El modelo pretende pronosticar no solo las complicaciones y afecciones que puede provocar la diabetes en los pacientes, sino predecir el diagnóstico de diabetes al menos 3 años antes.
Los investigadores desarrollaron un modelo de aprendizaje automático que busca la predicción de resultados adversos relacionados a complicaciones con diabetes tipo 2. Para la creación del modelo utilizaron datos de salud del sistema de salud de Ontario en Canadá. El árbol de decisiones en el que se basa el modelo fue nutrido y entrenado con datos de 1,029,366 pacientes, validado en más de 272 mil y probado en 265,406 pacientes.
La predicción de efectos adversos en pacientes diabéticos o que están en riesgo de padecer esta condición, puede fortalecer los sistemas de salud, al gestionar mejor los recursos de emergencias, hospitalizaciones y sobre todo mejorar y realizar estrategias y campañas integrales de prevención y de promoción de mejores hábitos.
El control de la hiperglucemia y la hipertensión, así como dejar de fumar, son algunas de las formas de evitar complicaciones en pacientes con diabetes. Sin embargo, los factores socioeconómicos de los pacientes, así como los modelos de seguridad social y servicios de salud universal, pueden llegar a impedir la prevención de complicaciones a nivel masivo.
El modelo desarrollado predice el riesgo de resultados adversos a tres años, a través de complicaciones como hiper e hipoglucemia, infección tisular, retinopatía, amputaciones y eventos cardiovasculares. “Nuestro objetivo es predecir con tres años de anticipación si un paciente diagnosticado con diabetes experimentará una visita de atención médica debido a un resultado adverso debido a una complicación de la diabetes dentro de una ventana de predicción objetivo de tres meses. Para este estudio, un resultado adverso se define como al menos una hospitalización o uso ambulatorio asociado con cualquier complicación de la diabetes durante la ventana de predicción objetivo”, explica el artículo.
Este modelo de predicción no fue realizado con datos de registro clínicos electrónicos, sino de fuentes de datos administrativas de salud (AHD), como datos demográficos, hospitalizaciones, visitas al médico, pruebas de laboratorio. “El modelo final tiene más de 700 características de una variedad de conjuntos de datos, como datos demográficos, información del censo, resultados de laboratorio, historial de diagnóstico, reclamos de facturación de médicos, hospitalización y uso ambulatorio, historial de medicamentos recetados y otros”, explican los autores.
“El modelo propuesto se desarrolló y probó en una gran cohorte de más de 1,5 millones de pacientes con criterios de exclusión mínimos, capturando prácticamente todas las incidencias de resultados adversos objetivo”, además explicaron que la cohorte es étnicamente diversa para lograr una representación más amplia de todas las regiones del mundo. De esta forma fue demostrada la aplicabilidad de los métodos de aprendizaje automático utilizando AHD.
Lee el artículo completo a través del siguiente enlace: https://www.nature.com/articles/s41746-021-00394-8
