image
PROYECTO

MODELO AUTOMÁTICO DE PREDICCIÓN TEMPRANA DE ADHERENCIA AL TRATAMIENTO EN PACIENTES CON APNEA OBSTRUCTIVA DEL SUEÑO (TreatNet)

partner partner partner partner
Descripción del proyecto

Resumen ejecutivo

El problema

La apnea obstructiva del sueño (AOS) es una enfermedad respiratoria crónica y muy prevalente, que puede repercutir significativamente en la salud y calidad de vida de los pacientes. La presión positiva continua en las vías respiratorias durante la noche (continuous positive airway pressure, CPAP) se considera la terapia más efectiva, siendo la principal opción de tratamiento en todo el mundo.

Se ha demostrado que los efectos positivos de la CPAP dependen de la adherencia al tratamiento. Esta adherencia se define como el uso del dispositivo durante más de 4 horas al menos el 70% de las noches. La CPAP no es un tratamiento curativo, lo que implica que su efectividad se mantiene solo mientras se usa y debe aplicarse de manera ininterrumpida. Por ello, se requiere el compromiso y la adaptación de los pacientes para favorecer el éxito del tratamiento.

img
icon
La falta de adherencia se ha reportado como una importante limitación del tratamiento con CPAP, restringiendo significativamente su efectividad
Hipótesis
img

Actualmente, no existe una forma precisa de predecir si un paciente con AOS será adherente o no adherente al tratamiento con CPAP. Los factores que contribuyen a la falta de adherencia no están lo suficientemente claros, lo que impide el uso de estrategias eficientes para minimizar sus consecuencias.

El análisis conjunto de datos médicos multivariantes, como datos sociodemográficos, clínicos y/o de uso de recursos (por ejemplo, telemonitorización), podría conducir a una identificación precisa de aquellos factores responsables de una mayor o menor adherencia al CPAP

¿Existen diferencias en la adherencia a la CPAP entre subgrupos de pacientes que comparten características específicas comunes?

icon

Objetivo principal

El objetivo general del proyecto consiste en diseñar, desarrollar y evaluar un modelo predictivo basado en algoritmos de inteligencia artificial destinado a estimar l a adherencia al tratamiento con CPAP en diferentes ventanas de tiempo (corto plazo: 3, 6 meses y 12 meses), utilizando datos sociodemográficos, antropométricos, clínicos y polisomnográficos del paciente justo antes del tratamiento, así como datos del uso de CPAP durante como máximo el primer mes de tratamiento

Objetivos específicos

01

Identificar subgrupos de pacientes conjuntos de características estrechamente relacionados con una mayor o menor adherencia al tratamiento con CPAP

Se aplicarán técnicas de aprendizaje no supervisado y métodos automáticos de selección de características: (i) para obtener una descripción adicional de los factores actuales relacionados con la adherencia en diferentes subgrupos de pacientes con SAOS; y (ii) para examinar nuevos factores no establecidos previamente.

02

Obtener un modelo de Machine Learning (ML)/Deep Learning (DL) de alto rendimiento capaz de predecir la adherencia al CPAP en diferentes marcos temporales utilizando fuentes complementarias de datos multivariables

Se utilizarán datos sociodemográficos, antropométricos, clínicos, polisomnográficos y de uso a corto plazo del CPAP para entrenar y testear prospectivamente una serie de algoritmos de ML y DL destinados a realizar las siguientes tareas: (i) clasificar a los pacientes en las categorías mutuamente excluyentes de "adherencia" y "no adherencia" (clasificación binaria); y (ii) estimar el número promedio de horas diarias de uso de CPAP (regresión de una variable continua). Todos los modelos (de clasificación y regresión) se entrenarán para inferir la adherencia en períodos de tiempo crecientes: 3, 6 y 12 meses desde el inicio de la terapia. Este enfoque variable contribuirá a mejorar la detección temprana de pacientes no adherentes a largo plazo.

03

Explicar las predicciones derivadas de los modelos de ML/DL, en términos de características conocidas e interpretables de los pacientes utilizando técnicas de inteligencia artificial explicable (explainable artificial intelligence, XAI)

Las técnicas de XAI complementarán los modelos basados en ML/DL al mejorar su fiabilidad y maximizar las posibilidades de integración en entornos reales. XAI permitirá identificar los patrones críticos de datos que conducen a las predicciones de adherencia, así como posibles sesgos.

04

Obtener una herramienta integrada capaz de gestionar datos clínicos, aplicar el modelo predictivo automatizado de adherencia al CPAP y explicar las predicciones

Esta solución debe ser capaz de manejar una gran cantidad de datos relacionados con la salud (datos sociodemográficos, antropométricos, clínicos, polysomnográficos y variables de CPAP) de pacientes con AOS obtenidos diariamente. También incluirá el modelo óptimo final de ML/DL y las soluciones basadas en XAI, garantizando al mismo tiempo la seguridad de los datos. Se espera que ayude a los clínicos a seguir de cerca y de manera efectiva a sus pacientes, aumentando la salud y la calidad de vida de las personas afectadas por el AOS, ofreciéndoles un servicio de atención médica más personalizado y eficiente.

05

Transferir el conocimiento y los resultados tecnológicos generados al proveedor de terapia respiratoria domiciliaria

Realizar un análisis de coste-efectividad fiable de la propuesta es el primer paso para evaluar su viabilidad en un mercado real. Las acciones específicas relacionadas con este objetivo incluirán lo siguiente: (i) analizar los costes reales de la falta de adherencia a la CPAP; (ii) estudiar los costes asociados con la implementación de nuestra propuesta en el sistema de salud; (iii) estimar el número de pacientes que se beneficiarán de ella; y (iv) calcular el ahorro de costes y el margen de beneficio para la explotación real de la propuesta. Después de la integración y evaluación prospectiva de la herramienta final en la práctica clínica, se estudiará la posibilidad de emprender acciones de protección intelectual sobre los resultados, como patentes y/o licencias. En consecuencia, se identificarán todos los resultados que requieren protección y se transferirán a empresas e instituciones involucradas en el marco de la atención sanitaria, particularmente en los servicios de terapia respiratoria.

Colaboradores

Grupo formado principalmente por ingenieros y médicos de diferentes especialidades (neumología, oftalmología, neurología, neurofisiología y psiquiatría), que trabajan conjuntamente en distintas líneas de investigación. En particular, tiene una amplia experiencia en el procesado de señales cardiorrespiratorias para la ayuda al diagnóstico de la AOS. Los múltiples proyectos en los que ha participado y su creciente producción científica de alto impacto avalan la gran capacidad investigadora del grupo.

cover

Roberto Hornero Sánchez

Fundador & Coordinador

gib.tel.uva.es

Empresa especializada en la prestación de productos y servicios integrales de Terapias Respiratorias a Domicilio (TRD). En los últimos años la empresa ha realizado un importante esfuerzo de diversificación entrando en sectores con fuertes sinergias con las TRD, como son los gases medicinales, material fungible y hospitalario, equipos de diagnóstico para el sueño, gases alimentarios e industriales. La visión de OXIGEN SALUD se centra en satisfacer las necesidades del mercado de las TRD basado en las necesidades particulares de los pacientes.

cover

Juan Martín López

Supervisor de la gestión de terapias
respiratorias en la sede de Valladolid

oxigensalud.es
Tareas

Metodología de desarrollo

Se utilizarán datos sociodemográficos, antropométricos, clínicos, polisomnográficos y de uso de CPAP del programa de telemonitorización de la terapia de AOS gestionado por Oxigen Salud. El acceso, almacenamiento y análisis posterior de estas variables requiere abordar la gestión de un alto volumen de datos adquiridos diariamente de diferentes fuentes y con diferentes formatos, así como verificarlos en términos de integridad y precisión. Además, dado que el número de pacientes con AOS está creciendo constantemente, deberá ser escalable. De acuerdo con estos requisitos, la primera etapa del presente proyecto se centrará en un estudio exhaustivo del estado del arte en sistemas de big data aplicados a problemas de salud. Esto incluirá la elección de herramientas y tecnologías adecuadas para el almacenamiento, acceso y gestión de datos, así como su verificación.

En esta etapa se seguirán enfoques complementarios: aprendizaje no supervisado vs. supervisado; aprendizaje convencional (ML) vs. profundo (DL):

  • Aprendizaje no supervisado: se buscarán subgrupos de AOS que compartan similitudes entre los datos utilizados, ayudando a descubrir si los pacientes con AOS del mismo rango de edad, comorbilidades, sexo, etc., siguen patrones similares. Un análisis prospectivo post-hoc de estos grupos nos permitirá evaluar sus comportamientos de adherencia y evaluar su información común para identificar nuevos factores que afectan a la adherencia.
  • Aprendizaje supervisado: se utilizarán métodos de clasificación y de regresión basados en ML y DL. El primero servirá para clasificar a los sujetos en 'adherentes' o 'no adherentes', mientras que el segundo estimará automáticamente el número de horas de uso de CPAP. Además, se realizarán modelos independientes para predecir la adherencia a corto (3 meses), medio (6 meses) y largo plazo (12 meses).

Los modelos de ML y DL han sido tradicionalmente percibidos como "cajas negras". Esta percepción es particularmente importante en el contexto de la salud, ya que disminuye la confianza de los clínicos en sus predicciones, afectando negativamente la implementación real de estas herramientas. Para abordar este problema, se implementarán y aplicarán diferentes métodos de XAI. Estas técnicas han sido concebidas bajo la suposición de que pueden revelar leyes nuevas y ocultas en diferentes campos. Su uso en esta étapa del proyecto nos permitirá explicar e interpretar los modelos de ML y DL a posteriori, así como comprender mejor por qué se proporcionan tales predicciones/resultados.

Para la clasificación binaria (adherencia vs. no adherencia), el rendimiento de los modelos de ML y DL se evaluará en términos de: sensibilidad, especificidad, precisión, valor predictivo positivo, valor predictivo negativo y área bajo la curva ROC.

Para el enfoque de regresión (estimación del número de horas de uso de CPAP), el rendimiento de los modelos se evaluará en términos de concordancia: coeficiente de correlación intra-clase, gráficos de Bland-Altman y kappa de Cohen.

Todas las métricas estadísticas se derivarán del conjunto de datos de prueba prospectivo, con el fin de asegurar una validación adecuada de la metodología.

Se llevará a cabo un análisis coste-efectividad para evaluar la viabilidad del modelo automático de predicción temprana de la adherencia al tratamiento en pacientes con AOS. Primero, analizaremos los costes estimados de la no adherencia al CPAP según los estudios de vanguardia. Luego, evaluaremos los costes asociados con la implementación de nuestra propuesta, así como el número estimado de pacientes que se beneficiarán de ella. Finalmente, estimaremos los ahorros en costes y el margen de beneficio para la explotación real de la propuesta, y se considerarán posibles acciones para proteger los resultados del proyecto.

Difusión de resultados

Artículos JCR ( )

Anterior
Siguiente

Capítulos de libro ( )

Anterior
Siguiente

Congresos Nacionales e Internacionales ( )

Anterior
Siguiente

Material de difusión ( )

Anterior
Siguiente

Noticias

Anterior
Siguiente

Contacto