Uno de los grupos demográficos de mayor crecimiento en la UE son las personas de 65 años o más, y dos tercios de este grupo se encuentran en situación de multimorbilidad, es decir., personas que padecen dos o más enfermedades crónicas. El tratamiento ineficaz de la multimorbilidad ha sido señalado como un problema urgente a abordar por la Academia de Ciencias Médicas en un informe publicado recientemente. Como parte de un proyecto financiado por la UE H2020 llamado ProACT, nuestro equipo en IBM Research - Irlanda está trabajando con socios del mundo académico y de la industria para encontrar nuevas formas de utilizar IoT, Tecnologías de inteligencia artificial y nube para mejorar las capacidades de autogestión y la atención integrada en el hogar para personas con multimorbilidad (PwM).

El proyecto ProACT está investigando formas de vestir, Los sensores domésticos y las aplicaciones de tableta se pueden utilizar para ayudar a las personas con multimorbilidad, así como sus actores de apoyo, que incluyen cuidadores informales (por ejemplo, familiares y amigos), cuidadores formales y profesionales de la salud (incluidos médicos y enfermeras), manejar una combinación de condiciones que incluyen insuficiencia cardíaca crónica (ICC), diabetes y enfermedad pulmonar obstructiva crónica (EPOC).

El proyecto incluye ensayos de prueba de concepto en Irlanda y Bélgica, involucrando a los servicios nacionales de salud, con varios pacientes equipados con sensores portátiles y domésticos, y sus actores de apoyo. Las pruebas comienzan ahora. Los pacientes están aprendiendo a utilizar ProACT CareApp, que agrega las lecturas de los sensores y permite a los PwM y sus actores de apoyo monitorear su estado, y también sugiere videos educativos y tutoriales adaptados a las necesidades de autogestión. La interfaz de usuario de ProACT CareApp se diseñó conjuntamente con la participación de PwM para garantizar la facilidad de uso. El objetivo principal de nuestra investigación es utilizar los datos recopilados para desarrollar un modelo holístico de PwM que pueda usarse para monitorear y predecir la salud y el bienestar de las PwM.

En el marco de ProACT, nuestro equipo de sistemas de conocimiento centrados en la salud y la persona en Dublín está construyendo un modelo holístico para personas con multimorbilidad, utilizando datos sobre las condiciones, partes vitales, autoinformes y evaluaciones de comportamiento. El modelo se basa en una red bayesiana, una herramienta gráfica probabilística que ha sido ampliamente aplicada en el apoyo a la toma de decisiones en salud. Representa la dependencia probabilística entre varias variables, lo que permite predecir el estado más probable de una variable conociendo el estado de otras variables. Lo convierte en una técnica prometedora para ayudar con los desafíos de la multimorbilidad.

En nuestro artículo de la conferencia MIE 2018 (Medical Informatics Europe) "Un método analítico para la gestión de multimorbilidad utilizando redes bayesianas, "presentamos nuestro análisis llamado Health and Wellness Profile Builder (HWProfile), que se está probando durante las pruebas de ProACT. HWProfile es un modelo de IA destinado a representar un PwM a través de varias dimensiones interconectadas:demografía, factores médicos, autoinformes y factores de comportamiento. El estado del PwM se evalúa a través de los sensores y cuestionarios de autoinforme tomados a través de ProACT CareApp. Las preguntas diarias son un método valioso para recopilar una amplia variedad de información de autoinforme, como las puntuaciones de disnea para la EPOC y la ICC, niveles de estado de ánimo y ansiedad o información sobre la adherencia a la medicación.

Para desarrollar el modelo HWProfile seleccionamos variables que cubren diversas dimensiones:salud / médica, estilo de vida, psicológico, bienestar, social y comportamiento, además de identificar el rango de valores que pueden alcanzar estas variables. Luego, el modelo tuvo que aprender a máquina las relaciones de probabilidad condicional que existen entre las variables, desde un punto de vista estructural, así como desde un punto de vista numérico. ¿Cómo el género, ¿La edad y el sufrimiento de la artritis repercuten en el riesgo de caídas? ¿Cuál es el beneficio esperado de aumentar la actividad física en el nivel del dolor para las mujeres con EPOC? Este es el tipo de preguntas que HWProfile puede ayudar a resolver.

Entrenamos el modelo utilizando datos extraídos de TILDA, un conjunto de datos abiertos recopilados de un estudio de salud longitudinal de la población irlandesa de mayor edad, dirigido por Trinity College. En el estudio TILDA, 8504 personas mayores de 50 años participaron en un cuestionario autocompletado, una entrevista asistida por computadora y una evaluación de salud. Para probar la metodología en un modelo pequeño, nuestro equipo seleccionó 12 variables de este conjunto de datos, teniendo en cuenta la población objetivo y las condiciones cubiertas en los ensayos ProACT y los métodos de recopilación de datos utilizados:vigilancia de la presión arterial, escala, cuestionario de actividad. Este modelo entrenado se utilizó como base para desarrollar HWProfile (ver Figura 1).

Para explorar el modelo de red bayesiana, construimos una interfaz de usuario intuitiva e interactiva. Las variables y sus niveles asociados se agrupan por categorías codificadas por colores (consulte la Figura 1). La red bayesiana muestra cómo las variables se influyen entre sí. Las distribuciones de probabilidad discretas correspondientes a cada variable están agrupadas por recuadros en el panel de riesgo interactivo (a la derecha de la Figura 1). Para una variable dada, las probabilidades marginales de cada nivel posible se indican tanto en porcentaje como mediante un gráfico de barras horizontales en el fondo.

El usuario puede asignar un nivel "observado" a cualquier variable, haciendo clic en el nivel. A continuación, se actualiza el conjunto completo de probabilidades marginales para reflejar estas observaciones. Hacer clic de nuevo en una variable observada la devuelve al estado no observado, con probabilidades marginales mostradas. Figura 1, Derecha, muestra la interfaz después de que la edad se haya establecido en 'por encima de 70' y el nivel de colesterol en 'Más de 5 mmol / L'. El cambio resultante en las probabilidades de todas las variables conectadas, como la hipertensión, se puede ver de inmediato.

El modelo HWProfile proporciona una variedad de resultados que incluyen estimaciones probabilísticas para todas las variables no observadas cada vez que se realiza una nueva observación. Estos resultados se pueden alimentar a otros análisis del sistema ProACT, que incluyen un recomendador de metas y educación, un sistema de alerta y un monitor de exacerbación de la condición. Nuestro modelo de IA tiene como objetivo aprovechar toda la información disponible en PwM en el alcance de ProACT para brindar información sobre su estado y recomendaciones para la autogestión y / o soporte y atención.

Nuestro equipo de investigación de IBM también desarrolló InterACT, una plataforma basada en la nube dentro del marco de ProACT. Interactuar, construido sobre IBM Cloud, se expone como un conjunto de servicios autenticados para administrar datos de salud no identificados y coordinar la colaboración entre los proveedores de datos, análisis de datos (como HWProfile antes mencionado) y consumidor de datos.

El trabajo futuro consiste en investigar la validez clínica del modelo. Hemos observado efectos entre variables en nuestro modelo preliminar que coinciden con la literatura médica. Otros desarrollos también incluyen el análisis de rendimiento del método para una red más grande, inclusión de la dimensión temporal y diferentes tasas de muestreo por variable. El modelo HW Profile se evaluará junto con el trabajo adicional en torno a los sistemas de recomendación desarrollados dentro del proyecto ProACT.