Aportaciones al modelado computacional de trastornos emocionales mediante fuentes de información alternativas

Resumen

Los trastornos emocionales pueden suponer, en las personas que los padecen, un deterioro muy significativo con impacto en el entorno social, familiar y profesional. Este tipo de trastornos son frecuentemente difíciles de detectar y en muchas ocasiones el diagnóstico no es acertado. Como consecuencia, los tratamientos no son adecuados, llegando a veces a empeorar el estado clínico del paciente. Por otra parte, el avance de la tecnología en monitorización de pacientes mediante dispositivos inteligentes portables (por ejemplo, sensores en pulseras inteligentes) ha permitido el registro digital de la actividad (diurna y nocturna) y con ello la aportación de información muy relevante para un mejor diagnóstico. Mediante estos dispositivos la información puede ser recabada de manera consciente (formularios completados por el propio paciente) o de forma inconsciente (información de actividad registrada por un sensor). La presente tesis doctoral propone un modelo matemático basado en los datos registrados por tres fuentes de información: historial médico, formularios diarios del paciente, y datos de sensores de movimiento, como sistema de ayuda al especialista en la detección y diagnóstico de crisis en trastornos emocionales, especialmente en trastorno bipolar y depresión. El modelo computacional propuesto es un sistema de agregación de variables de caracterización del perfil del paciente. El resultado es un valor que mide el estado emocional en un rango del espectro eutímico del paciente. Cuando este valor se desvía del rango correspondiente a un estado estable, es indicador de crisis. Si se desvía por encima de la cota superior es indicador de estado maníaco mientras que un valor por debajo de la cota inferior indica estado depresivo. El conjunto de variables de caracterización del perfil del paciente se obtiene mediante dos pasos esenciales: la reducción de la dimensionalidad del conjunto de variables y la aplicación de algoritmos de selección de variables. Estos procesos se realizan aplicando análisis de componentes principales (PCA) y feature selection (FS). Los datos se obtuvieron en pacientes del Hospital Psiquiátrico Nuestra Señora de la Paz, donde el médico especialista realizaba anotaciones en consulta de los indicadores de manía y depresión tradicionales (YMRS y HDRS). En estas consultas también se descargaba la información de los sensores usados por el paciente. La relación entre la variable diagnóstico y las variables monitorizadas se determinó sobre la base del histórico de datos de los pacientes. Este histórico de datos fue usado posteriormente para contrastar la efectividad de los algoritmos de aprendizaje. Los modelos de machine learning han sido de utilidad para clasificar los estados de los pacientes en un rango más preciso (Depresión, Eutimia, Manía, Hipomanía y Mixto), tras la integración de las tres fuentes de información en un único dataset libre de redundancias. Tanto el modelo matemático final como los procesos intermedios de clasificación e integración se han diseñado para su futura escalabilidad, por lo que es factible su utilización con un nuevo conjunto de pacientes e incluso con nuevos tipos de variables. Entre las conclusiones destaca la importancia del análisis personalizado frente al análisis conjunto para la obtención de resultados más precisos y significativos desde el punto de vista estadístico (p-valor). Se revela también la importancia de las variables relativas a la calidad del sueño por ser explicativas también de la actividad diaria. Este resultado es relevante teniendo en cuenta que los pacientes con trastorno bipolar son reacios al uso de dispositivos de monitorización (relojes inteligentes, por ejemplo), mientras que la monitorización del sueño es menos intrusiva y puede realizarse sin la participación activa del paciente.