Modelos predictivos en el tratamiento de pacientes con alcoholismo

• L. Montero-Cordal ^[1] ; J. Tapia-Galisteo ^[1] ; A. Martínez-Maldonado ^[2] ; I. Oropesa ; Rosa Jurado-Barba ^[3]
  1. [1] Universidad Politécnica de Madrid

     Universidad Politécnica de Madrid

     Madrid, España

     
  2. [2] IRB Barcelona - Institute for Research in Biomedicine

     IRB Barcelona - Institute for Research in Biomedicine

     Barcelona, España

     
  3. [3] Universidad Camilo José Cela

     Universidad Camilo José Cela

     Villanueva de la Cañada, España

     
  4. [4] Grupo de Bioingeniería y Telemedicina (GBT)

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 133-136
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • Según la OMS, el consumo de alcohol es un problema de primer nivel, causando el 5.3% de las muertes a nivel mundial. Es también la droga más consumida en España, llegando a crear graves problemas de adicción. Entre los tratamientos disponibles contra el alcoholismo se encuentran las técnicas de modificación del sesgo cognitivo, mediante las cuales se entrena a los pacientes en el rechazo a los estímulos relacionados con el alcohol, tratando de devolver a rangos de normalidad ciertos parámetros cerebrales alterados en sujetos con esta dependencia, mejorando con ello el pronóstico de abstinencia. El objetivo de este trabajo es crear modelos predictivos que permitan identificar la gravedad de la dependencia y el riesgo de recaída tras el tratamiento. Se han utilizado datos de 70 pacientes dependientes y 17 sujetos sanos, considerando datos demográficos, clínicos y cerebrales recogidos durante el tratamiento. Mediante técnicas de aprendizaje de máquina, se generan variantes de dos tipos de modelos predictivos: modelos regresivos para cuantificar la gravedad de la dependencia mediante la escala EIDA y clasificadores de recaídas a los tres meses de concluir el tratamiento. El mejor modelo regresivo de EIDA logra un coeficiente de correlación de 0,81. Los mejores modelos predictivos de recaída se logran mediante árboles J48 y redes neuronales, con precisiones de entre 0,92 y 0,93, exactitud del 86% y un área bajo la curva ROC (AUC) igual a 0,85. Estos modelos obtienen resultados de utilidad clínica sobre los que basar siguientes investigaciones.