Aprendizaje automático para detectar la adherencia a la medicación – HEOR insights

La investigación en Inteligencia Artificial (IA) y Aprendizaje Automático (ML) y su aplicación en diversos campos está alcanzando nuevas alturas cada día. Hay muchas aplicaciones de esta tecnología avanzada en productos de consumo, por ejemplo. Apples FaceID, personalización (sistemas de recomendación) y educación. Una investigación reciente publicada en el Journal of Diabetes Science and Technology investigó un enfoque basado en ML para medir y detectar la adherencia en pacientes con diabetes utilizando inyecciones de insulina basal una vez al día con el objetivo final de desarrollar un sistema de alerta temprana para la detección de la adherencia a la medicación.

Los autores utilizaron datos obtenidos de la tecnología de monitorización continua de glucosa (CGM) in-silico para simular una cohorte de pacientes con diabetes tipo 2 con una dosis diaria de inyección de insulina. Se compararon los resultados generados por una técnica avanzada de modelado de ML llamada «Aprendizaje profundo» y modelos de clasificación de ML simples basados ​​en características. Los autores hicieron la siguiente observación:

“Los tres modelos de clasificación basados ​​en características diseñados por expertos lograron precisiones promedio de 78,6%, 78,2% y 78,3%. El modelo de clasificación basado exclusivamente en características aprendidas logró una precisión promedio del 79,7%. Los dos modelos de clasificación que combinan características aprendidas y diseñadas por expertos lograron precisiones promedio del 79,7% y 79,8%. Todos los resultados mencionados se obtuvieron 16 horas después del momento de la inyección.»

«…hay un claro beneficio al utilizar modelos simples en lugar de modelos más complejos».

Esta investigación podría, si se replica en datos de MCG del mundo real, abrir nuevas posibilidades para implementar herramientas tempranas de detención de la adherencia para ayudar a los tomadores de decisiones y a los pacientes de la misma manera. Ex. La salida del modelo (es decir, alarma de cumplimiento) se puede utilizar para crear un sistema de notificación en aplicaciones de gestión de atención médica por parte de los proveedores. La escala de esta aplicación se beneficiaría de un conjunto de datos del mundo real más rico para mejorar aún más el modelo.