Modelos predictivos en enfermedad renal

El desarrollo de modelos predictivos que permiten anticiparse y, por tanto, mejorar el abordaje de fenómenos o patologías es un campo que cada vez se está explorando de forma más intensa gracias a los sistemas de información, que facilitan el manejo de datos, encontrar patrones útiles y desarrollar modelos predictivos. La consejería valenciana, la Universidad de Valencia y Nephrocare e-Services se centran en enfermedades renales.

Enrique Mezquita. Valencia | 23/02/2012 00:00

Emilio Soria, director del grupo de investigación Intelligent Data Analysis Laboratory. (Enrique Mezquita)

La Consejería de Sanidad valenciana, la Universidad de Valencia (UV) y la empresa Nephrocare e-Services trabajan en un proyecto de investigación cuyo propósito es desarrollar modelos predictivos que permitan anticiparse al desarrollo y/o agravamiento de la enfermedad renal y, por tanto, mejorar el diagnóstico de los pacientes y la calidad asistencial, además de optimizar los costes sanitarios.
El proyecto tiene una duración de tres años y está dividido en otras tantas fases. El primer año se centrará en el análisis con fines científicos tanto de la información poblacional contenida en los sistemas de información de la Agencia Valenciana de Salud como de la que Nephrocare tiene a su disposición. En estos análisis, que se harán al amparo de la Ley de Protección de Datos y de la metodología y normativa de la consejería, se trabajará con distintas técnicas de análisis de datos para la extracción de información, de predicción y clasificación basadas en inteligencia computacional, que se aplicarán para la mejora de los procesos asistenciales tanto en fase de tratamiento como de diagnóstico.

En la clínica aparecen características que los métodos estadísticos clásicos no pueden analizar

La segunda fase será de experimentación y consistirá en testar mediante ensayos clínicos que los modelos teóricos obtenidos en la fase de investigación ofrecen resultados clínicos y de optimización. Esta parte se realizará en la red de clínicas que aporte Nephrocare e-Services en Fresenius Medical Care y en centros adscritos a la consejería.
En la tercera fase se procederá al desarrollo e implantación de la solución modular, donde se integrarán los modelos que se hayan constatado factibles en la fase de experimentación.
Máxima información
El grupo de investigación Intelligent Data Analysis Laboratory (IDAL), perteneciente al Departamento de Ingeniería Electrónica de la UV, desarrollará un papel fundamental en este proyecto. Según ha explicado a DM su director, Emilio Soria, "nuestra labor será explorar y analizar las bases de datos para extraer la máxima información y conocimiento con el fin de desarrollar modelos predictivos. También participaremos activamente en la validación e integración de estos modelos en el uso diario de la práctica clínica". En este sentido, Soria ha subrayado que obtener información de grandes bases de datos es frecuente en la actualidad, "y nosotros aplicaremos los últimos avances en este campo. Nuestra experiencia de más de 15 años en este campo será fundamental para el éxito del proyecto".

El conocimiento que encierran las bases de datos es de gran utilidad al profesional clínico

Para analizar grandes bases de datos se usarán tres bloques de métodos. "Por una parte, se usarán técnicas de estadística clásica; por otra, se aplicarán las de visualización de datos multidimensionales, que permiten extraer conocimiento de los datos, y, por último, las de aprendizaje máquina, que suponen los últimos avances en el análisis de datos", ha expuesto Soria.
Este último campo supone una alternativa más potente y precisa a la estadística clásica, según Soria. "En los casos clínicos aparecen determinadas características que los métodos estadísticos clásicos no pueden analizar, como la no linealidad -no siempre aumentar una dosis supone un aumento de un determinado efecto-, la saturación-histéresis -se puede llegar a una situación fisiológica por muchos caminos y la evolución temporal depende del camino concre-to-, y los efectos de memoria -la respuesta a un tratamiento depende de la historia clínica-, que suelen ser frecuentes en problemas clínicos."
Problemas prácticos
El objetivo central del proyecto es proporcionar herramientas de ayuda a la decisión clínica a partir de datos poblacionales que complementarán los conocimientos del especialista. "Desde un punto de vista práctico, surgen problemas de predicción cuando se busca conocer un valor de una variable fisiológica en el futuro. Por ejemplo, ¿podemos predecir el valor de la hemoglobina de un paciente con insuficiencia renal crónica el mes siguiente a la administración de EPO? Si somos capaces de predecir este valor, seremos capaces de optimizar las dosis de acuerdo con esa predicción".
"Otro tipo de problemas -ha añadido- son los de clasificación, en los que buscamos identificar a los pacientes que pueden presentar problemas relacionados con los medicamentos (PRM) antes de administrar un fármaco. Asimismo, existen cuestiones relacionadas con la segmentación de los pacientes según su evolución, con el fin de individualizar los tratamientos de forma óptima".
Por último, también supone un reto tratar de optimizar a la largo plazo la administración de un determinado fármaco.
Soria es optimista respecto al futuro del proyecto y las aplicaciones prácticas que se puedan extraer: "El conocimiento que encierran las bases de datos y que será puesto de manifiesto por estas técnicas es de gran utilidad al profesional clínico. Mejorar la calidad de vida del paciente y optimizar el empleo de fármacos implicados en un tratamiento de hemodiálisis intentando reducir los casos de los PRM son los principales objetivos. También se busca optimizar los costes sanitarios mejorando la asistencia al paciente.
En este tipo de proyectos "es necesaria una fuerte implicación del profesional clínico. Para que estos sistemas lleguen a la práctica clínica diaria se hace necesaria su colaboración y convencerle de la gran utilidad que suponen estas técnicas para ayudarle en su trabajo". Según Soria, "que compartan su conocimiento derivado de la práctica clínica es nuestro principal reto".
Otro problema en trabajos como el expuesto es la calidad que presentan los datos, una cuestión que "iremos conociendo conforme avancemos en el problema". En cualquier caso, Soria ha recordado que "las herramientas de ayuda a la decisión clínica se han usado siempre; el índice killip en Cardiología es un buen ejemplo de estos elementos".