Sistemas de ayuda a la decisión clínica en enfermedades de diagnóstico complejo

Abstract

El trabajo de investigación presentado en esta tesis doctoral aborda el uso de algoritmos de inteligencia artificial y su aplicación en los sistemas de ayuda para la toma de decisiones en enfermedades de diagnóstico complejo. La dificultad en la gestión clínica de dichas enfermedades requiere un trabajo en conjunto (área de salud e ingeniería informática) y un intercambio de conocimientos, experiencias e información que permita obtener mejores resultados en el proceso de atención de los enfermos. La creación de sistemas que contribuyan en la toma de decisiones tiene como propósito mejorar la calidad de los procesos médico-asistenciales en la predicción y clasificación de enfermedades buscando enriquecer el cuidado de los pacientes. Dichos sistemas de ayuda tienen tres componentes fundamentales: base de datos (información del paciente), algoritmos de inteligencia artificial y usuarios (médicos, personal asistencial, etc.). La integración de los componentes mencionados trae mejoras en la atención de los pacientes, la reducción de errores médicos, diagnósticos y protocolos clínicos más acertados, agilidad en los procesos, prevención de eventos adversos, entre otros. Dada la gran variedad de datos que se recogen en la historia clínica, extraer conocimiento de ellos es una tarea muy difícil de realizar con los métodos tradicionales. Por este motivo se han incorporado redes neuronales artificiales, redes bayesianas y árboles de decisión en el campo médico, logrando importantes contribuciones. En esta tesis doctoral estos modelos se han utilizado en la clasificación del riesgo en cirugía cardíaca y en la predicción de la mortalidad hospitalaria. Los modelos han sido evaluados teniendo en cuenta su precisión, sensibilidad, especificidad. Tales clasificadores son sensibles cuando los datos presentan un alto contenido de ruido, datos incompletos, duplicidad de las variables, texto, amplio rango de magnitudes, etc. Para solucionar estos problemas, se han utilizado herramientas para el preprocesado de los datos, como la normalización, discretización e imputación de datos. Cuando estas fueron aplicadas se observó una mejora en los resultados. Otra dificultad que tienen las bases de datos médicas es la alta dimensionalidad. Por lo tanto, se ha optado por la aplicación de técnicas de selección de características principales y por el análisis de cada una de las variables para evitar la duplicidad de la información. Estas técnicas han mejorado notablemente el desempeño de los clasificadores. En cuanto a los algoritmos utilizados en este trabajo se ha evidenciado un buen resultado en la clasificación de enfermedades y en la predicción de la mortalidad hospitalaria. Para clasificar el riesgo de cirugía cardíaca pediátrica en tres categorías (alto, medio y bajo) se han implementado el perceptrón multicapa, mapas autoorganizados, redes de función de base radial y árboles de decisión. Los resultados muestran que las redes neuronales presentan un buen desempeño con una precisión entre el 81.7% y 99.8%, mientras que los árboles de decisión produjeron errores más elevados en la clasificación. Una adecuada clasificación del riesgo quirúrgico permite al personal médico y asistencial mejorar el plan de atención y por lo tanto reducir las posibles complicaciones y el riesgo de muerte. Teniendo en cuenta esto, los árboles de decisión no son los más adecuados para la clasificación del riesgo, sin embargo presentan excelentes resultados cuando se trata de un resultado binario. Los algoritmos usados para la predicción de la mortalidad hospitalaria de los pacientes operados de reparación abierta de aneurisma de aorta abdominal han sido el perceptrón multicapa, las redes de función de base radial y las redes bayesianas. Esta parte de la investigación fue desarrollada en dos fases: en la primera fase, la implementación se llevó a cabo utilizando todas las variables de la base de datos. En la segunda fase, se emplearon técnicas de selección de características principales. Los resultados generales respecto a la precisión de los algoritmos en las dos fases fueron entre 91.2% y 96.4%. La diferencia de las pruebas radica en los valores de sensibilidad y especificidad, pues en la primera fase la sensibilidad y especificidad muestran valores entre 52.1% y 72% y entre 92.6% y 97%, respectivamente. En la segunda fase, en la cual se aplicó un método de selección de características y una combinación de todos los algoritmos, se observó un aumento en la sensibilidad con valores entre el 65.5% y 86.8%, es decir, que los algoritmos mejoraron la capacidad para predecir la mortalidad hospitalaria. El algoritmo que mostró el mejor resultado en todas las pruebas realizadas fue la red bayesiana. El desarrollo de un sistema de ayuda para la toma de decisiones clínicas basado en los métodos de aprendizaje mencionados en este trabajo podría mejorar la clasificación del riesgo en cirugía y la predicción de mortalidad hospitalaria. Además, el sistema sería útil para que los médicos y el personal asistencial puedan evaluar a tiempo el impacto de las decisiones y dar prioridad a las actividades de prevención de eventos adversos.