Principales aplicaciones en diabetes gestacional

2.5.2

Principales aplicaciones en diabetes gestacional

Los sistemas de ayuda a la decisión tienen múltiples aplicaciones en el campo de la diabetes. Desde la mera generación de resúmenes estadísticos y gráficos explicativos para que los profesionales tengan una visión global del estado glucémico de las pacientes y puedan ubicar fácilmente los episodios de hiperglucemias, hasta complejos sistemas de monitorización capaces de generar alertas sobre pacientes y episodios determinados.

La utilización de este tipo de sistemas para la monitorización de pacientes con DMG supone dos ventajas principales. La primera es la reducción de los tiempos de actuación clínicos, ya que es posible anticipar los cambios de tratamiento al momento en que el sistema detecta que el control glucémico de las pacientes está empeorando. En el cuidado tradicional, no es posible realizar ninguna acción hasta que el especialista revisa los datos, lo cual suele hacerse con una frecuencia quincenal, por lo que el metabolismo materno puede llevar hasta 10 días con niveles elevados de glucosa afectando al desarrollo del feto.

56

La segunda ventaja principal es la optimización del tiempo de trabajo de los clínicos. Con estos sistemas se evita a los profesionales el examen visual de dos semanas de datos numéricos de monitorización en busca de patrones, ya que el sistema lo hace de manera automática proporcionándoles un resumen para que ellos se limiten a tomar la decisión adecuada en relación a la terapia.

A pesar de las ventajas que supone la utilización de este tipo de sistemas para complementar la atención a pacientes con DMG, su utilización es limitada. De hecho una revisión publicada en 2013 observó que sólo el 9% de los estudios sobre el uso de las TIC en diabetes incluían herramientas de ayuda a la decisión y ninguno de ellos era para DMG (El-Gayar et al., 2013). En los últimos años se han realizado diferentes estudios para investigar el uso de la ayuda a la decisión para el cuidado de la DMG. A continuación detallaremos las iniciativas más importantes.

2.5.2.1

Diabnet

En 1997 apareció uno de los primeros sistemas para DMG con herramientas de ayuda a la decisión integradas y fue ideado para ser utilizado por los especialistas durante las consultas presenciales con las pacientes.

El algoritmo de razonamiento de DIABNET (Hernando et al., 1996, 2000) estaba compuesto por una red probabilística causal y un conjunto de reglas lógicas, y era capaz de proponer modificaciones cualitativas de la terapia de dieta y cambios cuantitativos de la terapia de insulina a partir de los datos de monitorización de las pacientes (glucemia, cetonuria, efectividad de la insulina, hora y carbohidratos de las ingestas, transgresiones de la dieta). La red bayesiana determinaba el estado metabólico general (EMG) de la paciente y describía diferentes aspectos: efectividad de la insulina, necesidad de modificar la terapia de insulina, disponibilidad de HC, tiempo de espera entre la ingesta y la insulina, etc. A partir de dicho estado, mediante el conjunto de reglas lógicas, se generaban las recomendaciones sobre la planificación de terapia.

El sistema no llegó a validarse en un entorno clínico pero fue validado por 3 expertos diabetólogos utilizando los datos retrospectivos de 9 pacientes.

2.5.2.2

Personal Health System (PHS)

El PHS es uno de los sistema de ayuda a la decisión para DMG basado en reglas lógicas, diseñado con el objetivo de presentar al equipo médico los eventos de interés de las pacientes (hipoglucemias e hiperglucemias) para optimizar el tiempo de evaluación clínica (Bromuri et al., 2016). Este sistema ha sido desarrollado en paralelo al trabajo de investigación aquí presentado. Las pacientes utilizan una aplicación móvil para registrar de manera manual sus datos de glucemia etiquetándolos con la ingesta (DNO, CMDA o CNA) y momento (PRE o POS) correspondientes. El sistema ofrece una preselección en la opción de etiquetado que la paciente puede modificar. Para ello, consulta la etiqueta de la última medida registrada preseleccionando el momento siguiente, de manera que si la última medida introducida corresponde a la CNA- PRE, la etiqueta CNA-POS será preseleccionada. La aplicación dispone de gráficos para facilitar la visualización de los datos de monitorización almacenados resaltando las hiperglucemias e hipoglucemias. Para garantizar la seguridad se almacena un certificado encriptado en binario en el móvil y se proporciona a las pacientes un código QR que contiene las claves del certificado

57

almacenado. De esta manera, si le roban el móvil a la paciente no podrían acceder a sus datos sin el código QR. También por razones de seguridad sólo se almacenan los datos de la última semana en el teléfono, almacenando el resto en un servidor.

El equipo médico puede consultar los datos de las pacientes y las alertas generadas por el sistema mediante una página web a la que acceden mediante una contraseña y un certificado almacenado en una smartcard. Los clínicos pueden contactar con las pacientes por teléfono si necesitan alguna aclaración sobre los datos y prescribir tratamientos a través del portal web.

El modelado del conocimiento médico se realizó con el Event Calculus (programas lógicos ejecutados en Prolog) (Kowalski and Sergot, 1986). Los eventos considerados son eventos glucémicos y la evolución de los mismos disparan alertas que son transmitidas a los médicos. La implementación se realizó utilizando agentes (Wooldridge, 2002) como entidades autónomas de software. Cada agente contenía un conjunto de reglas diferente y se encargaban de tareas distintas. Una de ellas sería la monitorización del estado de una paciente (glucemia, peso, tratamiento, presión sanguínea y síntomas) mediante reglas como las siguientes:

- Si 2 valores menores que 4mmol en el mismo momento del día durante dos días consecutivos en pacientes con insulina entonces contener eventos de hipoglucemia.

- Si 2 valores menos de 3mmol en una hora entonces hipoglucemia seria - Si glucemia en ayunas mayor que 5,8mmol durante 2 días en los 4 días

precedentes entonces limitar hiperglucemia en la mañana

- Si glucemia en ayunas mayor que 5,3mmol durante 3 días en los 5 días precedentes entonces limitar hiperglucemia en la mañana

- Si glucemia postprandial mayor que 8mmol en el mismo momento del día durante 2 días de los 4 precedentes entonces limitar hiperglucemia - Si glucemia postprandial mayor que 7mmol en el mismo momento del día

durante 4 días durante los 7 precedentes entonces limitar hiperglucemia La evaluación del sistema se realizó mediante un estudio clínico de nueve meses de duración con 24 pacientes (12 control y 12 intervención) y cuatro clínicos. Tanto las pacientes del grupo control como las del grupo de intervención tuvieron el mismo número de visitas programadas. Los principales resultados fueron la glucosa plasmática significativamente mejor controlada en el grupo de telemedicina en comparación con el cuidado tradicional y una alta satisfacción. Además, el equipo médico manifestó que aunque el sistema no reducía las visitas presenciales, mejoraba la calidad de la atención asistencial al permitirles consultar los datos de las pacientes a diario y ahorrarles tiempo ya que les posibilitaba centrarse en los eventos de hiperglucemia o hipoglucemia de las pacientes en lugar de tener que evaluar los datos numéricos de las cartillas de control. Otro aspecto positivo que resaltó el equipo médico fue la reducción del tiempo de reacción a la hora de cambiar el tratamiento a las pacientes con peor control metabólico, pasando de una a tres semanas del cuidado convencional a uno o tres días con el sistema de telemedicina, lo que se tradujo en un mejor control metabólico.

2.5.2.3

Aplicación de Soojung

Otro estudio de 2016 publicaba los detalles de un sistema de ayuda a la decisión basado en reglas que generaba recomendaciones de terapia a las pacientes durante el periodo de preinsulinización (Jo and Park, 2016).

58

La base de hechos contenía el peso pregestacional, la fecha y peso estimado de parto, altura, historial de hipoglucemias, ingesta calórica, glucemia, actividad física, cetonuria y peso actual. La base de conocimiento contenía la formalización de guías clínicas y literatura existente, y estaba compuesta por 49 reglas (4 de dieta, 32 de getión de BG, 6 gestión de cetona, 3 de gestión de ejercicio físico y 4 para gestionar el peso) del tipo “IF-THEN”. El motor de inferencia estaba compuesto por 8 algoritmos: 1 principal para el proceso general de gestión de la DMG y 7 secundarios: para el cálculo del estado inicial, la configuración de alertas, la gestión de dieta, la gestión de glucemia, la gestión de ejercicio, la gestión de la cetona, y la gestión del peso.

Las recomendaciones se generaban sobre un intervalo de tiempo específico en relación a la ingesta (DNO, CMDA o CNA). Las recomendaciones de dieta y cetonuria se generaban diariamente y las asociadas al peso de manera semanal. Las recomendaciones de ejercicio se basaban en una entrada numérica en base a la cual se indicaba a las pacientes si la actividad física realizada era suficiente o debían reducirla o aumentarla.

El registro de glucemias se realizaba de manera manual mediante una aplicación móvil. La base de conocimiento se almacenaba en el móvil en una base de datos SQLite, la aplicación fue desarrollada en Java haciendo uso de la librería Action- BarSherlock para la interfaz gráfica. Además estaba disponible en la Google Play Store.

No se han publicado datos de evaluación de aplicación en un estudio clínico pero sí sobre la validación de su base de conocimiento por 6 expertos.

2.5.2.4

MobiGuide

El sistema MobiGuide es un sistema distribuido de ayuda a la decisión que, a diferencia de los demás, no está basado en reglas sino en la interpretación automática de guías clínicas.

La formalización de las guías clínicas se hace mediante el uso de ontologías (Shahar et al., 2004) y el funcionamiento del sistema se basa en un marco de formalización y ejecución del conocimiento clínico que los autores han denominado “MADE”, monitorización, análisis, decisión y efecto (Fung et al., 2016). En el caso de las pacientes con DMG se estarían refiriendo a la monitorización de la glucemia y de la actividad física; el análisis para determinar si el control glucémico de la paciente y su adherencia al tratamiento son adecuados; la decisión terapéutica a tomar en función del control metabólico, por ejemplo si se debe iniciar el tratamiento con insulina; y finalmente efectuar las acciones pertinentes para ejecutar dicho cambio en la terapia (García-Sáez, Rigla, Martinez-Sarriegui, et al., 2014).

El sistema de ayuda a la decisión se encuentra repartido entre el servidor central (BE-DSS) y la aplicación móvil (mDSS). Desde el servidor central, se proyecta una porción del sistema de ayuda adaptada a la paciente, considerando sus preferencias predefinidas y su contexto actual (Shalom et al., 2015). Tras cada ejecución el mDSS se sincroniza con el BE-DSS para trasmitir sus resultados y mantenerlo actualizado.

El sistema fue validado en un estudio con 20 pacientes (Peleg et al., 2017; Rigla et al., 2017). En dicho estudio se compararon las pautas de monitorización y los parámetros clínicos de las pacientes del estudio con los datos de una cohorte de 247 pacientes que habían sido tratadas en el hospital en los últimos 3 años antes del comienzo del estudio. La conclusión fue que las

59

pacientes que habían usado la aplicación cumplieron mejor con las pautas de monitorización que la cohorte anterior.

2.5.2.5

Aplicación de Mackilop

Finalmente, en 2016 se estaba desarrollando otro sistema basado en reglas capaz de reconocer patrones de descontrol metabólico, pero los resultados del estudio clínico no habían sido publicados en el momento de redacción de esta tesis (Mackillop et al., 2016).

Un ejemplo de los patrones reconocidos por este sistema es la detección de 3 medidas altas consecutivas después del desayuno indicando que la medicación debe ser incrementada en esa ingesta correspondiente; o que cierta paciente no está enviando el número mínimo de medidas requeridas, siendo este número ajustable por el personal médico.

La aplicación parece que permite la adición de comentarios explicativos junto a las medidas de glucemia, recordatorios de medidas postprandiales, gráficas para visualizar la diferencia entre los valores prepandiales y postprandiales e incluso permite solicitar tiras reactivas al personal médico.

Aunque la aplicación de la ayuda a la decisión para DMG surge en 1997 con el proyecto Diabnet y se ha estado aplicando con éxito en otros tipos de diabetes, no es hasta 2010 cuando resurge el interés por aplicar este tipo de solución al tratamiento de la DMG. Las diferentes iniciativas revisadas son capaces de analizar de manera automática los datos de monitorización de las pacientes en busca de patrones indicadores de mal control metabólico y de presentar dicha información a los profesionales clínicos para que estos decidan si es necesario ajustar la terapia de las pacientes. La mayoría de estos sistemas están basados en reglas lógicas y permiten a los clínicos centrarse en los eventos que requieren su atención en lugar de tener que repasar todos los datos de monitorización de manera innecesaria. Sin embargo, todavía existe un margen de mejora en relación a las recomendaciones generadas por estas herramientas. Algunas de las decisiones que toman los clínicos, especialmente al principio del tratamiento, están especificadas en los protocolos médicos y se realizan de manera sistemática. Es decir, ante una serie de síntomas, la primera acción que realiza el clínico es la especificada en los protocolos, y si esa no funciona, entonces la acción a tomar dependerá de la evaluación de la situación por parte del especialista. Este tipo de acciones sistemáticas se pueden automatizar, optimizando aún más el tiempo del especialista para que pueda dedicarse a evaluar sólo las situaciones más complejas

61