Sector de la técnica

La presente invención concierne en general, y en un primer aspecto, a un método para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, tales como los procedimientos de neurorehabilitación, de neuroeducación/neuroaprendizaje o de neuroestimulación cognitiva, mediante Ia generación y utilización de una base de datos con información referente a una pluralidad de usuarios, y en particular a un método que comprende analizar dicha base de datos para generar unas predicciones candidatas, a partir de las cuales determinar unas predicciones finales u óptimas, llevándose a cabo dicha generación de predicciones candidatas y dicha determinación de predicciones finales posterior mediante unas correspondientes etapas de clasificación a distintos niveles.

Un segundo aspecto de Ia presente invención concierne a un sistema previsto para ¡rríplementar el método propuesto por el primer aspecto de Ia invención.

Estado de Ia técnica anterior

Son conocidas diferentes propuestas referentes al suministro o aplicación, a unos usuarios o pacientes, de intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, tales como las que comprenden tests o tareas cognitivas, o de otro tipo, y Ia posterior evaluación de sus respuestas.

Tal como se expone en "The Plástic Human Brain Cortex", Annual Reviews Neuroscience 2005.28:377-401 , de Alvaro Pascual-Leone, Amir Amedi, Felipe Fregni y Lotfi B. Merabet, Ia plasticidad es una propiedad intrínseca del sistema nervioso que consiste en Ia capacidad de modificar su estructura a partir de Ia experiencia. Esta propiedad Ie permite aprender, adquirir nuevas habilidades, o incluso recuperarse de las alteraciones ocasionadas por una lesión. Sin embargo los cambios no tienen que desembocar, necesariamente, en un beneficio; en ocasiones, estos cambios pueden generar Ia aparición de enfermedades o ser los responsables de Ia cronificación de las alteraciones derivadas de una lesión. Existe el desafío de aprender Io suficiente respecto a Ia plasticidad neuronal para modularla y así conseguir Ia mejor respuesta de comportamiento para un paciente específico. Para llevar a cabo dicha modulación, tal y como se indica en el artículo citado, se pueden llevar a cabo distintos tipos de intervenciones, tales como las basadas en Ia modificación de conducta, o las que incluyen diferentes técnicas de estimulación cortical, invasiva y no-invasiva. Se conocen asimismo sistemas que construyen bases de datos con información asociada a una pluralidad de usuarios, a tareas o tests a suministrar, así como a las respuestas de cada usuario a Ia realización de las tareas que Ie han asignado.

A continuación se exponen algunas de dichas propuestas que describen métodos y sistemas mediante los cuales crear bases de datos con más o menos información referente a distintos usuarios, así como diferentes formas de utilizar Ia información de tales bases de datos, con el fin de que Ia persona responsable de seleccionar Ia intervención, o intervenciones, tal como un terapeuta, pueda evaluar Ia evolución de un usuario, o paciente, al ejecutar una o más tareas, comparar sus resultados con los de otros usuarios, o incluso seleccionar las tareas a suministrarle en función de los resultados de otros usuarios a los que se les ha asignado dicha tarea.

La patente US6964638 propone un método para medir Ia capacidad cognitiva de un usuario, presentándole una serie de tests cognitivos y, entre otras acciones, realizar un análisis estadístico de las respuestas a dichos tests utilizando como referencia información que puede incluir las respuestas a dichos tests de otros usuarios presumiblemente saludables. En Ia memoria descriptiva de dicha patente se hace incidencia en que Ia propuesta allí descrita combina Ia capacidad del análisis estadístico con Ia capacidad de recopilar datos de las respuestas a funciones cognitivas.

En Ia patente US5711671 se propone un sistema que incluye un ordenador anfitrión, o "host", en conexión con varios terminales computerizados de pacientes y varios de terapeutas. El "host" tiene acceso a una base de datos que incluye tanto unas tareas o tratamientos a seleccionar por un terapeuta para asignárselos a un paciente, como las respuestas a Ia realización de dichas tareas por parte de diferentes pacientes. Para un ejemplo de realización el "host" actúa como supervisor de los terapeutas. Otras tareas que el "Host" Ie ofrece al terapeuta son: registro "on-line" de pacientes, de prescripciones (y actualizaciones) de tratamientos, de evaluación de progresos clínicos, así como el suministro de informes. En dicha patente se propone que el terapeuta, al ver Ia evolución del paciente, Ie prescriba tareas, o procedimientos de tratamiento, adicionales. También se propone que el "host" almacene y combine las respuestas de varios pacientes para poder realizar una búsqueda conductiva de procesos de rehabilitación.

Por otra parte en Ia patente US628198 se propone un método para administrar unos tests cognitivos a un paciente, monitorizar remotamente sus respuestas a los tests y valorar Ia evolución de su nivel cognitivo en base a dichas respuestas. En dicha patente se propone construir una base de datos que puede incluir tests cognitivos, de referencia o no, información demográfica del paciente, y sus respuestas a los tests. En Ia memoria descriptiva de Ia patente US628198 se describe incluir en Ia base de datos información de respuestas a tests para una gran cantidad de personas, y utilizar esta información para Ia elección de programas de terapia propuestos.

Se describe también en US628198 Ia realización, en función de sus características demográficas o de otras características, de diferentes grupos de pacientes que tienen en común tendencias en sus respuestas, e incluir a dichos grupos en Ia base de datos. Dichos grupos tienen como fin el extrapolar las respuestas de un paciente perteneciente a un grupo al resto de miembros de dicho grupo, para, por ejemplo, seleccionar un programa de terapias para un paciente en función de respuestas de otros pacientes a programas similares de terapias, así como evaluar el progreso del paciente en comparación con otros casos.

En Ia patente US6632174 se propone un método para diagnosticar y entrenar Ia habilidad cognitiva de un usuario, con el fin de seleccionar unas u otras tareas a realizar por parte del usuario. Se propone almacenar en una base de datos (local o remota) las respuestas y resultados históricos de varios usuarios, para poder realizar una validación cruzada de los resultados de ün usuario contra un criterio considerado aceptable.

En ninguno de dichos documentos se enseña ni tan siquiera se sugiere un uso de las mencionadas bases de datos que vaya más allá de Ia utilización directa de dicha información almacenada en las bases de datos, ya sea para realizar un análisis estadístico, una búsqueda conductiva, extrapolaciones o validaciones cruzadas de resultados de diferentes pacientes.

Explicación de Ia invención

Aparece necesario ofrecer una alternativa al estado de Ia técnica que permita extraer realmente un gran provecho de Ia información almacenada en una de tales bases de datos, relativa a una pluralidad de usuarios o pacientes, no para simplemente extraerla directamente o aplicar sobre ella unos criterios estadísticos, sino para utilizarla como fuente de datos brutos para obtener una información neta cuya clasificación, de diferentes maneras, proporcione una serie de predicciones candidatas relativas a unas intervenciones a realizar o experimentar por parte de un usuario, en base a las cuales determinar una o más predicciones finales.

La presente invención constituye Ia mencionada alternativa al estado de Ia técnica, mediante Ia aportación, en un primer aspecto, de un método cuya aplicación proporciona Ia citada utilización de Ia información de una de tales bases de datos para conseguir los mencionados objetivos de selección de una o más predicciones finales que permitan guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal.

Para ello la presente invención concierne, en un primer aspecto, a un método para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, que comprende generar y utilizar una base de datos con información referente a una pluralidad de usuarios al menos relativa a unas intervenciones a realizar o experimentar y a las respuestas a Ia realización de dichas intervenciones por parte de dichos usuarios.

A diferencia de las propuestas convencionales, el método propuesto por Ia presente invención comprende, de manera característica, Ia realización de las siguientes etapas, de forma automática: a) generar dos o más grupos de predicciones candidatas relativas a posibles intervenciones, realizando dos o más etapas de clasificación basada en como mínimo reglas heurísticas sobre Ia información de dicha base de datos, considerada como constituyente de unos datos de entrenamiento básicos, b) generar a partir de cómo mínimo dichos dos grupos de predicciones candidatas un conjunto de datos de entrenamiento en meta-nivel, y c) realizar una meta-clasificación basada en como mínimo reglas heurísticas sobre dicho conjunto de datos de entrenamiento en meta-nivel, y d) determinar un grupo de predicciones óptimas en base a los resultados de dicha etapa c), seleccionando uno de dichos grupos de predicciones candidatas obtenido en Ia etapa a), o bien combinándolos entre si.

Con el fin de mejorar los resultados a obtener mediante la aplicación de Ia citada- etapa a), el método propuesto comprende, para un ejemplo de realización preferido, validar, en Ia etapa a), los resultados de dichas etapas de clasificación a partir de unos datos de validación comunes para Ia validación de los resultados de todas las etapas de clasificación, e independientes y separados de los datos de entrenamiento básicos, realizándose las predicciones candidatas tras dicha validación.

El método comprende, para obtener unos mejores resultados en dicha etapa c), generar, en Ia etapa b), el mencionado conjunto de datos de entrenamiento en meta- nivel, a partir también de dichos datos de validación.

Para un ejemplo de realización dicha etapa a) comprende llevar a cabo dichas etapas de clasificación de manera independiente mediante Ia utilización de dos o más clasificadores, como mínimo uno por etapa de clasificación, diferenciados entre sí al menos porque cada uno de ellos está basado en Ia aplicación de un respectivo conjunto de reglas heurísticas diferente al del otro clasificador, para obtener dichos dos o más grupos de predicciones candidatas diferentes entre sí.

Siguiendo con dicho ejemplo de realización, una vez se han generado los grupos de predicciones candidatas, cuando dicha etapa d) comprende seleccionar uno de los grupos de predicciones candidatas, Ia etapa d) comprende seleccionar también el clasificador, y reglas heurísticas utilizadas, que ha provocado dichas predicciones óptimas.

Para otro ejemplo de realización del método propuesto por el primer aspecto de Ia invención, Ia etapa a) comprende llevar a cabo dichas dos o más etapas de clasificación mediante Ia utilización de un único clasificador basado en un único conjunto de reglas heurísticas, utilizándose dicho clasificador dos o más veces, una por cada etapa de clasificación, con unos parámetros de entrada diferentes cada vez, para obtener dichos dos o más grupos de predicciones candidatas diferentes entre sí, tras Io cual para dicho caso en que Ia etapa d) comprende seleccionar uno de los grupos de predicciones candidatas, ésta comprende seleccionar también los parámetros de entrada del clasificador que han provocado dichas predicciones óptimas.

Los dos ejemplos de realización descritos en relación a Ia manera de llevar a cabo las etapas de clasificación de Ia etapa a) son alternativos o complementarios, en cuyo último caso se contempla Ia realización de etapas de clasificación diferenciadas por utilizar clasificadores diferentes, y de otras etapas de clasificación diferenciadas porque, aunque utilizan un mismo clasificador, éste utiliza unos parámetros de entrada diferentes cada vez. Para dicho caso complementario, el número de etapas de clasificación es igual o mayor que tres.

Para el ejemplo de realización en el que las etapas de clasificación comprenden utilizar clasificadores diferentes, el método comprende utilizar clasificadores diferenciados no solamente por las regla heurísticas a utilizar, sino por otras características, tales como: tipo de clasificador, modo de funcionamiento, etc.

Por otra parte si bien las etapas de clasificación, y de meta-clasificación, realizadas según el método propuesto, están basadas en como mínimo Ia aplicación de reglas heurísticas, el método propuesto comprende realizarlas utilizando otra clase de reglas adicionales, tales como reglas determinísticas.

Para un ejemplo de realización, al que posteriormente se hará referencia como de procesado "off-line", el método comprende realizar las etapas a) a d) de manera previa al requerimiento o instancia de una predicción relativa a una intervención para un usuario determinado, en cuyo caso comprende, con el fin de llevar a cabo dicha predicción, aplicar el clasificador, junto con sus parámetros de entrada y reglas heurísticas, seleccionados tras dicha etapa d), sobre unos datos con información referente a dicho usuario determinado, para obtener como mínimo Ia predicción relativa a una intervención a realizar.

Para otro ejemplo de realización alternativo, o de procesado "on-line", el método comprende realizar las etapas a) a d) tras el requerimiento de Ia predicción relativa a una intervención para un usuario determinado, incluyéndose en dicha base de datos a utilizar en dicha etapa a) unos datos con información referente a dicho usuario determinado, para obtener finalmente al menos Ia predicción relativa a dicha intervención a realizar.

Para el caso en que dicho usuario determinado es un usuario de Ia citada pluralidad de usuarios, el método comprende extraer de Ia base de datos los datos con información referente a dicho usuario determinado, con el fin de utilizarlos en Ia etapa a) como parte de los mencionados datos de entrenamiento básicos, ya sea para el procesado "off-line" como para el "on-line".

Si, en cambio, dicho usuario determinado no es un usuario de dicha pluralidad de usuarios, es decir si es un usuario nuevo, por Io que sus datos no estaban incorporados en Ia base de datos, el método comprende introducir los datos con información referente a dicho usuario determinado en dicha base de datos, ya sea para el procesado "on-line" como para el "off-line", en cuyo último caso Ia realización de las etapas a) a d) puede llevarse a cabo una vez ya han sido incorporados en Ia base de datos los datos del usuario nuevo o de manera previa a dicha introducción.

Con el fin de enriquecer Ia base de datos, y por ende de aumentar Ia precisión en futuras predicciones aplicando el método propuesto, éste comprende:

- proporcionarle dicha intervención a dicho usuario determinado;

- experimentar, dicho usuario determinado, dicha intervención; y

- adquirir y registrar en dicha base de datos unos datos con información referente a los resultados de Ia experimentación de dicha intervención por parte del usuario determinado y, si es el caso, otros nuevos datos referentes a dicho usuario determinado, con el fin de actualizar dicha base de datos

El método comprende volver a realizar las etapas a) a d), de manera secuencial, periódicamente o cada vez que se introducen nuevos datos en dicha base de datos, actualizándose así con el tiempo las predicciones determinadas, las cuales serán cada vez más precisas, por el aprendizaje provocado por Ia reejecución de las etapas a) a d) y por Ia actualización de Ia información almacenada en Ia base de datos.

Para un ejemplo de realización del método propuesto, las etapas de clasificación de a) y Ia etapa d) de meta-clasificación se llevan a cabo mediante Ia utilización de redes neuronales artificiales, en cuyo caso los mencionados parámetros de entrada son relativos a los propios de una red neuronal artificial, tales como los que hacen referencia a una o más de las siguientes características: topología de Ia red, función de activación, condición de fin, mecanismo de aprendizaje, o a una combinación de las mismas.

En un ejemplo de realización complementario al descrito en el párrafo anterior o independiente del mismo, las etapas de clasificación de Ia etapa a) y Ia etapa d) de meta-clasificación se llevan a cabo mediante Ia utilización de algoritmos de aprendizaje automático inductivos, llevándose a cabo en Ia etapa d) Ia selección del algoritmo de aprendizaje inductivo y/o de sus parámetros de entrada, que ha provocado las mencionadas predicciones óptimas.

Para dicho caso en que se utilizan algoritmos de aprendizaje automático inductivos, con el fin de llevar a cabo el anteriormente denominado como procesado "off-line", los algoritmos a utilizar son de tipo ávido (como es el caso de que se utilicen redes neuronales artificiales).

En cambio, para el caso anteriormente denominado como de procesado "on line" los algoritmos a utilizar son de tipo perezoso ("lazy"), tales como los utilizados en métodos inductivos como el razonamiento basado en casos, cuyos parámetros de entrada son uno o más de los siguientes: tipo de indexación, (por dimensiones, en diferencias, en similaridades, en explicaciones, etc.), tipo de almacenamiento (modelo de memoria dinámico (Schank, Lolodner) o modelo de ejemplos de categorías (Porter, Bareiss)), tipo de recuperación (vecinos más cercanos, árboles de decisión, plantilla de consultas tipo SQL, etc.) y tipo de adaptación (estructural o derivacional), o una combinación de los mismos.

El método propuesto comprende utilizar cualquier algoritmo o estrategia conocido en el campo del meta-aprendizaje para llevar acabo las diferentes etapas de clasificación descritas con anterioridad.

Las aplicaciones del método propuestos son cualesquiera que incluyan procedimientos cuyo substrato sea Ia plasticidad neuronal, tales como los referentes a Ia neurorehabilitación, Ia neuroeducación/neuroaprendizaje o Ia neuroestimulación cognitiva, todos ellos representativos de diferentes ejemplos de realización de aplicación del método propuesto por Ia invención.

En cuanto a Ia intervenciones guiadas de manera segura mediante el método propuesto, ésta comprenden, para unos ejemplos de realización, como mínimo unas tareas cognitivas y/o funcionales a realizar por el anteriormente denominado como usuario determinado, o sujeto de dicha neurorehabilitación, de dicha neuroeducación/neuroaprendizaje o de dicha neuroestimulación cognitiva.

Por lo que se refiere a Ia información a incluir en Ia base de datos, el método propuesto por el primer aspecto de Ia invención comprende, en dicha etapa de generación de Ia base de datos, incluir información referente a cada usuario de dicha pluralidad de usuarios relativa a variables personales y/o estructurales y/o funcionales y/o evolutivas, las cuales se definen de manera más detallada a continuación.

Por Io que se refiere a dichas variables personales, o variable bio-psico-sociales, éstas hacen referencia a todas aquellas variables que constituyen el trasfondo particular de Ia vida del usuario o sujeto y de su estilo de vida.

El presente método distingue entre tres tipos de variables personales:

- Variables biológicas: fecha de nacimiento, edad, género, etc.

- Variables psicológicas: personalidad premórbida, actitudes de Ia persona, estilos de afrontamiento, etc.

- Variables sociales: lugar de residencia, nivel educativo, estatus laboral, estatus socioeconómico, estado civil, estabilidad, apoyo familiar, etc.

Las mencionadas variables estructurales comprenden variables que permiten definir Ia existencia o no de alteraciones a nivel de Ia estructura, así como describir Ia afectación, en el caso de que exista, de cada uno de los usuarios, y comprenden una o más de las siguientes variables:

- Variables de diagnóstico principal y secundarios (si los hubiere).

- Variables de etiología (p.ej. TCE, ictus, enfermedad neurodegenerativa,...).

- Variables de lesiones en neuroimagen.

- Variables de severidad de Ia lesión.

- Variables de tiempo de evolución.

Las citadas variables funcionales comprenden información relativa a los aspectos cognitivos de los usuarios valorados mediante una batería de exploración neuropsicológica, e incluyen una o más de las siguientes variables:

- Variable de Atención, Ia cual es una función compleja formada por subprocesos específicos. Se distinguen las siguientes:

1) Atención sostenida: permite estar alerta delante de estímulos durante períodos de tiempo largos.

2) Atención selectiva: capacidad para procesar selectivamente una información inhibiendo otro que no es relevante.

3) Atención dividida: capacidad para realizar dos actividades simultáneamente. - Variable de Lenguaje, representativa de Ia capacidad del ser humano para comunicarse a través de signos, principalmente de signos lingüísticos, dentro de Ia que el método distingue:

- Producción.

- Comprensión.

- Nominación

- Lectura

- Gramática

- Pragmática

- Variable de Memoria, que define el proceso cognitivo que permite grabar y reproducir información. La memoria no es una función única, sino que puede subdividirse en base a diferentes clasificaciones, como las siguientes:

-Temporal: memoria de corto y largo plazo.

- Dominio: memoria declarativa e implícita.

- Tipo de información: verbal o no verbal.

- Fase temporal: codificación, consolidación y evocación.

- Variable de Funciones Ejecutivas: son el conjunto de funciones cognitivas que permiten el control y Ia regulación de las conductas dirigidas a un objetivo o meta, que están integradas por diferentes capacidades cognitivas, e incluyen:

- Planificación.

- Monitorización

- Verificación

- Inhibición

Y finalmente, en cuanto a las mencionadas variables evolutivas se refiere, éstas comprenden información relativa al éxito de Ia experimentación de una o más intervenciones por parte de cada usuario, siendo dicho éxito analizado a al menos uno de los siguientes cuatro niveles:

- éxito a nivel de ejecución de Ia tarea cognitiva y/o funcional y de Ia idoneidad o adecuación de Ia tarea propuesta para cada perfil concreto de usuario;

- éxito a nivel de Ia consecución del objetivo inmediato, entendido como una mejora en Ia función cognitiva para Ia cual ha sido seleccionada Ia tarea cognitiva y/o funcional;

- éxito a nivel de Ia consecución del objetivo genérico, entendido como mejoras objetivadas en otras funciones cognitivas, además de Ia función diana; y - éxito a nivel de Ia consecución del objetivo a largo plazo, entendido como una reducción de las limitaciones funcionales para el desarrollo de actividades de Ia vida diaria, cuando es el caso de un procedimiento de neurorehabilitación, o entendido como el alcance de un cierto grado de neuroaprendizaje cuando es el caso de un procedimiento de neuroeducación/neuroaprendizaje, o entendido como una mejora en las capacidades cognitivas estimuladas cuando es el caso de neuroestimulación cognitiva.

Cuanto mayor sea el número de dichas variables a incluir en Ia base de datos, mejor será el resultado a obtener, es decir más fiables serán las predicciones finales obtenidas. Es por ello que para un ejemplo de realización el método comprende incluir todas las variables descritas anteriormente en Ia base de datos, y utilizarlas como datos de entrenamiento básicos en Ia etapa a).

Para un ejemplo de realización preferido el método comprende iniciar dicha etapa a) tras Ia selección previa, por parte de Ia persona responsable de seleccionar Ia intervención, o intervenciones, de una o más intervenciones a aplicar a un usuario determinado.

Por Io que ser refiere a las predicciones finales determinadas mediante Ia aplicación del método propuesto por Ia presente invención, para un ejemplo de realización preferido éstas hacen referencia al porcentaje de éxito o riesgo que tiene el aplicar una intervención a un usuario determinado, y el método comprende, para una variante de dicho ejemplo de realización, representar dicho porcentaje de éxito o riesgo, para dicho usuario determinado, mediante las variables evolutivas descritas anteriormente, e incorporar en Ia base de datos los nuevos valores de las variables evolutivas para dicho usuario determinado.

Si Ia denominada persona responsable de seleccionar Ia intervención, o intervenciones, es un terapeuta que selecciona, por ejemplo, una tarea a asignarle a un paciente (selección que lleva a cabo en base a sus conocimientos sobre Ia materia), dicho terapeuta requiere de Ia ejecución de las etapas a) a d) del método propuesto, para ser guiado en Ia intervención o tarea que previamente ha seleccionado.

Dicho guiado se traduce, una vez ejecutadas las etapas a) a d), en suministrarle (por ejemplo visualmente a través de una pantalla) un porcentaje de éxito o riesgo que tiene el asignarle Ia tarea seleccionada al usuario determinado, permitiendo ese porcentaje que el terapeuta sea guiado en el sentido de saber si su elección es considerada, por parte del sistema que implementa el método, como de alto o de bajo riesgo, tras Io cual el terapeuta decide finalmente si mantener su selección de tarea o modificarla. Con el fin de suministrarle, por ejemplo al terapeuta, una fuente de guiado adicional al mencionado porcentaje de éxito o riesgo, el método comprende realizar un filtrado colaborativo mediante el cual integrar Ia opinión explícita de una pluralidad de terapeutas (o personas responsables de otro tipo de función, cuando no es el caso de llevar a cabo una terapia), mediante, por ejemplo, una ponderación individual de las predicciones determinadas.

Un segundo aspecto de Ia invención concierne a un sistema para guiar de forma segura unas intervenciones en procedimientos cuyo substrato es Ia plasticidad neuronal, que es apto para aplicar el método propuesto por el primer aspecto de Ia invención, y que será descrito con mayor detalle en un apartado posterior.

Breve descripción de los dibujos

Las anteriores y otras ventajas y características se comprenderán más plenamente a partir de Ia siguiente descripción detallada de unos ejemplos de realización con referencia a los dibujos adjuntos, que deben tomarse a título ilustrativo y no limitativo, en los que:

Ia Fig. 1 muestra un diagrama esquemático que incluye los diferentes elementos que toman parte en las diferentes etapas del método propuesto por el primer aspecto de Ia invención, para un ejemplo de realización; y

Ia Fig. 2 es una representación esquemática del sistema propuesto por el segundo aspecto de Ia invención para un ejemplo de realización.

Descripción detallada de unos ejemplos de realización

Haciendo en primer lugar referencia a Ia Fig. 1 , en ella se han representado diferentes elementos o bloques mediante los cuales implementar las etapas a) a d) del método propuesto por el primer aspecto de Ia invención para un ejemplo de realización.

En concreto el diagrama ilustrado en Ia Fig. 1 ilustra el anteriormente descrito ejemplo de realización para el que Ia etapa a) comprende llevar a cabo las etapas de clasificación de manera independiente mediante Ia utilización de dos clasificadores, indicados en Ia Fig. 1 como "Clasificador A" y "Clasificador B", uno por etapa de clasificación, diferenciados entre sí porque cada uno de ellos está basado en Ia aplicación de un respectivo conjunto de reglas heurísticas diferente al del otro clasificador, indicados en Ia Fig. 1 como "Heurística Base A" y "Heurística Base B", para obtener dichos dos grupos de predicciones candidatas diferentes entre sí, indicadas en Ia Fig. 1 como "Predicciones A" y "Predicciones B", respectivamente. En definitiva la Fig. 1 representa un posible escenario de meta-aprendizaje, que presenta las siguientes etapas:

1. Los clasificadores A y B son entrenados a partir de un conjunto de datos de entrenamiento común, aplicándoles unas reglas heurísticas, o heurísticas base A y B, respectivamente. Secuencia indicada por las flechas 1 en Ia Fig. 1.

2. Las predicciones candidatas A y B se generan a partir de los clasificadores A y B, respectivamente, aprendidos en un conjunto de datos de validación independiente y común para ambos clasificadores. Secuencia indicada por las flechas 2 en Ia Fig. 1.

3. Se genera un conjunto de datos de entrenamiento en el meta-nivel a partir del conjunto de datos de validación y de las predicciones candidatas A y B generadas por los clasificadores A y B, respectivamente, en el conjunto de datos de validación. Secuencia indicada por las flechas 3 en Ia Fig. 1.

4. El clasificador final (Meta-clasificador) es entrenado a partir del conjunto de datos de entrenamiento en Meta-nivel, mediante una Meta Heurística que utiliza aprendizaje inductivo en el meta nivel para integrar los diferentes clasificadores A y B, o mejorar el desempeño de cada uno de ellos de manera independiente, con el fin de determinar las predicciones finales u óptimas en Ia anteriormente descrita etapa d).

El método propuesto por el primer aspecto de Ia invención es llevado a cabo, para un ejemplo de realización, mediante el escenario de meta-aprendizaje ilustrado por Ia Fig. 1 , aunque para otros ejemplos de realización el escenario puede ser otro, de mayor o menor complejidad, diferente al ilustrado.

En cuanto a las estrategias a aplicar para implementar el Meta-clasificador, éstas pueden ser de índole muy diversa, tales como las siguientes: Votación, Votación ponderada o Arbitraje, con el fin de obtener Ia predicción final en Ia etapa d), tras Ia recepción de una instancia a ser clasificada que, para un ejemplo de realización, consiste en una tarea preasignada a un paciente determinado por parte de un terapeuta.

En Ia Fig. 2 se ilustra un ejemplo de realización del sistema propuesto por el segundo aspecto de Ia invención, el cual es apto para aplicar el método propuesto por el primer aspecto de Ia invención, y comprende:

- un servidor informático central 5, con acceso a una base de datos 6 como Ia descrita con anterioridad para el método propuesto por el primer aspecto de Ia invención, - una pluralidad de terminales informáticos de usuario 7a, 7b, 7c computerizados en comunicación bidireccional con dicho servidor informático central 5 para recibir, cada uno de ellos, información relativa a dichas intervenciones y para enviar al servidor informático central 5 el resultado de Ia realización de dichas intervenciones, y

- un terminal informático de terapeuta 8 en comunicación remota con dicho servidor informático central 5 para requerir Ia predicción de una intervención para un usuario determinado, para recibir dicha predicción requerida, y para confirmar el envío de información relativa a dicha intervención, en relación a Ia cual se ha requerido dicha predicción, por parte del servidor al terminal de dicho usuario 7a determinado.

El servidor informático central 5 está previsto para llevar a cabo las etapas a) a d) del método propuesto por el primer aspecto de Ia invención.

En dicha Fig. 2 se ha representado una arquitectura del sistema propuesto dividida en tres capas: una de presentación que incluye a los diferentes terminales 7a- 7c y 8, una de aplicación que incluye al mencionado servidor central 5, referido como servidor de aplicaciones y una de repositorio, que incluye además de Ia mencionada base de datos 6, un servidor de base de datos 9 a través del cual el servidor 5 accede a Ia base de datos 6.

A continuación se explica un ejemplo de realización con base a Ia arquitectura del sistema ilustrada en Ia Fig. 2, referida también como plataforma, cuyo funcionamiento se describe a continuación.

A través de esta plataforma los usuarios pueden ejecutar las tareas que ha programado el terapeuta, independientemente de su ubicación física, con los únicos requisitos de disponer de una conexión a Internet y del programario de Ia aplicación cliente instalado en el ordenador o terminal del usuario 7a-7c.

El servidor de Ia plataforma 5 proporciona una interfaz web de acceso remoto donde el programario cliente se conecta con el fin de autenticarse, recuperar Ia información sobre las tareas a realizar en Ia sesión en curso y transmitir los resultados generados al servidor de Base de Datos 9.

Se trabaja por tanto en base a una arquitectura estructurada en tres capas independientes que interactúan entre sí:

La capa de Presentación:

Esta capa reúne todos los aspectos del software que tiene que ver con las interfaces y Ia interacción del sistema con los usuarios y terapeutas. El programario cliente se encuentra instalado en cada uno de los ordenadores, 7a-7c y 8, que acceden a Ia plataforma a través de Ia interfaz proporcionada en esta capa de modo que los terapeutas pueden pautar las tareas a ejecutar por sus usuarios y estos ejecutarlas independientemente de su ubicación física. Esta comunicación se realiza mediante Servicios Web XML-RPC, el cual funciona a través del protocolo HTTP o HTTPS que a priori asegura que las comunicaciones no se verán bloqueadas en encaminadores ni cortafuegos a menos que éstos tengan inhabilitados de forma expresa las transmisiones por los puertos 80 o 443. Como este protocolo ejecuta por encima del protocolo de transporte TCP todo dato enviado será recibido por el destinatario.

La capa de Aplicación:

En esta capa se reciben y gestionan las peticiones generadas por el programario cliente, desde Ia capa de Presentación y se Ie despliegan los resultados. Se interactúa con Ia capa de Repositorio para solicitar al servidor de Base de Datos 9 el almacenamiento o recuperación de datos a partir de él. En términos generales es referida como Ia capa donde se concentra Ia lógica del método, es decir las reglas que rigen el comportamiento a nivel funcional de Ia aplicación, con el fin de llevar a cabo el método propuesto por el primer aspecto de Ia invención para enviarle al terminal de terapeuta 8, ubicado en Ia capa de presentación, una predicción final tras su petición por parte del terapeuta, y a los terminales de usuario 7a-7c las tareas asignada por el terapeuta.

La capa de Repositorio:

Esta capa reúne todos los aspectos del software que tienen que ver con el manejo de los datos persistentes, gestionándolos de forma transparente a Ia capa de Aplicación.

A continuación se desglosan algunos de los elementos utilizados en base a Ia arquitectura estructurada en tres capas ilustrada por Ia Fig. 2. Estos son:

Patrón de diseño: Teniendo en cuenta este encapsulamiento del sistema en estos tres niveles o capas independientes se propone Ia utilización d el patrón de diseño Modelo- Vista-Controlador (MVC). Este patrón de diseño separa explícitamente el acceso a los datos y Ia lógica del método de Ia presentación de los datos y las interacciones con los usuarios y terapeutas mediante Ia introducción de un componente intermedio: el controlador. Con este motivo se utiliza la plataforma J2EE donde cada uno de los tres componentes del patrón de diseño tendrá Ia siguiente funcionalidad: Modelo: Cualquier acceso a las bases de datos 6 utilizará alguna de las funciones proporcionadas por las clases del Modelo. Estas clases se denominan "Data Access Object" (DAO) y se instancian desde las clases denominadas "Action". Las clases que corresponden a una representación de una tabla de una base de datos son los "Valué Object" (VO), detallados mas adelante.

Vista: Corresponde a Ia interfaz web, Ia que ven usuarios y terapeutas y con Ia que han de interactuar. Se implementa utilizando Java Server Pages (JSP) con código HTML y CSS.

Controlador: Se trata de un Servlet que recibe las peticiones desde Ia Vista y las redirige al Modelo correspondiente.

Toda aplicación web en el servidor Apache Tomcat, que es el utilizado en el sistema para un ejemplo de realización, contiene dos directorios no públicos de información relativa a Ia ejecución de Ia web. Esos directorios son:

META-INF: Contiene el fichero manifest.mf con información genérica sobre Ia aplicación y el fichero context.xml el cual define el contexto con recursos que utiliza Ia web, como por ejemplo el acceso a Ia base de datos 6.

WEB-INF: contiene las clases compiladas, bibliotecas y el fichero web.xml definiendo Ia estructura de Ia aplicación con los servlets, redirecciones y mapeos existentes. También contiene unos ficheros denominados de propiedades que son los siguientes:

• actions.properties: indica para cada entidad cual es su fichero con Ia vista (JSP) y cual es el fichero con Ia acción (Action).

• params.properties: define los parámetros generales de Ia aplicación.

A continuación se describe el proceso que sigue el sistema para servir una página web:

1. Se genera una petición a partir de una dirección URL con el formato protocolo://servidor:puerto/peticion.do. Como las direcciones finalizadas en .do están mapeadas hacia el controlador, tal como se ha definido en el fichero web.xml, éste recibirá Ia petición. 2. El controlador pasará la petición capturada hacia Ia siguiente acción, como tiene cargado el fichero action.properties, conoce cuál es Ia acción que debe ejecutar.

3. La acción que corresponde a Ia petición recibe los datos de ésta y ejecuta las correspondientes consultas a Ia base de datos 6 a través de los DAO correspondientes a las entidades de las que ha de recuperar, insertar, borrar o actualizar datos.

4. Cuando Ia acción termina, vuelve a escena el controlador, el cual llama a Ia vista correspondiente a Ia petición.

5. La vista (JSP) recibe los datos que haya retornado Ia acción encapsulados en Ia variable de tipo respuesta. La vista contiene código Java, el cual trata los datos recibidos (colecciones de VO, etc.) los compila en tiempo de ejecución y envía hacia el navegador web el código HTML resultante.

El Modelo del patrón de diseño está compuesto por tanto por Entidades, que son componentes -J2EE que representan datos almacenados en Ia base de datos. Cada entidad corresponde a uno de los siguientes tres objetos:

• Data Access Object: implementa Ia clase que contiene todos los métodos para ejecutar consultas contra Ia base de datos; estas consultas permiten recuperar, insertar, borrar y actualizar datos.

• Valué Object: son objetos que se utilizan para transferir información entre procesos y no tienen otro comportamiento que el almacenamiento y Ia recuperación de sus propios datos.

• Primary Key: Este objeto es una clase que almacena Ia clave primaria de Ia entidad. El tipo de clave primaria se define en esta clase lo que permite abstraerlo en toda Ia plataforma.

A continuación se presentan algunas de las entidades implementadas en Ia plataforma:

• User: Maneja todos los datos relacionados con los usuarios de Ia aplicación, independientemente del rol de cada uno de ellos (usuarios, terapeutas,...).

• Language: Sirve para gestionar los idiomas (Castellano, Catalán,..) que contempla Ia plataforma y permite agregar nuevos.

• Function: Se utiliza para guardar Ia información acerca de funciones (cognitivas,...) y subfunciones soportadas. • Task: Contiene Ia información relativa a las tareas que proponen los terapeutas a los usuarios.

• Parámetros: Contiene Ia información de los parámetros de entrada y salida de una tarea dada.

• Session: Contiene los datos relativos a sesiones de tareas

El planificador de tareas y Ia consulta de resultados tienen Ia peculiaridad de que una acción sobre alguno de los elementos de Ia página no provoca que se refresque completamente Ia misma sino que únicamente se refrescan aquellas partes que contienen nueva información. Esto se logra utilizando un grupo de técnicas de desarrollo web interrelacionadas denominadas AJAX (Asynchronous JavaScript and XML). Esta tecnología permite realizar llamadas asincronas en JavaScript a un servidor web utilizando el objeto XMLHttpRequest, Ia respuesta de Ia misma también se procesa en forma asincrona para cambiar dinámicamente Ia apariencia de Ia página web. Esto aporta una mayor interactividad, funcionalidad, eficiencia y facilidad de uso de las páginas web.

En el lado del servidor de aplicaciones 5 se han creado tres servlets que son los que reciben estas peticiones asincronas, para Ia sección del planificador de tareas. Estos servlets son:

BlockServIet: Se ocupa de Ia gestión de los bloques de tareas y las tareas dentro de éstos, también permite cambiar de día en el calendario, cargando Ia planificación sobre el día seleccionado.

SchedulerServIet: Se ocupa de Ia navegación en el árbol de tareas generado al agruparlas en funciones y subfunciones.

En Io que tiene relación con Ia consulta de resultados se utiliza el siguiente servlet:

ResultServIet: permite Ia navegación por un calendario, cargando para cada día seleccionado, Ia información relativa a los resultados de Ia sesión seleccionada.

En el costado del cliente, es decir el navegador, se han creado los ficheros ajax.js para el planificador y para Ia consulta de resultados. Estos ficheros contienen todas las funciones que se utilizan para comunicarse de forma asincrona con el servidor 5. Para evitar Ia implementación de las llamadas HTTP se utiliza una biblioteca de código libre llamada SACK Ia cual proporciona una API que facilita las llamadas al servidor así como Ia obtención de Ia respuesta. En relación a las respuestas que recibe el servidor 5, pueden ser en formato texto plano o en formato XML. En el primer caso se lee directamente, si se trata de formato XML se utilizan las funciones XML DOM de JavaScript para leer los datos recibidos. En ambos casos, para modificar dinámicamente Ia visualización de Ia página web se utilizan las funciones de JavaScript conocidas como HTML DOM.

Como se ha mencionado anteriormente, el sistema permite que los usuarios no deban encontrarse físicamente en ninguna ubicación particular (hospital, centro de atención, etc.) para realizar las tareas que los terapeutas les asignan tras haber sido guiados convenientemente por mediación de Ia predicción final determinada según Ia etapa d) del método propuesto por el primer aspecto de Ia invención. La tecnología seleccionada para dar soporte a esta prestación son los servicios web XML-RPC, debido a su simplicidad, minimalismo y facilidad de uso. Los datos se envían en formato XML y las conversiones entre las llamadas remotas y el XML Ia realizan las librerías de forma transparente al programador. Además permite una abstracción de Ia aplicación web y del programario del cliente del lenguaje de programación utilizado.

Con Ia extensa y específica descripción del ejemplo de realización anterior se ha pretendido demostrar que el sistema propuesto por el segundo aspecto de Ia invención se ha implementado en Ia práctica para demostrar Ia bondad del mismo y del método propuesto por el primer aspecto de Ia invención aplicado por parte del sistema.

Un experto en Ia materia podría introducir cambios y modificaciones en los ejemplos de realización descritos sin salirse del alcance de Ia invención según está definido en las reivindicaciones adjuntas.