizan la focalización de la estimulación y minimizan el consumo de energía. Estas soluciones logran un equilibrio entre focalización neuronal precisa y eficiencia energética, como se demuestra mediante simulaciones de modos de estimulación monopolar y multipolar.

    El estudio también presenta una metodología innovadora para ajustar las conductividades FEM y las configuraciones de los electrodos en función de los datos específicos de cada paciente. Este enfoque permite comprender mejor las interacciones entre el CI y el nervio auditivo, allanando el camino para diseñar implantes a medida. Los algoritmos avanzados optimizan aún más la distribución espacial de las corrientes de estimulación, mitigando problemas como la diafonía de electrodos y mejorando la capacidad auditiva.

    Los resultados ponen de manifiesto la eficacia de combinar FEM con IA en el diseño de implantes cocleares. Entre las principales conclusiones, cabe destacar la mejora de las métricas de focalización, la reducción de la demanda de energía y la mayor precisión de la simulación en comparación con los métodos tradicionales. Estas contribuciones sentarán las bases para la próxima generación de implantes cocleares, que integrarán modelos computacionales y sistemas inteligentes para atender las diversas necesidades de las personas con deficiencias auditivas.

    La tesis concluye con recomendaciones para futuras investigaciones, como la exploración de geometrías cocleares más complejas, la ampliación de las aplicaciones de IA en escenarios clínicos y la posibilidad de adaptar en tiempo real los ajustes de CI en función de los comentarios de los pacientes. Estos avances prometen mejorar la inclusión y el rendimiento de los implantes cocleares y, en última instancia, la calidad de vida de los usuarios de todo el mundo.

    Palabras clave: Implantes cocleares (CI); Método de los Elementos Finitos (FEM);\@ Algoritmos Evolutivos (EA);\@ Potencial de acción (ECAP)\@; Respuesta neuronal (NRT)\@; Matriz de impedancia (IM)\@; Estimulación multipolar \@; Inteligencia Artificial (AI); Optimización Multi-objetivo.