COMUNICACIÓN POSTER
AUTORES
Viguera Moreno, Minerva 1; Marzo Sola, Maria Eugenia 2; Sánchez de Madariaga, Ricardo 1; Martín Sánchez, Fernando 3
CENTROS
1. Servicio: .. Programa de Doctorado en Ciencias Biomédicas y Salud Pública UNED-IMIENS, Universidad Nacional de Educación a Distancia (UNED); 2. Servicio de Neurología. Hospital San Pedro; 3. Sin Servicio. Hospital Universitario La Paz
OBJETIVOS
La esclerosis múltiple (EM) es una enfermedad neurodegenerativa crónica caracterizada por una amplia variabilidad en su progresión y manifestaciones clínicas. Identificar tempranamente los patrones de evolución es crucial para optimizar el tratamiento. Este estudio, aplicó técnicas de Machine Learning (ML) para analizar datos clínicos y Patient-Reported Outcome Measures (PROMs) con el fin de predecir la forma de evolución (FE) de la EM.
MATERIAL Y MÉTODOS
Se recogieron datos de historias clínicas de pacientes con EM (variables demográficas y clínicas), junto con resultados de pruebas físicas y puntuaciones de los PROMs. Se comprobó el desempeño de tres algoritmos de ML: Máquinas de Vectores de Soporte (SVM), Árboles de Decisión y Random Forest. El objetivo era predecir la FE: Primaria progresiva (PP), secundaria progresiva (SP) o remitente recurrente (RR), utilizando varias combinaciones de los tres tipos de variables recogidas.
RESULTADOS
La combinación de variables clínicas y demográficas (con o sin PROMs) para predecir la FE mediante un árbol de decisión, obtuvo una precisión del 96%; la combinación de PROMs con variables demográficas, empleando un SVM mejoró la presión hasta el 98% con un único falso negativo para un paciente con EM SP, clasificado como RR
CONCLUSIONES
Los resultados de este trabajo refuerzan la utilidad de los PROMs en la práctica clínica, permitiendo una mejora en la precisión de las predicciones de la FE de la enfermedad. Esta aproximación podría complementar las pruebas realizadas en consulta y suponer una herramienta útil para la implementación de la telemedicina en el manejo de la EM.
