Metodologías de procesamiento de datos en el ámbito de e-health para la categorización de respuestas terapéuticas en pacientes con migraña

Resumen

La presente tesis doctoral estudia algunas metodologías de procesamiento de datos en el área de e-Health para clasificar las respuestas terapéuticas en pacientes con migraña. En un escenario real de e-Health, este trabajo se centra en la predicción de la respuesta al tratamiento de la migraña mediante el uso de registros médicos retrospectivos recopilados del Hospital Clínico Universitario en Valladolid y del Hospital Universitario de La Princesa, en Madrid. El objetivo de este trabajo de investigación es plantear y responder las siguientes preguntas: ¿es posible predecir la respuesta a cada etapa del tratamiento para la migraña con BoNT-A? ¿existe un modelo predictivo para el tratamiento con BoNT-A en la migraña? ¿cómo responden estos modelos bajo registros incompletos? ¿es posible conocer aquellos factores médicos que hacen posible una alta respuesta al tratamiento con BoNT-A? ¿Los factores médicos utilizados para predecir la respuesta del tratamiento son coherentes con el conocimiento de los expertos médicos? Para responder a estas preguntas, este trabajo ha explorado e implementado diferentes enfoques para el entrenamiento de los modelos predictivos. Se han propuesto tres enfoques predictivos, que son: modelos panorámicos, de retroalimentación y jerarquía de modelos. Además, se ha propuesto una transformación de datos para encontrar la mejor representación de las etiquetas numéricas mientras se alcanza una alta precisión de predicción sin agregar más columnas al conjunto de datos. Adicionalmente, para establecer nexos entre la comunidad biomédica y la comunidad de la minería de datos, se ha propuesto una técnica de consenso de modelos con la finalidad de extraer atributos relevantes de los modelos de predicción. Se ha logrado una mejora significativa en la precisión debido al uso de la codificación SAR, desde cerca del 68% (baseline) al 75% con la predicción panorámica, y hasta alrededor del 88% cuando se usa la predicción por retroalimentación. Además, la precisión de los modelos de predicción panorámica y de retroalimentación se mejora al aplicar una jerarquía de modelos, obteniendo precisiones cercanas al 85% y 94% respectivamente. Con respecto al tiempo de ejecución, los resultados obtenidos con el uso de MOEA muestran que los tiempos de entrenamiento se reducen de 8 a menos de 2 horas cuando se usan 8 hilos. Además, esta tesis doctoral ha hecho posible la extracción de atributos relevantes que permiten conocer de antemano la respuesta al tratamiento. Estos son: ¿evolución del tiempo de migraña¿, ¿dolor unilateral¿, ¿abuso de analgésicos¿, ¿días de dolor de cabeza¿ y el ¿componente retroocular¿. Todos estos atributos han sido coherentes con el conocimiento experto de los médicos.