La apnea obstructiva del sueño (AOS) es una enfermedad respiratoria crónica y muy prevalente, que puede repercutir significativamente en la salud y calidad de vida de los pacientes. La presión positiva continua en las vías respiratorias durante la noche (continuous positive airway pressure, CPAP) se considera la terapia más efectiva, siendo la principal opción de tratamiento en todo el mundo. Se ha demostrado que los efectos positivos de la CPAP dependen de la adherencia al tratamiento.
Esta adherencia se define como el uso del dispositivo durante más de 4 horas al menos el 70% de las noches. La CPAP no es un tratamiento curativo, lo que implica que su efectividad se mantiene solo mientras se usa y debe aplicarse de manera ininterrumpida. Por ello, se requiere el compromiso y la adaptación de los pacientes para favorecer el éxito del tratamiento. Sin embargo, se estima que entre el 20% y el 32% de los pacientes no cumplen con el tratamiento.
Actualmente, no existe una forma precisa de predecir si un paciente con AOS será adherente o no adherente al tratamiento con CPAP. Los factores que contribuyen a la falta de adherencia no están lo suficientemente claros, lo que impide el uso de estrategias eficientes para minimizar sus consecuencias.
El objetivo general del proyecto consiste en diseñar, desarrollar y evaluar un modelo predictivo basado en algoritmos de inteligencia artificial destinado a estimar la adherencia al tratamiento con CPAP en diferentes intervalos de tiempo (corto plazo: 3 meses; medio plazo: 6 meses; largo plazo: 12 meses), utilizando datos sociodemográficos, antropométricos, clínicos y polisomnográficos del paciente justo antes del tratamiento, así como datos del uso de CPAP durante como máximo el primer mes de tratamiento
Se aplicarán técnicas de aprendizaje no supervisado y métodos automáticos de selección de características: (i) para obtener una descripción adicional de los factores actuales relacionados con la adherencia en diferentes subgrupos de pacientes con AOS; y (ii) para identificar nuevos factores no establecidos previamente.
Se utilizarán datos sociodemográficos, antropométricos, clínicos, polisomnográficos y de uso a corto plazo del CPAP para entrenar y testear prospectivamente una serie de algoritmos de ML y DL destinados a realizar las siguientes tareas: (i) clasificar a los pacientes en las categorías mutuamente excluyentes de "adherencia" y "no adherencia" (clasificación binaria); y (ii) estimar el número promedio de horas diarias de uso de CPAP (regresión de una variable continua). Todos los modelos (de clasificación y regresión) se entrenarán para inferir la adherencia en períodos de tiempo crecientes: 3, 6 y 12 meses desde el inicio de la terapia. Este enfoque variable contribuirá a mejorar la detección temprana de pacientes no adherentes a largo plazo.
Las técnicas de XAI complementarán los modelos basados en ML/DL al mejorar su fiabilidad y maximizar las posibilidades de integración en entornos reales. XAI permitirá identificar los patrones críticos de datos que conducen a las predicciones de adherencia, así como posibles sesgos.
Esta solución debe ser capaz de manejar una gran cantidad de datos relacionados con la salud (datos sociodemográficos, antropométricos, clínicos, polisomnográficos y variables de CPAP) de pacientes con AOS obtenidos diariamente. También incluirá el modelo óptimo final de ML/DL y las soluciones basadas en XAI, garantizando al mismo tiempo la seguridad de los datos. Se espera que ayude a los clínicos a seguir de cerca y de manera efectiva a sus pacientes, aumentando la salud y la calidad de vida de las personas afectadas por AOS, ofreciéndoles un servicio de atención médica más personalizado y eficiente.
Realizar un análisis de coste-efectividad fiable de la propuesta es el primer paso para evaluar su viabilidad en un mercado real. Las acciones específicas relacionadas con este objetivo incluirán las siguientes: (i) analizar los costes reales de la falta de adherencia a la CPAP; (ii) estudiar los costes asociados con la implementación de nuestra propuesta en el sistema de salud; (iii) estimar el número de pacientes que se beneficiarán de ella; y (iv) calcular el ahorro de costes y el margen de beneficio para la explotación real de la propuesta. Después de la integración y evaluación prospectiva de la herramienta final en la práctica clínica, se estudiará la posibilidad de emprender acciones de protección intelectual sobre los resultados, como patentes y/o licencias. En consecuencia, se identificarán todos los resultados que requieren protección y se transferirán a empresas e instituciones involucradas en el marco de la atención sanitaria, particularmente en los servicios de terapias respiratorias.
Grupo formado principalmente por ingenieros y médicos de diferentes especialidades (neumología, oftalmología, neurología, neurofisiología y psiquiatría), que trabajan conjuntamente en distintas líneas de investigación. En particular, tiene una amplia experiencia en el procesado de señales cardiorrespiratorias para la ayuda al diagnóstico de la AOS. Los múltiples proyectos en los que ha participado y su creciente producción científica de alto impacto avalan la gran capacidad investigadora del grupo.
Fundador & Coordinador
Empresa especializada en la prestación de productos y servicios integrales de Terapias Respiratorias a Domicilio (TRD). En los últimos años la empresa ha realizado un importante esfuerzo de diversificación entrando en sectores con fuertes sinergias con las TRD, como son los gases medicinales, material fungible y hospitalario, equipos de diagnóstico para el sueño, gases alimentarios e industriales. La visión de OXIGEN SALUD se centra en satisfacer las necesidades del mercado de las TRD basado en las necesidades particulares de los pacientes.
Supervisor de la gestión de terapias
respiratorias en la sede de Valladolid