Mejoran los modelos de predicción temprana de crisis en enfermedades crónicas

Investigadores de la Universidad Politécnica de Madrid y de la Universidad Complutense de Madrid en el marco Campus de Excelencia Internacional: Campus Moncloa han desarrollado una metodología que predice con mayor antelación las crisis en enfermedades crónicas, por ejemplo las migrañas.

02/02/2017

En un estudio realizado en colaboración entre investigadores del Center for Computational Simulation, de la Universidad Politécnica de Madrid, e investigadores de la Universidad Complutense de Madrid, se ha conseguido aumentar hasta 40 minutos el tiempo de detección anticipada de migrañas, usando redes de sensores inalámbricas no invasivas en el cuerpo humano. En la mayoría de los casos, este tiempo es suficiente para la anticipación de la toma del medicamento y así evitar o aminorar los efectos del dolor. La metodología desarrollada podría emplearse en otras enfermedades crónicas.

La migraña es una enfermedad neurológica que afecta alrededor del 15% de la población europea y que genera grandes costes a los centros de salud públicos y privados. La predicción de un evento de este tipo permitirá actuar y aliviar el dolor según la farmacocinética de los tratamientos actuales.

Con el fin de conseguir este objetivo se puso en marcha un estudio, que se encuentra en fase piloto, que pretende detectar de forma anticipada la aparición de las migrañas usando redes de sensores inalámbricas no invasivas en el cuerpo humano (WBSN por sus siglas en inglés). Para ello se utilizó un dispositivo comercial de monitorización ambulatoria del cuerpo humano para controlar las variables biométricas de temperatura superficial de la piel, sudoración, ritmo cardiaco y saturación de oxígeno. En los estudios preliminares se demostró la viabilidad de utilizar técnicas de modelado predictivo en migrañas. Los investigadores, que trabajan con la Unidad de Cefaleas del Hospital Universitario de la Princesa de Madrid, han desarrollado técnicas de mejora de la predicción que permite incrementar hasta en 10 minutos los modelos obtenidos hasta la fecha.

Las redes de sensores utilizadas son cada vez más frecuentes, pero no por ello carentes de fallos. La monitorización en un entorno real ambulatorio, está sujeta a pérdidas de sensores, fallos en los datos, desconexiones, etc. Los investigadores presentan además una estrategia de selección de modelos robusta basada en el estado de los sensores del equipo de monitorización y acorde a los criterios deseados de calidad de la predicción. Tal y como señalan, “con la metodología que proponemos se puede ajustar la predicción a un compromiso entre lo conservador (calidad en la predicción), o lo osado (primando el tiempo de adelanto y aumentando la incertidumbre), dependiendo de la disponibilidad de los sensores en cada momento”. Los resultados de este estudio piloto indican que los modelos podrían ser adaptados a las características de cada paciente.

Esta nueva metodología se podría aplicar a otras enfermedades crónicas con crisis sintomáticas en las que la predicción de un evento permita tomar decisiones que mitiguen los efectos, como por ejemplo la monitorización ambulatoria de pacientes ingresados por un ictus que podría reincidir.

Pagán, J., Risco-Martín, J.L., Moya, J.M., Ayala, J.L. Modeling methodology for the accurate and prompt prediction of symptomatic events in chronic diseases. JOURNAL OF BIOMEDICAL INFORMATICS 62. Agosto 2016.

Pagan, J.; De Orbe, M.I.; Gago, A.; Sobrado, M.; Risco-Martin, J.L.; Mora, J.V.; Moya, J.M.; Ayala, J.L. Robust and Accurate Modeling Approaches for Migraine Per-Patient Prediction from Ambulatory Data. SENSORS 15 (7): 15419-15442. Julio 2015.

Ámbito: Medicina Innovadora    Fuente: UPM

Fecha del evento:

02/02/2017