Predicción de la Progresión de Enfermedades Crónicas: Aprovechando el Razonamiento Basado en Casos y el Análisis de Big Data

Los médicos que atienden a individuos con enfermedades crónicas necesitan predecir la progresión de la enfermedad en los pacientes, ya que proyecciones precisas de la enfermedad pueden facilitar mejores decisiones de tratamiento. El poder de la predicción es la prevención, ya que es más fácil prevenir que revertir. En esta investigación, proponemos un modelo basado en datos para una predicción precisa y rápida de la trayectoria de la enfermedad, utilizando registros electrónicos de salud (EHR) de los Hospitales de Asuntos de Veteranos. Los EHR contienen una enorme cantidad de datos frecuentemente actualizados, de alta dimensión y no espaciados de manera uniforme en diversos formatos (por ejemplo, numéricos, textuales, imágenes y videos). Proponemos un enfoque de razonamiento basado en casos inteligente (iCBR) para predecir mejor la progresión de la enfermedad renal, lo que puede ayudar a prevenir el deterioro de la salud de los pacientes y prolongar sus vidas. Nuestro iCBR contribuye a la literatura al mejorar las capacidades de automatización y personalización del razonamiento basado en casos (CBR) convencional. A través del iCBR, avanzamos en la utilización de los datos de laboratorio del paciente, signos vitales, visitas clínicas e información sobre comorbilidades. Examinamos (1) si el número de casos elegidos para predecir la progresión de la enfermedad del nuevo paciente debería ser ajustado, y (2) cuál debería ser el mejor número de casos de predicción si se justifica la personalización. Vinculamos el número de casos seleccionados para la predicción de enfermedades con las características de la enfermedad del paciente. Al comparar los resultados del iCBR con modelos populares de aprendizaje automático y estadística adaptados a nuestro problema, encontramos que el iCBR supera a otros métodos. Aunque el modelo propuesto se aplica a pacientes con enfermedad renal crónica, puede aplicarse fácilmente a otras enfermedades crónicas como la diabetes, debido a su estructura de datos similar.