{"id":33952,"date":"2024-10-24T09:00:00","date_gmt":"2024-10-24T07:00:00","guid":{"rendered":"https:\/\/neuronup.com\/?p=33952"},"modified":"2024-10-24T09:00:00","modified_gmt":"2024-10-24T07:00:00","slug":"modele-dapprentissage-profond-pour-la-detection-precoce-des-troubles-cognitifs-a-partir-de-notes-cliniques-dans-les-dossiers-medicaux-electroniques","status":"publish","type":"post","link":"https:\/\/neuronup.com\/fr\/investigation\/lignes-de-recherche\/modele-dapprentissage-profond-pour-la-detection-precoce-des-troubles-cognitifs-a-partir-de-notes-cliniques-dans-les-dossiers-medicaux-electroniques\/","title":{"rendered":"Mod\u00e8le d’apprentissage profond pour la d\u00e9tection pr\u00e9coce du d\u00e9clin cognitif \u00e0 partir de notes cliniques dans les dossiers m\u00e9dicaux \u00e9lectroniques"},"content":{"rendered":"\n

Antonio Javier Sutil Jim\u00e9nez habla en este art\u00edculo acerca de los datos aportados en el estudio \u00ab\u00a0Mod\u00e8le d’apprentissage profond pour la d\u00e9tection pr\u00e9coce du d\u00e9clin cognitif \u00e0 partir de notes cliniques dans les dossiers m\u00e9dicaux \u00e9lectroniques\u00a0\u00bb<\/em>.<\/p>\n\n\n\n

\u00bfPor qu\u00e9 es importante este estudio de modelo de aprendizaje a partir de notas cl\u00ednicas?<\/h2>\n\n\n\n

Este estudio aborda la detecci\u00f3n temprana del deterioro cognitivo en adultos<\/strong>, lo cual es fundamental para poder realizar intervenciones terap\u00e9uticas exitosas, ralentizar el deterioro, prevenir el desarrollo de enfermedades o facilitar la inscripci\u00f3n de participantes en ensayos cl\u00ednicos.<\/p>\n\n\n\n

Enfermedad de Alzheimer<\/h3>\n\n\n\n

La maladie d’Alzheimer<\/a> es un tipo de demencia que representa un gran problema a nivel mundial. Esta enfermedad ha sido diagnosticada en casi 6 millones de personas<\/strong> en Estados Unidos, y su prevalencia aumenta con la edad, por lo que se espera que el envejecimiento de la poblaci\u00f3n tambi\u00e9n incremente su incidencia<\/strong> a lo largo de los pr\u00f3ximos a\u00f1os.<\/p>\n\n\n\n

Sin embargo, m\u00e1s all\u00e1 de la enfermedad de alzheimer, el d\u00e9ficit cognitif l\u00e9ger<\/a> es un problema de gran relevancia, que en muchos casos se asocia a un posterior desarrollo de demencia.<\/p>\n\n\n\n

Deterioro cognitivo subjetivo<\/h3>\n\n\n\n

De igual forma, recientemente se ha creado la categor\u00eda de deterioro cognitivo subjetivo. Este t\u00e9rmino hace referencia a la percepci\u00f3n del individuo de estar experimentando un deterioro de sus capacidades cognitivas<\/strong> en comparaci\u00f3n con su estado previo.<\/p>\n\n\n\n

Aunque esta etiqueta no es una enfermedad en s\u00ed misma, se ha identificado que las personas con esta condici\u00f3n podr\u00edan estar en una etapa temprana de deterioro cognitivo.<\/p>\n\n\n\n

Detecci\u00f3n del deterioro cognitivo<\/h3>\n\n\n\n

Aunque se est\u00e1n realizando grandes esfuerzos por mejorar los tratamientos para estos pacientes, la detecci\u00f3n del deterioro cognitivo sigue siendo un desaf\u00edo<\/strong>, y la mejora de las herramientas de detecci\u00f3n es necesaria para que los tratamientos posteriores sean efectivos.<\/p>\n\n\n\n

Herramientas en atenci\u00f3n primaria<\/h4>\n\n\n\n

Dado que el n\u00famero de profesionales especializados para atender a la poblaci\u00f3n en riesgo es limitado, una posible soluci\u00f3n podr\u00eda ser dotar de herramientas a los m\u00e9dicos de atenci\u00f3n primaria<\/strong>. Estos m\u00e9dicos no son especialistas en demencia, pero tienen contacto directo con esta poblaci\u00f3n<\/strong>, por lo que proveerles de herramientas para el diagn\u00f3stico se plantea como una soluci\u00f3n viable.<\/p>\n\n\n\n

Registros m\u00e9dicos electr\u00f3nicos<\/h4>\n\n\n\n

El uso de los registros m\u00e9dicos electr\u00f3nicos<\/strong> se propone como una alternativa adecuada para la elaboraci\u00f3n de dichas herramientas, ya que estos recopilan el historial de visitas de los pacientes dentro de un sistema de atenci\u00f3n m\u00e9dica.<\/p>\n\n\n\n

Sin embargo, es importante destacar la dificultad de identificar los signos de deterioro cognitivo no asociados a la edad<\/strong>, que en muchas ocasiones quedan documentados en evaluaciones cognitivas y en las preocupaciones de las pacientes registradas por los profesionales sanitarios. Aunque se han realizado estudios con la informaci\u00f3n cl\u00ednica de los pacientes, pocas veces se ha profundizado en el uso de las notas cl\u00ednicas de los registros m\u00e9dicos para este fin.<\/p>\n\n\n\n

Notas cl\u00ednicas como recurso informativo <\/h4>\n\n\n\n

En este estudio se propone el uso de las notas cl\u00ednicas como un recurso informativo que podr\u00eda capturar informaci\u00f3n que no es considerada en la mayor\u00eda de los estudios. El hecho de analizar las notas cl\u00ednicas de forma manual resultar\u00eda muy costoso por lo que el objetivo del estudio fue desarrollar un modelo de detecci\u00f3n autom\u00e1tico basado en apprentissage profond<\/strong>.<\/p>\n\n\n\n

Por lo tanto, el enfoque de este estudio es original y novedoso haciendo uso de las notas cl\u00ednicas.<\/p>\n\n\n\n

Las notas cl\u00ednicas son muy importantes para los historiales de salud en el \u00e1mbito cl\u00ednico. Sin embargo, su uso desde el \u00e1mbito cient\u00edfico ha sido limitado provocando que su aplicaci\u00f3n para la detecci\u00f3n temprana del deterioro cognitivo pueda ser de gran inter\u00e9s.<\/p>\n\n\n\n

\u00bfQu\u00e9 se ha hecho?<\/h2>\n\n\n\n

Base de datos <\/h3>\n\n\n\n

Para la realizaci\u00f3n de este estudio, se tomaron los datos de una empresa de salud privada, filtrando a los pacientes por edad (deb\u00edan ser mayores de 50 a\u00f1os) y por el diagn\u00f3stico de deterioro cognitivo leve. En concreto, se analizaron las notas cl\u00ednicas de los 4 a\u00f1os previos al diagn\u00f3stico<\/strong>.<\/p>\n\n\n\n

La definici\u00f3n del deterioro cognitivo se bas\u00f3 en la menci\u00f3n de s\u00edntomas, diagn\u00f3stico, evaluaciones cognitivas y tratamientos. Cuando las notas indicaban progreso, episodios transitorios o reversibles, se consideraron negativos para el deterioro cognitivo.<\/p>\n\n\n\n

Procesamiento de las notas cl\u00ednicas y desarrollo de la base de datos<\/h3>\n\n\n\n

Primeramente, debido a la longitud de las notas cl\u00ednicas, se utiliz\u00f3 un procesador de lenguaje natural<\/strong> para dividirlas en secciones. Esta divisi\u00f3n permiti\u00f3 identificar si cada secci\u00f3n indicaba deterioro cognitivo o no.<\/p>\n\n\n\n

A continuaci\u00f3n, se identificaron palabras clave<\/strong> seleccionadas por expertos, entrenados para identificar secciones que conten\u00edan indicios de deterioro cognitivo. Tres anotadores etiquetaron las secciones, y los conflictos se resolvieron mediante discusiones con expertos en la materia, logrando un buen nivel de acuerdo entre los anotadores.<\/p>\n\n\n\n

Adem\u00e1s, se cre\u00f3 un conjunto de datos etiquetado<\/strong> con 4.950 secciones para entrenar y probar varios algoritmos de aprendizaje autom\u00e1tico. Finalmente, se crearon dos bases de datos<\/strong> que ser\u00edan utilizadas para el desarrollo y validaci\u00f3n del modelo.<\/p>\n\n\n\n

Conjuntos de datos<\/h4>\n\n\n\n

El primer conjunto de datos, empleado para el desarrollo del modelo, inclu\u00eda \u00fanicamente secciones con palabras clave seleccionadas. Este conjunto de datos conten\u00eda 4.950 secciones anotadas<\/strong>, listas para el desarrollo de los modelos de aprendizaje autom\u00e1tico.<\/p>\n\n\n\n

El segundo conjunto de datos consisti\u00f3 en 2.000 secciones seleccionadas al azar<\/strong> de todas las notas, excluyendo las usadas en el primer conjunto. Este segundo conjunto se utiliz\u00f3 para comprobar la capacidad de generalizaci\u00f3n del modelo en secciones de notas<\/strong> sin aplicar un filtro basado en palabras clave.<\/p>\n\n\n\n

Desarrollo del modelo y validaci\u00f3n<\/h3>\n\n\n\n

Para desarrollar el modelo, utilizaron una estructura jer\u00e1rquica de atenci\u00f3n basada en apprentissage profond que hab\u00eda sido desarrollada en un trabajo previo, adem\u00e1s de cuatro algoritmos base de aprendizaje autom\u00e1tico<\/strong>: r\u00e9gression logistique, for\u00eat al\u00e9atoire, machine \u00e0 vecteurs de support y XGBoost.<\/p>\n\n\n\n

El modelo previamente desarrollado incorporaba una red neuronal convolucional adaptada al contexto, lo que permit\u00eda manejar variaciones de palabras e interpretar la predicci\u00f3n a trav\u00e9s de capas de atenci\u00f3n. Para obtener m\u00e1s informaci\u00f3n del modelo, se recomienda consultar el art\u00edculo en cuesti\u00f3n y sus tablas suplementarias.<\/p>\n\n\n\n

Interpretaci\u00f3n de la predicci\u00f3n del modelo <\/h4>\n\n\n\n

Para interpretar la predicci\u00f3n del modelo, se identificaron las palabras con mayor peso en las capas de atenci\u00f3n utilizadas en la predicci\u00f3n. Las palabras con un peso relevante<\/strong>, es decir, de al menos 2 desviaciones est\u00e1ndar por encima de la media, fueron consideradas de alta atenci\u00f3n y se compararon con las palabras clave originales<\/strong> seleccionadas.<\/p>\n\n\n\n

Por otra parte, para los modelos base, las secciones fueron representadas por la frecuencia de aparici\u00f3n de t\u00e9rminos<\/strong>, y los algoritmos fueron entrenados y probados mediante validaci\u00f3n cruzada<\/strong>. Posteriormente, se compararon los resultados del modelo desarrollado por el grupo de investigaci\u00f3n con los 4 modelos base mencionados.<\/p>\n\n\n\n

Comparaci\u00f3n de m\u00e9tricas<\/h4>\n\n\n\n

Las dos medidas usadas para la comparaci\u00f3n de las m\u00e9tricas fueron AUROC <\/strong>(\u00e1rea bajo la curva de la caracter\u00edstica operativa del receptor) y AUPRC <\/strong>(\u00e1rea bajo la curva de precisi\u00f3n y recuperaci\u00f3n).<\/p>\n\n\n\n

AUROC es un m\u00e9todo de an\u00e1lisis habitual en estos modelos, ya que permite evaluar los diferentes umbrales entre sensibilidad y especificidad. AUPRC es otra m\u00e9trica importante que ofrece informaci\u00f3n complementaria para datos no balanceados, cuando el porcentaje de casos positivos es bajo.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Abonnez-vous<\/strong>
\u00e0 notre
Newsletter<\/h2>\n\n\n\n
\n
Abonnez-vous<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

\u00bfCu\u00e1les son las principales conclusiones de este estudio de modelo de aprendizaje a partir de notas cl\u00ednicas?<\/h2>\n\n\n\n

La conclusi\u00f3n principal de este estudio es que es posible realizar predicciones diagn\u00f3sticas de deterioro cognitivo utilizando un modelo basado en las notas cl\u00ednicas<\/strong>. Estos pacientes podr\u00edan estar en las primeras etapas del deterioro cognitivo, lo que permitir\u00eda identificar se\u00f1ales tempranas en los registros electr\u00f3nicos de salud.<\/p>\n\n\n\n

El modelo desarrollado para este prop\u00f3sito fue el mejor predictor<\/strong> para detectar pacientes que desarrollar\u00e1n deterioro cognitivo, sin depender de los datos estructurados. Aunque el modelo de aprendizaje profundo fue el mejor, el modelo XGBoost tambi\u00e9n mostr\u00f3 buenas predicciones<\/strong>, y se plantea como una alternativa m\u00e1s sencilla en caso de no contar con la tecnolog\u00eda necesaria.<\/p>\n\n

M\u00e9triques AUROC et AUPRC<\/h3>\n\n\n\n

Pour v\u00e9rifier ces r\u00e9sultats, on peut observer les scores obtenus pour les m\u00e9triques AUROC et AUPRC dans les jeux de donn\u00e9es 1 et 2 (voir tableaux 1 et 2, respectivement). Il est particuli\u00e8rement notable que le mod\u00e8le bas\u00e9 sur l’apprentissage profond est le meilleur pr\u00e9dicteur pour les deux m\u00e9triques. <\/p>\n\n\n\n

Dans le cas de l’AUROC, toutes les valeurs sont sup\u00e9rieures \u00e0 0.9, le mod\u00e8le d’apprentissage profond \u00e9tant toujours celui qui pr\u00e9dit le mieux. En ce qui concerne l’AUPRC, cela est encore plus \u00e9vident, car ce mod\u00e8le est le seul \u00e0 se maintenir au-dessus de la valeur 0.9.<\/p>\n\n\n\n

Les diff\u00e9rences entre ces m\u00e9triques renforcent la coh\u00e9rence des r\u00e9sultats<\/strong>, puisque, tandis que l’AUROC montre la relation entre le taux de vrais positifs et de faux positifs, l’AUPRC refl\u00e8te la relation entre la pr\u00e9cision et la sensibilit\u00e9.<\/p>\n\n\n\n

Dans des \u00e9chantillons d\u00e9s\u00e9quilibr\u00e9s, la m\u00e9trique AUROC peut \u00eatre moins conservatrice concernant les faux positifs, de sorte que l’information compl\u00e9mentaire de l’AUPRC permet de confirmer la bonne performance de ce mod\u00e8le.<\/p>\n\n\n\n

<\/div>\n\n\n\n
Mod\u00e8le<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
R\u00e9gression logistique<\/td>0.936<\/td>0.880<\/td><\/tr>
Random Forest<\/td>0.950<\/td>0.889<\/td><\/tr>
Support Vector Machine<\/td>0.939<\/td>0.883<\/td><\/tr>
XGBoost<\/td>0.953<\/td>0.882<\/td><\/tr>
Apprentissage profond <\/td>0.971<\/td>0.933<\/td><\/tr><\/tbody><\/table>
Tabla 1. Comparaci\u00f3n de los modelos para el conjunto de datos con 4950 secciones.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Mod\u00e8le<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
R\u00e9gression logistique <\/td>0.969<\/td>0.762<\/td><\/tr>
Random Forest<\/td>0.985<\/td>0.830<\/td><\/tr>
Support Vector Machine<\/td>0.954<\/td>0.723<\/td><\/tr>
XGBoost<\/td>0.988<\/td>0.898<\/td><\/tr>
Apprentissage profond <\/td>0.997<\/td>0.929<\/td><\/tr><\/tbody><\/table>
Tabla 2. Comparaci\u00f3n de los modelos para el conjunto de datos con 2000 secciones.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Performance du mod\u00e8le <\/h3>\n\n\n\n

Un autre point qui ressort de cette \u00e9tude est que la longueur des notes pourrait affecter la performance du mod\u00e8le ; n\u00e9anmoins, en conservant un contenu suffisant, il est montr\u00e9 que la classification par sections peut \u00eatre r\u00e9alisable. <\/p>\n\n\n\n

De plus, ce type de mod\u00e8les pourrait \u00eatre appliqu\u00e9 \u00e0 d’autres pathologies, bien qu’il soit important de consid\u00e9rer que l’identification d’informations ambigu\u00ebs ou complexes peut s’av\u00e9rer difficile.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Essayez NeuronUP 7 jours gratuitement<\/h2>\n\n\n\n

Vous pourrez travailler avec nos activit\u00e9s, concevoir des s\u00e9ances ou effectuer des r\u00e9habilitations \u00e0 distance<\/p>\n<\/div>\n\n\n\n

\n
\n
Commencez votre essai<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

\u00bfD\u00f3nde NeuronUP podr\u00eda aportar en un estudio como este?<\/h2>\n\n\n\n

NeuronUP<\/a> podr\u00eda aportar de diversas formas a un estudio como este, ya que tiene una amplia trayectoria trabajando con grandes cantidades de datos.<\/p>\n\n\n\n

Como se observa en este estudio, el manejo de grandes vol\u00famenes de datos es uno de los principales desaf\u00edos al trabajar con notas cl\u00ednicas. Por lo tanto, el equipo de NeuronUP<\/a>, que cuenta con especialistas tanto en el \u00e1mbito cl\u00ednico como en el an\u00e1lisis de datos, podr\u00eda realizar valiosas aportaciones en el procesamiento de la informaci\u00f3n<\/strong>, ya sea mediante el uso de palabras clave o sin ellas. <\/p>\n\n\n\n

Por otro lado, este estudio destaca por la comparaci\u00f3n de cinco modelos diferentes, lo que otorga robustez a los resultados obtenidos para su modelo. La experiencia del equipo de NeuronUP tambi\u00e9n podr\u00eda ser \u00fatil en el dise\u00f1o de un modelo espec\u00edfico<\/strong> para este prop\u00f3sito, o en la creaci\u00f3n de modelos robustos para compararlos con el modelo desarrollado.<\/p>\n\n\n\n

Li Zhou.  Profesora de medicina en la Facultad de Medicina de Harvard desde hace m\u00e1s de diez a\u00f1os, y es la investigadora principal en el Brigham and Women\u2019s Hospital. Posee un doctorado en Inform\u00e1tica Biom\u00e9dica en la Universidad de Columbia, y su investigaci\u00f3n se ha centrado en el procesamiento del lenguaje natural, la gesti\u00f3n del conocimiento y el apoyo a la toma de decisiones cl\u00ednicas. Adem\u00e1s, ha sido la investigadora principal en numerosos proyectos de investigaci\u00f3n financiados por AHRQ, NIH y CRICO\/RMF.<\/p>\n\n\n\n

Bibliograf\u00eda <\/h2>\n\n\n\n