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

Abstract

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.

This dissertation focuses on the development of computational models that combine finite element methods (FEM) and artificial intelligence (AI) to improve the performance of cochlear implants (CI). The study addresses critical challenges in the design and optimization of CIs with the goal of improving the precision of neural stimulation and reducing energy consumption, thereby increasing their effectiveness and user satisfaction. The thesis begins with the construction of FEM-based models to simulate electrical stimulation of the auditory nerve. These models incorporate realistic cochlear geometries and material properties to predict the response of auditory nerve fibers (ANFs) under different stimulation configurations. To ensure clinical relevance, the FEM models are refined using impedance matrix (IM) data and evoked compound action potential (ECAP) measurements from real patients. An innovative aspect of this work is the integration of artificial intelligence techniques, specifically neural networks and evolutionary algorithms, to optimize model accuracy and efficiency. Neural networks are used to predict key parameters such as impedance values, while multi-objective optimization strategies maximize stimulation focus and minimize power consumption. These solutions achieve a balance between precise neural targeting and energy efficiency, as demonstrated by simulations of monopolar and multipolar stimulation modes. The study also presents a novel methodology for adjusting FEM conductivities and electrode configurations based on patient-specific data. This approach provides a deeper understanding of the interactions between the CI and the auditory nerve, paving the way for customized implant designs. Advanced algorithms further optimize the spatial distribution of stimulation currents, mitigating problems such as electrode crosstalk and improving auditory perception. The results highlight the effectiveness of combining FEM and AI in CI design. Key findings include improved focus metrics, reduced power consumption, and improved simulation accuracy compared to traditional methods. These contributions provide a foundation for the next generation of CIs that integrate computational models and intelligent systems to address the diverse needs of hearing impaired individuals. The thesis concludes with recommendations for future research, including the exploration of more complex cochlear geometries, expanded AI applications in clinical scenarios, and the potential for real-time adaptation of CI settings based on patient feedback. These advances promise to increase the inclusiveness and performance of CIs, ultimately improving the quality of life for users worldwide.