← Volver al inicio

Interpretar cuestionarios incluso con respuestas omitidas: Quest2Dx explora el cribado del párkinson mediante validación entre conjuntos de datos

Encontrar indicios de enfermedad entre cientos de preguntas de salud no depende solo de la capacidad de identificación, sino también de que los resultados sigan siendo fiables al cambiar de cuestionario. Un nuevo modelo muestra capacidad de interpretación entre cuestionarios, pero aún requiere validación para demostrar que puede identificar antes a los pacientes en la consulta.

By SURL BioNews

Un cuestionario de salud puede aportar indicios que requieran más pruebas, pero el exceso de preguntas y las respuestas incompletas también pueden dejar esa información oculta. Un equipo de investigación del Instituto Politécnico Rensselaer (RPI), en Estados Unidos, ha presentado el modelo de inteligencia artificial Quest2Dx, que intenta identificar señales relacionadas con la enfermedad de Parkinson en cuestionarios autoadministrados, con la esperanza de ofrecer un método de cribado inicial más fácil de utilizar en atención primaria.

El estudio, publicado el 4 de noviembre en *Nature Aging*, se centra en dos obstáculos prácticos del análisis de cuestionarios: los participantes omiten preguntas y las distintas encuestas utilizan formulaciones diferentes para preguntar sobre cuestiones similares. Quest2Dx emplea modelado del lenguaje para codificar el significado de las preguntas y las respuestas, lo que permite al modelo manejar respuestas ausentes y transferir a otro cuestionario la información aprendida en uno.

La investigación utilizó dos conjuntos de datos: la Iniciativa de Marcadores de Progresión del Párkinson (PPMI Online) y Fox Insight. Según el comunicado del RPI y la noticia sobre el mismo estudio publicada en Medical Xpress, los dos cuestionarios contienen 187 y más de 300 preguntas, respectivamente; el equipo entrenó el modelo con datos de PPMI y utilizó Fox Insight para la validación externa. Este tipo de prueba permite evaluar mejor la capacidad del modelo para adaptarse a distintos cuestionarios que dividir únicamente los datos de una misma fuente en conjuntos de entrenamiento y prueba.

El resumen del artículo distingue además dos tipos de evaluación: el área bajo la curva de características operativas del receptor (AUROC) del modelo dentro de cada conjunto de datos fue de 0.977 y 0.974, respectivamente; al transferirlo de PPMI Online a Fox Insight fue de 0.920, y en sentido inverso, de 0.952. El AUROC mide la capacidad del modelo para distinguir entre dos grupos de personas; no puede interpretarse directamente como una proporción de aciertos ni significa que se haya demostrado que puede predecir la aparición de la enfermedad antes de que surjan los síntomas.

La posibilidad de acortar el cuestionario también influye en su utilidad en la consulta. El equipo seleccionó 30 preguntas según el valor informativo identificado por el modelo para crear una versión abreviada, cuyo rendimiento se aproximó al del cuestionario completo. El modelo también puede señalar las combinaciones de preguntas y respuestas con mayor capacidad discriminativa para cada participante, lo que ofrece la posibilidad de examinar los fundamentos de la interpretación, además de obtener una puntuación.

Estos indicios incluyen dificultades en actividades cotidianas, como levantarse de la cama o comer, así como información sobre el sueño, la ansiedad y la exposición a disolventes industriales. Sin embargo, estas manifestaciones también pueden darse en otras enfermedades o circunstancias de la vida; que el modelo considere que una respuesta ayuda a la clasificación no significa que esta permita establecer un diagnóstico por sí sola, y mucho menos determinar una relación causal. La cuestión que deben resolver este tipo de herramientas es cómo se combinan múltiples datos para constituir una señal de riesgo.

El estudio muestra que Quest2Dx supera a varios métodos de comparación, incluidos enfoques basados en Llama 2, aunque sigue produciendo falsos positivos y falsos negativos. La evidencia actual respalda su potencial de cribado en los datos de investigación. Para utilizarlo en consultas generales, el siguiente paso sigue siendo confirmar si puede orientar adecuadamente la evaluación posterior de personas que acuden sin un diagnóstico confirmado y con síntomas diversos, y si el aumento de las derivaciones y las pruebas aporta beneficios reales.

References

  1. Rensselaer Polytechnic Institute
  2. Medical Xpress (provided by Rensselaer Polytechnic Institute)