El modelo de aprendizaje automático predice las condiciones de salud de las personas con EM durante los períodos de permanencia en el hogar

Una investigación dirigida por la Universidad Carnegie Mellon ha desarrollado un modelo que puede predecir con precisión cómo las órdenes de quedarse en casa como las que se implementaron durante la pandemia de COVID-19 afectan la salud mental de las personas con trastornos neurológicos crónicos como la esclerosis múltiple.

Investigadores de CMU, la Universidad de Pittsburgh y la Universidad de Washington recopilaron datos de los teléfonos inteligentes y rastreadores de actividad física de personas con EM antes y durante la primera ola de la pandemia. Específicamente, utilizaron los datos del sensor recopilados pasivamente para construir modelos de aprendizaje automático para predecir la depresión, la fatiga, la mala calidad del sueño y el empeoramiento de los síntomas de la EM durante el período sin precedentes de quedarse en casa.

Antes de que comenzara la pandemia, la pregunta de investigación original era si los datos digitales de los teléfonos inteligentes y los rastreadores de actividad física de las personas con EM podían predecir los resultados clínicos. Para marzo de 2020, dado que los participantes del estudio debían quedarse en casa, sus patrones de comportamiento diarios se alteraron significativamente. El equipo de investigación se dio cuenta de que los datos recopilados podrían informar el efecto de las órdenes de quedarse en casa en las personas con EM.

«Nos presentó una oportunidad emocionante», dijo Mayank Goel, jefe del Laboratorio de Detección Inteligente para Humanos (SMASH) en CMU. «Si observamos los puntos de datos antes y durante el período de quedarse en casa, ¿podemos identificar los factores que indican cambios en la salud de las personas con EM?»

El equipo recopiló datos de forma pasiva durante tres a seis meses, recopilando información como la cantidad de llamadas en los teléfonos inteligentes de los participantes y la duración de esas llamadas; el número de llamadas perdidas; y los datos de ubicación y actividad de pantalla de los participantes. El equipo también recopiló datos sobre la frecuencia cardíaca, el sueño y el conteo de pasos de sus rastreadores de actividad física. La investigación, «Predicción de los resultados de la esclerosis múltiple durante el período de permanencia en el hogar de COVID-19: estudio observacional utilizando comportamientos de detección pasiva y fenotipado digital», se publicó recientemente en el Journal of Medical Internet Research Mental Health. Goel, profesor asociado en el Departamento de Software y Sistemas Sociales (S3D) y el Instituto de Interacción Humano-Computadora (HCII) de la Facultad de Ciencias de la Computación, colaboró ​​​​con Prerna Chikersal, Ph.D. estudiante en el HCII; el Dr. Zongqi Xia, profesor asociado de Neurología y director del Programa de Investigación de Neuroinmunología Computacional y Traslacional de la Universidad de Pittsburgh; y Anind Dey, profesora y decana de la Escuela de Información de la Universidad de Washington.

El trabajo se basó en estudios previos de los grupos de investigación de Goel y Dey. En 2020, un equipo de CMU publicó una investigación que presentado un modelo de aprendizaje automático que podría identificar la depresión en estudiantes universitarios al final del semestre utilizando datos de teléfonos inteligentes y rastreadores de actividad física. Los participantes en el estudio anterior, específicamente 138 estudiantes de CMU de primer año, eran relativamente similares entre sí en comparación con la población más grande más allá de la universidad. Los investigadores se propusieron probar si su enfoque de modelado podría predecir con precisión resultados de salud clínicamente relevantes en una población de pacientes del mundo real con una mayor diversidad demográfica y clínica, lo que los llevó a colaborar con el programa de investigación de EM de Xia.

Las personas con EM pueden experimentar varias comorbilidades crónicas, lo que le dio al equipo la oportunidad de probar si su modelo podía predecir resultados adversos para la salud, como fatiga severa, mala calidad del sueño y empeoramiento de los síntomas de la EM además de la depresión. Sobre la base de este estudio, el equipo espera avanzar en la medicina de precisión para las personas con EM mejorando la detección temprana de la progresión de la enfermedad e implementando intervenciones específicas basadas en fenotipado digital.

El trabajo también podría ayudar a informar a los legisladores encargados de emitir futuras órdenes de quedarse en casa u otras respuestas similares durante pandemias o desastres naturales. Cuando se emitieron las órdenes originales de quedarse en casa por el COVID-19, hubo preocupaciones iniciales sobre sus impactos económicos, pero solo una apreciación tardía del costo en la salud mental y física de las personas, particularmente entre las poblaciones vulnerables, como aquellas con enfermedades neurológicas crónicas. .

«Pudimos capturar el cambio en los comportamientos de las personas y predecir con precisión los resultados clínicos cuando se ven obligados a quedarse en casa durante períodos prolongados», dijo Goel. «Ahora que tenemos un modelo de trabajo, podríamos evaluar quién está en riesgo de empeorar la salud mental o la salud física, informar las decisiones de clasificación clínica o dar forma a futuras políticas de salud pública».