Chronic pain classificationa machine learning perspective

Resumen

El dolor crónico es un problema complejo y multifactorial que afecta a 1 de cada 5 europeos; la gran mayoría sufre dolor durante 7 años o más y el 34% de ellos describe la experiencia del dolor como severo. Como consecuencia, los pacientes con dolor crónico tienen su calidad de vida deteriorada y sus posibilidades de desempleo aumentan. Un diagnóstico y tratamiento tempranos del dolor crónico pueden mejorar la calidad de vida y reducir el tiempo de recuperación. Así, la atención primaria tiene un papel central ya que el 70% de los pacientes con dolor crónico se manejan en atención primaria. Por otro lado, los profesionales de atención primaria han demostrado actitudes y creencias inapropiadas sobre el dolor y su tratamiento incluso después de participar en programas educativos continuos. Como consecuencia, los médicos de atención primaria no se sienten seguros para proporcionar un diagnóstico de dolor crónico. Esto puede afectar el tiempo que un paciente tiene que esperar para obtener un diagnóstico adecuado, con un 20,9% de pacientes esperando más de 10 años. Por lo tanto, los profesionales de atención primaria y los pacientes podrían beneficiarse de métodos objetivos para respaldar la decisión de diagnóstico. En la última década, el aprendizaje automático se ha utilizado ampliamente en diferentes campos, especialmente por su capacidad para trabajar con datos complejos. Con el apoyo de técnicas de aprendizaje automático, diferentes estudios han estado utilizando enfoques basados en datos para comprender mejor algunos síndromes como el deterioro cognitivo leve, la enfermedad de Alzheimer y la esquizofrenia. En esta tesis evaluamos la sensibilidad de diferentes algoritmos y conjuntos de datos aplicados al diagnóstico del dolor crónico. Junto con esta evaluación, destacamos pasos metodológicos importantes que deben tenerse en cuenta cuando se realiza un experimento con aprendizaje automático. Como resultado, podemos diagnosticar el dolor crónico con una precision de regular a buena utilizando datos subjetivos y autoinformados (cuestionarios y QST), así como datos más objetivos de imágenes de resonancia magnética funcional en estado de reposo. Además, analizando imágenes cerebrales, observamos que una red neuronal convolucional superó a modelos menos costosos y adoptados con mayor frecuencia, como las máquinas de vectores de soporte (SVM) y RFC. Por otro lado, utilizando cuestionarios y QST, observamos que los métodos basados en conjuntos muestran el mejor desempeño. Además, el rendimiento de un algoritmo está estrechamente relacionado con los hiper-parámetros y se debe utilizar una buena estrategia para la optimización de los hiper-parámetros para extraer el máximo de los algoritmos. Finalmente, la contribución más importante de esta tesis es una explicación de las predicciones del aprendizaje automático que diagnostican el dolor crónico. Esa explicación destaca que los algoritmos toman su decisión basándose en la evidencia científica existente en la literatura. Estas explicaciones son importantes para aumentar la confianza de los pacientes y profesionales sobre las predicciones de las máquinas. Esta tesis respalda la noción de que el aprendizaje automático puede ser una herramienta poderosa para mejor diagnosticar las condiciones de dolor crónico y aumentar las capacidades de los profesionales de la salud para controlar el dolor crónico.