ES2827598B2 - Sistema y procedimiento para el diagnostico mejorado de la disfagia orofaringea - Google Patents

Description

DESCRIPCIÓN

Sistema y procedimiento para el diagnóstico mejorado de la disfagia orofaríngea

CAMPO TÉCNICO

[001] La invención está emplazada generalmente en el campo del diagnóstico de la disfagia orofaríngea y, en particular, a un sistema y procedimiento para el diagnóstico optimizado de la disfagia orofaríngea y las alteraciones de la deglución, incluyendo las alteraciones de la seguridad (aspiraciones, penetraciones) y eficacia de la deglución (residuo orofaríngeo).

ANTECEDENTES

[002] Tradicionalmente el diagnóstico 100 de la disfagia orofaríngea (en adelante DO) comprende tres fases, las de cribado inicial 110 (mediante cuestionario o entrevista clínica), exploración clínica 120 y evaluación instrumental 130, representado en la FIG. 1. Aunque la disfagia ha sido reconocida recientemente como síndrome geriátrico y cada vez son más los profesionales de la salud implicados en su manejo, la DO es una patología muy desconocida e infradiagnosticada. Presenta una elevada prevalencia en numerosos grupos de población que frecuentan el ámbito hospitalario (ancianos, neurológicos, dementes, y demás), con alta poli morbilidad (infecciones respiratorias, malnutrición y deshidratación) y mortalidad. Además de malos resultados de la salud los pacientes que presentan DO reingresan más y requieren de más recursos para garantizar la continuidad asistencial.

[003] La primera fase 110 de entrevista, o de cribado, se lleva a cabo mediante una entrevista al paciente y/o cuidadores y/o su familia (lo que depende de su grado de conocimiento e implicación en sus cuidados). La entrevista al paciente por parte de médicos, enfermeras y otros profesionales sanitarios tiene por objetivo detectar signos clínicos y factores de predisposición de un paciente a tener DO, y en el que se evalúan factores de riesgo, signos clínicos de seguridad y de eficacia y/o cribaje mediante herramientas validadas (EAT-10; TOR-BSST, Test del agua; GUSS; MASA). Screening, cribado, o despistaje, significa seleccionar mediante un procedimiento aquellos pacientes que presentan el mayor riesgo de padecer disfagia y en los que debe realizarse una exploración clínica o instrumental para confirmar el diagnóstico. El cribaje suele realizarse mediante métodos simples que no requieren un gran entrenamiento por parte del personal mientras que el diagnóstico clínico e instrumental requiere personal sanitario altamente entrenado y cualificado. En el ámbito biomédico se refiere al examen clínico de una persona para determinar la presencia o no de una determinada enfermedad.

[004] Paralelamente existen otros cuestionarios validados que ayudan al cribado de la disfagia:

- MASA: Creado por Mann para evaluar las dificultades para comer y tragar.

Se usa en pacientes con ictus. Consiste en 24 ítems que se puntúan entre 5-10 cada uno, siendo 200 la máxima puntuación (170-200 normal; 149­ 169 leve; 141-148 moderada; < 141 severa).

- Toronto Bedside Swallowing Screening Test: Identifica la dificultad de la deglución en pacientes con ictus. Se basa en la exploración de la fuerza de la lengua, y la evaluación de la voz después de cada uno de los 10 tragos de 5ml que componen la prueba.

- Yale Swallow Protocol: Consiste en la evaluación del riesgo de aspiración basado en unas breves preguntas cognitivas, examen del mecanismo deglutorio (sello labial, función lingual y simetría facial). Además, se dan 90cc de agua al paciente sentado para beberlo de forma continua. Si éste tose o se atraganta la prueba es positiva.

- Gugging Swallowing Screen: Este método determina el riesgo de aspiración en pacientes neurológicos. La prueba comienza con la deglución de saliva seguida de la deglución de texturas semisólidas, fluidas y sólidas. El GUSS consta de 4 subpruebas y se divide en 2 partes: la evaluación preliminar o la prueba de deglución indirecta (subprueba 1) y la prueba de deglución directa, que consta de 3 subpruebas. Estas 4 subpruebas deben realizarse de forma secuencial. En la prueba de deglución indirecta se evalúa: a) vigilancia; b) tos voluntaria y / o aclarado de la garganta y c). Se evalúa la ingestión de saliva (deglución, babeo, cambio de voz). La prueba de deglución directa evalúa; a) la deglución, b) la tos involuntaria, c) el babeo y d) el cambio de voz en la deglución semisólida, la deglución de líquidos y la prueba de deglución de sólidos. La evaluación se basa en un sistema de puntos, para cada subprueba se puede alcanzar un máximo de 5 puntos. Así, veinte puntos son la puntuación más alta que un paciente puede alcanzar, y denota la capacidad normal de deglución sin riesgo de aspiración. En total se pueden determinar 4 niveles de severidad: 0-9 puntos: disfagia grave; 10-14 puntos: disfagia moderada; 15-19 puntos: disfagia leve; 20 Puntos: habilidad normal para tragar.

[005] Dependiendo del resultado de la primera fase de cribado, se lleva a cabo la segunda fase 120 de exploración clínica de la deglución, en la cual se procede a realizar el Método de Evaluación Clínico Volumen-Viscosidad, MECV-V, y en caso necesario, la tercera fase 130 de evaluación instrumental, por parte de personal especializado. La sensibilidad del MECV-V en el diagnóstico de disfagia es una Se elevada (93%) y una Sp elevada (80%), junto a una fiabilidad de valor global Kappa de 0.77 (95%). El MECV-V es una prueba clínica que utiliza diferentes volúmenes (5, 10 y 20 mL) y viscosidades (néctar, líquido y pudin) para detectar signos de alteración de la eficacia y seguridad de la deglución. El propósito del MECV-V es identificar los signos clínicos de las alteraciones de la eficacia de la deglución (sello labial, residuo orofaríngeo, deglución fraccionada), y los signos clínicos de las alteraciones de la seguridad durante la deglución (cambios en la calidad de la voz, la tos o el descenso de la saturación de oxígeno en 3 o más puntos porcentuales respecto a la saturación basal del paciente medida con un pulsioxímetro. El pulsioxímetro mide de manera indirecta la saturación de oxígeno en sangre de un paciente expresando el resultado en porcentaje. La tos y/o una caída en la saturación de oxígeno de 3 o más puntos porcentuales se considerarán signos clínicos de aspiración traqueobronquial. La realización de MECV-V permite detectar individuos que padecen DO, así como adaptar su hidratación por vía oral ajustando el volumen y la viscosidad de los fluidos para proporcionar una deglución segura al paciente. Se puede realizar en cualquier momento del proceso asistencial.

[006] La tercera fase 130 de evaluación instrumental se lleva a cabo mediante Videofluoroscopia, VFS, y/o mediante fibrolanringoscopia, FEES, (del inglés “Fiberoptic endoscopic evaluation of swallowing”), que tiene por resultado determinar con certidumbre elevada la existencia de la DO en el paciente en cuestión. Los métodos instrumentales ofrecen un diagnóstico preciso y objetivo y son el medio de diagnóstico ideal para aquellos pacientes que necesitan una evaluación más precisa. La VFS consiste en una exploración radiológica dinámica que determina la seguridad y la eficacia de la deglución y además permite conocer la respuesta motora orofaríngea. La VFS puede determinar si las aspiraciones están asociadas con un sello glosopalatino alterado, un retraso en el inicio de la deglución faríngea o un deterioro en la protección de la vía aérea (cierre de las cuerdas vocales), o una limpieza inefectiva de la faringe (aspiración post-deglutoria). La FEES permite la observación “in situ” y registro en video de la faringe mediante un fibroscopio en el momento de la deglución. Ambas técnicas permiten comprender los mecanismos de aspiración, alteración de la seguridad y la eficacia de la deglución en cada paciente. Pese a que se han descrito ampliamente las consecuencias del no tratamiento de la DO (aumento de infecciones respiratorias y malnutrición) y atendiendo a una prevalencia del 47.5% en población > 70 años hospitalizada, tan solo se realiza el cribaje de DO en el 12% de los casos. De éstos solo presentan DO el 61% de los pacientes. La no detección de pacientes que sufren la enfermedad mediante el cribaje comporta un descenso del diagnóstico clínico e instrumental. Esto supone un proceso de diagnóstico con pocas probabilidades de acertar y que además malgasta recursos sanitarios.

[007] Son mayoría los pacientes que no requieren de la tercera fase de evaluación instrumental para su diagnóstico pues mediante la reevaluación clínica y exploración con MECV-V se puede establecer un diagnóstico clínico de disfagia, de las alteraciones de la seguridad y eficacia de la deglución y proporcionar una hidratación segura a los pacientes seleccionando el volumen y viscosidad óptima minimizando así el riesgo de sufrir aspiraciones. Cuanto antes se aplique el MECV-V antes se ayuda a detectar prematuramente a pacientes con DO y a minimizar sus malos resultados de salud y consumo de recursos. El desconocimiento y la falta de sensibilización de la comunidad sanitaria sobre DO hace que solo a 1 de cada 10 pacientes ancianos hospitalizados se les realice el MECV-V y la evaluación instrumental. Esto es debido a que los médicos y enfermeras no enfocan sus exploraciones y entrevistas a la detección de la disfagia. Atendiendo a las altas prevalencias de DO en pacientes ancianos hospitalizados descritos por la literatura la no realización del MECV-V y de la evaluación instrumental empeora la detección, tratamiento y resultados de salud de los pacientes con DO.

[008] Estas tres fases de diagnóstico de DO requieren de una carga de trabajo importante por parte de especialistas, son lentas y costosas. Frecuentemente se encuentra que pacientes que dan positivo en el cribado inicial, y son sometidos a las demás fases, no sufrían DO, malgastando recursos humanos, de tiempo, y económicos (falsos positivos). Por otra parte, si la entrevista inicial no es detallada, muchos pacientes con DO no se detectan y no se aprueban para la continuación del diagnóstico (falsos negativos), redundando en un mal proceso de diagnóstico que no ayuda a los pacientes que sufren realmente de DO, a la vez que aumentando la población de enfermos y costes en tratamientos correspondientes.

[009] Por lo tanto, los inventores han detectado la necesidad de mejorar el proceso de diagnóstico convencional optimizándolo de tal forma que se reduzcan tanto los falsos positivos como los falsos negativos. Esto se ha conseguido mediante una mejoría en la fase de cribado sistemático, asegurando a su vez que se evalúe en fases diagnósticas posteriores un número incremental de pacientes con riesgo real de sufrir DO. Así mismo, los procedimientos existentes consumen demasiados recursos computacionales, son lentos y además no tienen la precisión requerida. Por lo tanto, existe la necesidad de solventar de forma efectiva estos problemas descritos.

SUMARIO DE LA INVENCIÓN

[0010] Es un objeto de la invención proporcionar soluciones a los problemas mencionados. En particular, es un objeto de la invención proporcionar aparatos y procedimientos para el cribaje DO optimizado.

[0011] Esta optimización del procedimiento de diagnóstico DO se basa en un algoritmo que toma en cuenta parámetros y el histórico clínico de los pacientes, para determinar con alta probabilidad las posibilidades de sufrir DO, y aprobar para su diagnóstico mediante las dos últimas fases de exploración clínica 120 y evaluación instrumental 130 solamente a aquellos pacientes que realmente tengan visos de sufrir DO. El algoritmo resultante es más preciso, y además consume menos recursos computacionales.

[0012] Es por lo tanto un objeto de la invención proporcionar un sistema para el cribaje optimizado de la disfagia orofaríngea.

[0013] Es otro objeto de la invención proporcionar un procedimiento para el cribaje optimizado de la disfagia orofaríngea.

[0014] Es otro objeto de la invención proporcionar un programa de ordenador que comprende instrucciones, que una vez ejecutadas en un procesador, para llevar a cabo las etapas de un procedimiento para el cribaje optimizado de la disfagia orofaríngea.

[0015] Es otro objeto de la invención proporcionar un medio legible por ordenador que comprende instrucciones, que una vez ejecutadas en un procesador, para llevar a cabo las etapas de un procedimiento para el cribaje optimizado de la disfagia orofaríngea.

[0016] La invención proporciona procedimientos y dispositivos que implementan varios aspectos, realizaciones, y características de la invención, y se implementan mediante medios variados. Los medios variados pueden comprender, por ejemplo, hardware, software, firmware, o una combinación de los mismos, y se pueden implementar estas técnicas en cualquier una, o combinación de, los medios variados.

[0017] Para una implementación hardware, los medios variados pueden comprender unidades de procesamiento implementados en uno o más circuitos integrados de aplicación específica (ASICs), procesadores de señales digitales (DSPs), dispositivos de procesamiento de señales digitales (DSPDs), dispositivos de lógica programable (PLDs), conjuntos de puertas programables in situ (FPGAs), procesadores, controladores, microcontroladores, microprocesadores, otras unidades electrónicas diseñadas para llevar a cabo funciones descritas, o una combinación de las mismas.

[0018] Para una implementación software, los medios variados pueden comprender módulos (por ejemplo, procesos, funciones, y demás) que llevan a cabo las funciones descritas. El código de software puede almacenarse en una unidad de memoria y ser ejecutadas por un procesador. La unidad de memoria puede implementarse dentro del procesador o externo al procesador.

[0019] Se describen varios aspectos, configuraciones, y realizaciones de la invención. En particular, la invención proporciona procedimientos, aparatos, sistemas, procesadores, código de programa, medios legibles por ordenador, y otros aparatos y elementos que implementan varios aspectos, configuraciones y características de la invención, tal como descrito en lo siguiente.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

[0020] Las características y ventajas de la presente invención se harán más aparentes a partir de la descripción detallada que sigue en conjunción con los dibujos, en los que caracteres de referencia iguales identifican elementos correspondientes en diferentes dibujos. Se pueden también referenciar a los elementos correspondientes mediante caracteres distintos.

[0021] La FIG. 1 muestra las tres fases principales en el proceso de diagnóstico DO.

[0022] La FIG. 2 muestra distintos aspectos del sistema de diagnóstico optimizado de la DO según una realización de la invención.

[0023] La FIG. 3 muestra un servidor de entrenamiento según un aspecto de la invención.

[0024] La FIG. 4 muestra el procedimiento de entrenamiento según un aspecto de la invención.

[0025] La FIG. 5 muestra la etapa de selección de variables según un aspecto de la invención.

[0026] La FIG. 6 muestra la etapa de entrenamiento del módulo experto según un aspecto de la invención.

[0027] La FIG. 7 muestra la etapa de predicción del riesgo de DO según un aspecto de la invención.

[0028] La FIG. 8 muestra la aplicación del sistema, y procedimiento correspondiente, de la invención, al proceso de diagnóstico convencional de la FIG. 1.

[0029] La FIG. 9 muestra la etapa de predicción del riesgo de DO según el modelo RBDADI de otro aspecto de la invención.

[0030] La FIG. 10 muestra una representación del modelo RBDADI en términos del número de arcos según un aspecto de la invención.

[0031] La FIG. 11 muestra una representación del modelo CODO en términos del número de arcos según un aspecto de la invención.

DESCRIPCIÓN DETALLADA DE LA INVENCIÓN

[0032] La FIG. 8 muestra la aplicación del sistema, y procedimiento correspondiente, de la invención, al diagnóstico convencional de la FIG. 1, resultando en un sistema 800, y procedimiento correspondiente, de diagnóstico optimizado incluyendo el cribaje sistemático proporcionado por la invención. Entre la primera fase 110 de cribaje inicial y la segunda fase 120 de exploración clínica se intercala el sistema 810, y procedimiento correspondiente, de diagnóstico optimizado, para filtrar el número de pacientes que pueden pasar a la segunda 120 y tercera 130 fase del diagnóstico.

[0033] Las etapas del procedimiento de diagnóstico tienen por objetivo filtrar los pacientes con un mayor porcentaje de riesgo de sufrir DO, por lo que los recursos limitados se invertirán en realizar la exploración clínica MECV-V a aquellos pacientes con más riesgo de sufrir DO. De esta forma se mejora la sensibilidad de la exploración clínica resultando en la identificación de más pacientes que tengan altas probabilidades de sufrir DO. Muchos de estos casos actualmente no se detectan por la falta de cribaje sistemático y el desconocimiento e inexperiencia de los profesionales sanitarios. Por lo tanto, usando el sistema y procedimiento de diagnóstico, sabiendo qué pacientes presentan mayor riesgo se pueden detectar más casos de DO usando la misma cantidad de recursos, por lo tanto, mejorando la eficacia con la que se usan los recursos.

[0034] Mediante una herramienta de inteligencia artificial se caracteriza y tipifica el tipo de paciente que presenta más riesgo que padece disfagia en base al registro digital de diagnósticos médicos, características clínicas y fármacos recetados de su historia clínica, por ejemplo, de los últimos dos años y se establece el riesgo del paciente de padecer disfagia. Los pacientes ancianos que padecen DO reingresan frecuentemente, presentan mayor mortalidad y consumen grandes cantidades de recursos sanitarios dado que su morbimortalidad aumenta con respecto a pacientes de iguales condiciones clínicas, pero sin DO. Mediante el módulo experto se identifican cuáles son los códigos de diagnóstico más importantes para la detección de la disfagia, se usan dichos códigos para establecer el riesgo de un paciente de padecer disfagia, y todo ello sin necesidad de ninguna prueba diagnóstica ni prueba a realizar sobre el usuario. Este último punto es bastante importante tanto en cuanto permite realizar campañas de salud pública, y por ejemplo avisar a usuarios del sistema sanitario identificados con riesgo de padecer disfagia, que se realicen pruebas más específicas.

[0035] La FIG. 2 muestra un sistema de cribaje mejorado de la DO según una realización de la invención. En un aspecto de la realización (la población 290 a la izquierda del dibujo), el sistema 200 comprende al menos un servidor 210 de entrenamiento que se basa en un algoritmo de inteligencia artificial, al menos un servidor 220 de predicción DO, y al menos un terminal 230 de consulta de pacientes. Los terminales de consulta sirven para lanzar una consulta sobre el diagnóstico DO de un paciente mediante la transmisión de una comunicación al servidor de predicción correspondiente. Mientras tanto, el servidor de predicción ha obtenido la última actualización del módulo experto del servidor de entrenamiento y determina el riesgo de sufrir DO utilizando este modelo y los datos de paciente recibidos del terminal de consulta.

[0036] Los datos de paciente pueden ser de diagnóstico de acuerdo con la Clasificación Internacional de Enfermedades CIE, códigos únicos de medicamentos, datos demográficos tales como edad y sexo, datos de uso hospitalario, número de reingresos hospitalarios y días de ingreso y asignación o no de dietista, así como resultados del índice Barthel. El diagnóstico devuelve

1

como resultado un valor entre 0 y 1 del riesgo del paciente al que corresponden los datos de padecer disfagia, siendo 1 el máximo riesgo y 0 el mínimo.

[0037] El sistema es altamente escalable, ya que permite implementar al menos un terminal de consulta, por ejemplo, por clínica/centro y, al menos un servidor de predicción, por ejemplo, por población 290. Otro aspecto de la realización (la población a la derecha del dibujo) comprende al menos un servidor 210 de entrenamiento que se comunica directamente con los terminales 230 de consulta, sin mediación de un servidor 220 de predicción DO externo, ya que las funciones de predicción se llevan a cabo también en el servidor de entrenamiento.

[0038] Se entiende que la persona de oficio podrá configurar sistemas con distintas topologías. La existencia de la API que conecta los usuarios con los servidores de predicción, y el uso de estándares como JSON para transmitir y recibir información, permite que los diversos usuarios del sistema integren en sus propios programas de gestión de pacientes, ya sea en forma de etiqueta o aviso al visualizar una historia clínica o como se prefiera. La flexibilidad sobre como integrar la información de predicción a los propios sistemas informáticos es total y compatible con todos los sistemas existentes, ya sea UNIX, Windows o cualquier otro.

[0039] Por ejemplo, en un aspecto la comunicación se mantiene directamente entre servidor 210 de entrenamiento y terminal 230 de consulta. Esta configuración es útil si no es posible instalar un servidor 220 DO en la población en cuestión. Mientras en un aspecto, las consultas de los terminales de consulta las responde el servidor 220 de predicción correspondiente, después de solicitar y obtener la respuesta al servidor 210 de entrenamiento, en otro aspecto, es el servidor de predicción que actualiza mediante una descarga el módulo experto más reciente, y responde a las consultas recibidas directamente. Así, un servidor o un clúster de computación, se puede encargar de entrenar el sistema continuamente. Los modelos resultantes del entrenamiento son guardados en archivos binarios que son usados por el servidor que hace las predicciones. Éste está conectado a través de redes internas o a través de internet y permite que clientes realicen consultas.

[0040] En otro aspecto, se implementan una pluralidad de servidores de entrenamiento, dependiendo de las características del diagnóstico a llevar a cabo (si se trata de una subclasificación de DO, o de otro tipo de disfagia, o incluso de otro tipo de enfermedad relacionada, o si el volumen de datos a gestionar lo requiere). En un aspecto, el servidor 210 de entrenamiento es centralizado y recopila datos y genera y/o mantiene un modelo DO. En otro aspecto, el servidor 210 de entrenamiento es descentralizado, con distintas funciones del módulo experto y su entrenamiento distribuidas en la red.

[0041] La FIG. 3 muestra un servidor de entrenamiento, o medios 300, electrónicos o digitales, de entrenamiento, según un aspecto de la invención y la FIG. 4 muestra el procedimiento 400 que se lleva a cabo una vez que se ejecuta el programa de ordenador, o código de programa, por el al menos un servidor de entrenamiento. El servidor de entrenamiento ejecuta un algoritmo de entrenamiento que comprende cinco etapas principales: 1. Selección 410 de la base de datos, 2. Selección 420 de variables, 3. Entrenamiento 430 del sistema experto, 4. Predicción 440 del paciente, y 5. Continuación 450 del entrenamiento. En este aspecto, todas las funciones las realiza el servidor de entrenamiento. Sin embargo, tal y como comentado, en otro aspecto, es posible obtener más escalabilidad y reactividad al responder a las consultas implementando las funciones de predicción por un servidor de predicción independiente.

[0042] La primera etapa 410 de selección de la base de datos se lleva a cabo por unos medios 310, electrónicos o digitales, de selección de base de datos que están configurados para, a partir de criterios clínicos que provienen del conocimiento de la enfermedad, seleccionar aquellos códigos diagnósticos CIM (o cualquier otro sistema de codificación de diagnósticos) que están estrechamente relacionados con la DO, códigos de medicamentos que el usuario toma que previamente han sido relacionados con la DO, variables demográficas y finalmente variables clínicas recogidas mediante instrumentos validados. Los códigos diagnósticos CIM (o cualquier otro sistema de codificación de diagnósticos) expresan diagnósticos, etiología de la enfermedad, topografía, anatomía patológica y/o naturaleza de la lesión producida mediante códigos entre 3-5 dígitos. Los códigos CIM fueron creados por la Organización Mundial de la Salud para promover la comparación internacional de la recolección, procesamiento, clasificación y presentación de esas estadísticas. CIM se utiliza globalmente y en muchos casos se asocia a aspectos administrativos de los centros sanitarios, así como para establecer la complejidad que asumen dentro de los diferentes sistemas de salud. Dado que el sistema usa los códigos estándares internacionales CIM representativos de la Clasificación Internacional de Enfermedades, cualquier centro médico es susceptible de mandar la consulta al servidor.

[0043]

Los inventores se han percatado del problema que existe a la hora de seleccionar variables dada la inmensa cantidad de variables que pueden influir en la DO. Por lo tanto, han desarrollado la segunda etapa 420 de selección de variables que se lleva a cabo por unos medios 320, electrónicos o digitales, de selección de variables que están configurados para seleccionar aquellas variables que tienen una mayor capacidad predicativa de la DO.

[0044] La tercera etapa 430 de entrenamiento se lleva a cabo por unos medios 330, electrónicos o digitales, de entrenamiento que están configurados para, usando las variables seleccionadas por los medios de selección de variables, entrenar un módulo experto mediante el aprendizaje automático. Es decir, se entrena al módulo experto en base al aprendizaje automático usando las variables identificadas. En un aspecto, cada vez que termina el entrenamiento, se transfiere el resultado del entrenamiento a los medios de predicción, ya sea proactivamente, o periódicamente, o cada vez que los medios de predicción lo solicitan.

[0045] La cuarta etapa 440 de predicción DO se lleva a cabo por unos medios 340, electrónicos o digitales, de predicción que están configurados para, dado un nuevo paciente, recibir o extraer los datos de su historia clínica y ejecutar la predicción en base a sus datos históricos y los modelos entrenados por el servidor de entrenamiento. En un aspecto de la realización, esta etapa es configurable por el usuario mediante un parámetro de riesgo A, con el cual se puede determinar si proceder, o no, a realizar una prueba más precisa.

[0046] La quinta etapa 450 de continuación se lleva a cabo por los medios 310, electrónicos o digitales, de entrenamiento que están configurados para usar los datos recopilados de nuevos casos y/o pacientes que cumplen con los

1

criterios establecidos en la fase de cribado para incrementar la base de datos y seguir entrenando el módulo experto, con el objetivo de mejorar continuamente las posteriores predicciones. Es decir, los pacientes nuevos se incorporan repitiendo las etapas de selección de variables, entrenamiento y predicción, mejorando paulatinamente la precisión del algoritmo.

[0047] En lo siguiente se explica en más detalle cada una de las etapas del procedimiento. Volviendo a la primera etapa 410 de selección de base de datos, se obtiene una base de datos 490 de entrenamiento a partir de la historia clínica electrónica de los pacientes que han sido ingresados en uno o diversos centros hospitalarios. Para ello se han establecido criterios médicos y estadísticos relevantes de tal forma que aquellos pacientes que no cumplan estos criterios quedaran excluidos de la base de datos de entrenamiento:

- Criterios clínicos: Por ejemplo, pacientes con edad igual o superior a 70 años.

- Criterios estadísticos: La recopilación de los datos usados para el entrenamiento debe hacerse bajo criterios estadísticos. Debe seleccionarse un conjunto de pacientes que, cumpliendo los criterios clínicos, ingresen consecutivamente en el centro hospitalario a los que se aplicará de forma sistemática el método de diagnóstico clínico que ofrecerá tanto resultados positivos como negativos. Estos dos puntos son importantes, dado que, en caso de seleccionar los pacientes bajo otros criterios el sistema arrojaría resultados sesgados, perdiendo capacidad predictiva.

[0048] Se selecciona un subconjunto de códigos CIM (o cualquier otro sistema de codificación de diagnósticos) de entre todos los posibles (>140.000), correspondientes a aquellas enfermedades que, según el conocimiento de los inventores, están relacionadas, como, por ejemplo, Parkinson o Enfermedad de Alzheimer, accidentes vasculares cerebrales según localización y/o extensión, diferentes tipos de cáncer, así como su extensión y/o localización y enfermedades crónicas prevalentes en el paciente que presenta DO. Esta selección se puede llevar a cabo por cualquier persona de oficio usando su conocimiento en cuanto a la DO.

[0049] A partir de una base de datos anonimizada de pacientes, se aplica el siguiente algoritmo de selección de variables, denominada eliminación recursiva de características (del inglés “Recursive Feature Elimination”), para reducir aún más el número de códigos, resultando en un total entre 50 y 150:

- Entrenar el modelo usando todos los predictores;

- Determinar el rendimiento del modelo;

- Determinar la importancia de las variables;

- Para cada subconjunto de tamaño S0i = 1, ...,n, siendo n el máximo de variables, ejecutar las etapas de seleccionar las variables £¿ más importantes, entrenar el modelo usando el conjunto de entrenamiento con los predictores £¿, determinar el rendimiento del modelo;

- Determinar el perfil de rendimiento para cada £¿;

- Determinar el número adecuado de predictores;

- Usar el modelo que se corresponde al £¿ óptimo, entendiendo por óptimo que tiene mejores métricas predictivas.

[0050] Los códigos diagnósticos extraídos, así como otras variables clínicas de interés descritas, pueden ser en cualquier formato que sea explotable computacionalmente, siendo relevante que sea compartido por todos los usuarios del sistema. Se ha elegido utilizar por su conveniencia el estándar internacional Clasificación Internacional de Enfermedades para los diagnósticos y el código internacional de los medicamentos. La persona de oficio podrá implementar una traducción a esta nomenclatura para aquellos casos que los datos existan en algún otro formato. Ello debería permitir la exportación del sistema a la mayor parte de países desarrollados del mundo.

[0051] Cada uno de estos códigos diagnósticos y de pruebas realizadas, se introduce en la base de datos, junto con su fecha de diagnóstico. Esta información temporal se utiliza para ponderar la importancia de cada diagnóstico con la diferencia de tiempo con que fue diagnosticado respecto al momento de la predicción. Durante el proceso de entrenamiento y de acuerdo a los modelos de entrenamiento descritos toda esta información es ponderada con su interés relativo para predecir el riesgo de la disfagia. Cuanta mayor es la cantidad de información disponible, mayor es la sensibilidad, especificidad y valor predictivo del sistema.

[0052] El resultado del cribaje es, por cada paciente, cuatro grupos de variables: (1) variables demográficas que definen al paciente en el momento de

1

su ingreso (como, por ejemplo, edad y sexo), (2) variables clínicas no diagnosticas (como, por ejemplo, días de hospitalización en el último mes y/o en los últimos 6 meses), (3) resultados de los test de Barthel, y finalmente (4) diagnósticos clínicos y códigos de medicamentos. El Índice de Barthel, IB, es un instrumento que permite medir la funcionalidad del paciente mediante diez sencillas preguntas sobre las actividades básicas de la vida diaria (comer, caminar, aseo, vestido, y demás). Se interroga al paciente y/o cuidadores sobre cada una de las actividades correspondientes otorgando una puntuación entre 0 y 15 (según la actividad) con un puntaje máximo de 100 y mínimo de 0. El IB se ha estandarizado globalmente en la comunidad biomédica pues proporciona una medición fiable, rápida y sencilla de las principales actividades de la vida diaria de los pacientes. El IB puede ser realizado por cualquier profesional superior de la salud.

[0053] Se almacenan estas variables, y en particular para las variables segunda y tercera, junto a sus marcas de tiempo, con el objetivo de incorporar los cambios temporales que se producen en el paciente, por ejemplo, se almacenan el valor de las pruebas o la presencia o ausencia de los diagnósticos a los 3, 6, 12 y 24 meses.

[0054] Para facilitar la comprensión del procesamiento subyacente, se define X al conjunto global de datos, y S al conjunto de variables explicativas (1, 2, 3 y 4), siendo #S = n el número total de variables explicativas incluidas en el conjunto de datos para un paciente Pj, j = 1 ,...,m. De tal forma que X contiene por cada paciente Pj, #S variables explicativas, o lo que es lo mismo, un total de n • m valores.

[0055] Una vez se dispone de todos los usuarios que cumplen los criterios, así como de todos sus datos clínicos, para cada instante temporal, se procede a la selección de las variables explicativas S. Una vez que se han determinado los códigos diagnósticos CIM óptimos, se procede en la siguiente etapa a seleccionar 420 las variables con mayor capacidad predictiva. La FIG.

5 muestra el proceso 500 de selección de variables, partiendo del resultado (A) de la etapa anterior, se ejecutan tres modelos, el primer modelo 510 de bosques aleatorios, f r f (del inglés “Random forest’), el segundo modelo 520 de Bayesiano Ingenuo, f bn (del inglés “Naive Bayes"), y el tercer modelo 530 de

1

modelo lineal, f tm. En el caso del bosque aleatorio, es un conjunto de árboles de decisión formados con distintos remuestreos obtenidos usando bootstrapping, es decir, se hacen distintos conjuntos de entrenamiento usando casos que se muestrean aleatoriamente y con repetición del conjunto global de datos. Al final se toma el resultado promedio de la predicción de dichos árboles. Los árboles de decisión se construyen subdividiendo la muestra en grupos de dos consecutivamente. Así, tras la primera partición (o rama) existen 2 grupos (o hojas) ..., tras la siguiente, 4, y así sucesivamente. Las particiones se realizan buscando entre todas las variables qué criterio de división crea dos grupos con el menor valor en el índice de Gini. El clasificador bayesiano ingenuo es un tipo particular de red bayesiana donde se asume que todas las variables explicativas son independientes entre ellas y dependientes de la característica que se quiere explicar. En el caso del modelo lineal, se construye un modelo de regresión logística clásica. La estimación de los coeficientes se hace mediante la maximización de la función de verosimilitud, asumiendo que las muestras son independientes y siguen una distribución de Bernoulli.

[0056] Durante esta etapa de selección de variable, se busca el subconjunto Sk cuya capacidad predicativa sea mayor identificada por un índice de precisión de los modelos que se crean. En un aspecto, este índice identifica la precisión mediante la medida del área debajo de la curva (en inglés “Area Under the Receiver Operating Characteristic Curve”, AUC), así como el Coeficiente de Correlación de Matthews, CCM. Por lo tanto, dado el conjunto de variables predictoras S , se busca para cada k = l , ... , p el subconjunto de tamaño k que permita construir un modelo fe - l E [ lm, r f , bn] , con mayor capacidad predictiva, donde lm, es un modelo lineal, r f es un modelo basado en bosques aleatorios y bn es un modelo basado en una red bayesiana ingenua.

[0057] Seguidamente se lleva a cabo la selección de variables de acuerdo con el siguiente procedimiento:

1. Por cada uno de los tres modelos de entrenamiento fc:

1.1. Usando el modelo de entrenamiento y validacion10-fold Cross Validation, se crean 10 conjuntos de datos X1, . , X10 separando aleatoriamente el conjunto de datos X en 10 partes con aproximadamente

1

el mismo número de pacientes en cada una. Cada uno de estos conjuntos se usa para validar y los restantes 9 para entrenar. Esto resulta en 10 conjuntos de validación V = {V1, . ,V 1q} y 10 conjuntos de entrenamiento T = [ T1, ...,T10} . Así, por ejemplo,

1.2. Por cada uno de los 10 conjuntos Xt:

1.2.1. Se entrena un modelo con todas las variables en S usando los elementos de Tt;

1.2.2. Se ordenan las variables por relevancia predicativa;

1.2.3. Por cada k:

1.2.3.1. Se genera un modelo usando las primeras k variables con mayor capacidad explicativa.

1.2.3.2. Se valida el modelo usando los elementos de E¿;

1.2.3.3. Se reordenan las variables por importancia en función del

nuevo modelo.

2. Por cada modelo de entrenamiento , se verifica que k ha obtenido mejores resultados (promediando cada una de las 10 repeticiones), y se determinan las variables óptimas de cada subconjunto.

[0058] Como resultado se obtiene el conjunto de variables que más capacidad explicativa tiene de acuerdo con el modelo lineal Slm e s , el modelo de bosques aleatorios Sr f e s , y el modelo de clasificador bayesiano ingenuo

Sbn e s , donde, lógicamente, #Sim,#Sr f ,#Shn < #S . Finalmente se escogen las variables incluidas en el subconjunto que haya demostrado mejores capacidades predictivas, más la intersección de los otros dos. Es decir:

§ = sx u (S2 n £3) [ecuación 1] donde S es el subconjunto que se utilizará en los siguientes pasos del algoritmo y el output esperado del algoritmo descrito, y £¿,V^í G{ 1,2,3} son los subconjuntos de variables obtenidos en los pasos previos, siendo ^ el que mejores métricas de precisión ha obtenido y £3 el que peores métricas ha obtenido. En un aspecto, en el cual el mejor modelo resulta ser el modelo lineal, se incluyen todas las variables del modelo lineal que mejores resultados ha producido más aquellas en común con los otros dos modelos, de bayesiano ingenuo y de bosques aleatorios.

1

[0059]

l uso del modelo lineal ha demostrado ser altamente eficaz como selector de variables, sin embargo, solo identifica relaciones lineales, esto se soluciona incluyendo los modelos de bosques aleatorios y de redes bayesianas, que no se basan en las relaciones lineales entre las variables sino entre su distribución conjunta, como ocurre con la disfagia, donde la relación entre tener o no disfagia i la mayoría de las variables usadas es no lineal. Tanto bosques aleatorios como las redes bayesianas tienen unos supuestos complementarios que permiten que el uso de ambas capture la mayoría de las relaciones existentes. Finalmente, aquel modelo que mejor capacidad predictiva tiene es aquel que captura mejor las relaciones de las variables, por eso se incluyen todas. Los otros dos modelos, también capturan relaciones, pero solo se incluyen las presentes en ambos para no dotar de demasiada complejidad al sistema, lo que luego se traduciría en una pérdida de rendimiento.

[0060] Una vez que se han seleccionado (B) las mejores variables, éstas se usan en la siguiente etapa para entrenar 430 al módulo experto. La FIG. 6 muestra la etapa de entrenamiento del módulo experto según un aspecto de la invención, dentro del proceso global denominado Cribaje Óptimo de la Disfagia Orofaríngea, CODO, en el cual se entrena un primer modelo 610 de bosques aleatorios y un segundo modelo 620 de redes bayesianas. Ambos modelos se gestionan y mantienen mediante su actualización utilizando datos actualizados de los mismos pacientes o datos de nuevos pacientes. El segundo modelo de redes bayesianas puede ser en un aspecto un modelo bayesiano regular mientras que en otro aspecto puede ser un modelo de bayesiano ingenuo, u otro tipo de red bayesiana.

[0061]

El conjunto de variables S permite proceder con el entrenamiento de los modelos expertos. En la primera etapa se genera 610 un modelo de bosques aleatorios y seguidamente, en la segunda etapa, se genera 620 un modelo de redes bayesianas (regular, ingenuo, u otro), en ambos casos utilizando el conjunto de pacientes X y sus variables explicativas S, sin embargo, asumiendo que todas las variables no tienen que ser necesariamente independientes entre ellas.

1

[0062] A partir de estos modelos generados y entrenados se puede establecer el riesgo de DO de cualquier paciente con historia clínica electrónica, HCe. La implantación de la HCe permite el almacenamiento y procesamiento de toda la información clínica del paciente (diagnósticos, datos clínicos, apuntes profesionales, pruebas diagnósticas). Este proceso de digitalización permite la consulta de dicha información por cualquier profesional superior de la salud independientemente de su ubicación geográfica y la utilización de esta información por el sistema objecto de esta invención.

[0063] Una vez que se ha entrenado al módulo experto, se utiliza en la fase de cribaje para predecir el riesgo de sufrir DO. Esta cuarta etapa 440 de predicción comienza por la recepción (C), por el servidor de predicción, de una consulta relacionada con un paciente, o grupo de pacientes. Utilizando los datos del paciente como entrada, se determina por el módulo experto el parámetro de riesgo de sufrir DO para este paciente en cuestión, retornándolo como salida.

[0064] La probabilidad de sufrir disfagia P(d = sí) se determina en función de un primer modelo de bosques aleatorios y de un segundo modelo de redes bayesianas. El cálculo es distinto para los bosques aleatorios que para las redes bayesianas. En los bosques aleatorios, se estima de acuerdo con los votos individuales de cada árbol que conforma el bosque. Es decir:

P(d = sí) = B s B í s Bí n o [ecuación 2] Donde Bsí y Bno son el número de árboles que predicen disfagia sí y no respectivamente.

[0065] En el caso de las redes bayesianas, la probabilidad de padecer disfagia se puede calcular a partir de la probabilidad condicionada de los padres (aquellas variables que mandan flechas a disfagia), es decir:

= py) [ecuación 3] Donde e $ son los padres de la variable disfagia y pj los valores que estos toman. Nótese que $ depende del grafo, y que, cómo $ se estima depende del algoritmo de entrenamiento.

[0066] La FIG. 7 muestra la última fase de predicción 700 según un aspecto de la invención, dentro del proceso global denominado Cribaje Óptimo de la

2

Disfagia Orofaríngea, CODO, en el cual se establece el riesgo de DO de cada paciente que ingresa en el hospital. Para la predicción de un paciente, se extrae de su historia clínica el conjunto de variables S, y éste se evalúa por el módulo experto. Si ambos sistemas coinciden en la predicción, se devuelve (D) ese valor de riesgo (disfagia Sí/No). En cambio, si discrepan, entonces se usa (E) el parámetro de riesgo X para decidir si conviene realizar la prueba al paciente. Si el riesgo es alto, es decir, superior al 50%, entonces se recomienda llevar a cabo la segunda 120 y posiblemente tercera 130 fase de diagnóstico de la FIG. 1 o FIG. 8, que son pruebas con mayor sensibilidad y especificidad al paciente. En caso contrario, se aborta (E) el resto del proceso de diagnóstico.

[0067] La etapa de predicción del riesgo de DO comienza mediante la recepción por los medios de predicción de una consulta recibida (C) de un terminal de consulta. Tal y como comentado, los medios de predicción forman parte del servidor de entrenamiento en un aspecto, o existen de forma separada e independiente en un servidor de predicción, en otro aspecto. Periódicamente, los medios de predicción reciben el último modelo actualizado de los medios de entrenamiento. Por una parte, se determina 710 el riesgo DO según un primer modelo de bosques aleatorios y se determina 720 el riesgo DO según un segundo modelo de redes bayesianas, de forma similar que efectuado para el entrenamiento del modelo según la FIG. 5. El segundo modelo de redes bayesianas puede ser en un aspecto un modelo bayesiano regular mientras que en otro aspecto puede ser un modelo de bayesiano ingenuo, u otro tipo de red bayesiana. Seguidamente, se determina 730 si el resultado de ambos coincide, en el sentido si en ambos casos se ha determinado que hay un riesgo superior al 50% de sufrir DO. En caso positivo, se determina (D) que el paciente sufre de DO con probabilidad suficiente para continuar con el diagnóstico DO.

[0068] En caso contrario, si la evaluación llevada a cabo por el modelo de bosques aleatorios difiere de la del modelo de redes bayesianas, por ejemplo, si cualquiera de ellos resulta en un riesgo igual o inferior a 50%, entonces se aplica (E) un parámetro de riesgo X que permite definir el nivel de riesgo dispuesto a asumir asociado a detectar, o no, la DO, y se vuelven a ejecutar ambos modelos. Se determina que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior al 50%, o se determina que no hay riesgo de padecer disfagia orofaríngea si el resultado de ambos modelos es igual o inferior a 50%. Se denomina este proceso innovador Cribaje Óptimo de la Disfagia Orofaríngea, CODO.

[0069] El nivel del parámetro de riesgo X define una relación inversa entre falsos negativos y falsos positivos. Con lo cual, según el nivel fijado para este parámetro, se aumenta o reduce la población de pacientes con riesgo de DO, habiendo un mayor porcentaje de pacientes en las poblaciones más pequeñas, y menor en las poblaciones más grandes. En otras palabras, se fuerza la toma de decisión dando más importancia a un modelo sobre otro.

[0070] El parámetro X e< [0,1], llamado el parámetro de riesgo, sirve para establecer el riesgo asociado a no detectar la disfagia. Este valor permite cambiar la ratio entre falsos positivos y falsos negativos a la hora de diagnosticar. Así, si se selecciona un valor alto para el parámetro de riesgo, por ejemplo, A > 0,7, el nivel de falsos negativos decrece en detrimento de los falsos positivos. En cambio, si el nivel de riesgo asumido es bajo, por ejemplo, A < 0,4 el índice de falsos positivos crece en detrimento de los falsos negativos. Es decir, en el primer caso, menos gente será clasificada como riesgo de disfagia, pero entre ellos el porcentaje que la padecerá será mayor que en el segundo caso, donde más gente será clasificada de riesgo, pero entre ellos el porcentaje será menor. Hay que tener en cuenta que el detrimento asociado a no reconocer a un paciente realmente afectado por DO (falso negativo) es muy superior al detrimento de un falso positivo, que se someterá a una prueba instrumental.

[0071] Este parámetro permite modular la precisión del cribaje requerido según las circunstancias. En caso de que se necesiten de una probabilidad de que las pruebas diagnósticas den positivo sea elevada, entonces, a partir de A el usuario puede ordenar a los pacientes por riesgo, y efectuar las pruebas solo en aquellos con una alta probabilidad de padecer disfagia. Por otro lado, los usuarios del sistema pueden definir independientemente su A, lo que permite que cada usuario establezca en función de sus intereses y políticas distintos niveles de riesgo de acuerdo con sus políticas de salud. Un de los mejores aspectos de este enfoque es que existe un intervalo 0 para el que las métricas de precisión no varían, y la suma entre falsos positivos y falsos negativos se mantiene constante. Esto implica que mientras X exista en 0, no se pierde capacidad predictiva, lo que da mucha capacidad a los usuarios del sistema de decidir cómo quieren gestionar el riesgo. Importante mencionar que 0 no es desconocido y es fácilmente estimable durante la fase de entrenamiento.

[0072] Por lo tanto, los diferentes aspectos del algoritmo CODO descritos permiten mejorar la precisión del diagnóstico DO, llevar a cabo un procedimiento automatizado reduciendo los recursos humanos necesarios en la primera etapa de cribado, optimizar la primera etapa de cribado en el diagnóstico de DO para gastar recursos importantes solamente en aquellos pacientes que tengan probabilidades altas de sufrir la condición, según las características de la población sometida al diagnóstico, variar dinámicamente el volumen de población a analizar según objetivos preestablecidos y restricciones en recursos.

[0073] CODO supone una mejora considerable sobre el algoritmo clásico, que nunca supera una precisión final en el cribaje de entre 60% - 65 %. En cambio, con la implementación del algoritmo CODO de la invención, la precisión incrementa hasta el 68% - 69%. En otras palabras, se obtiene globalmente una precisión más alta en el cribaje.

[0074] En cambio, los inventores también se han percatado del consumo importante de recursos computacionales (por ejemplo, en términos de cómputos por minuto, o tiempo global hasta dar con la solución, o energía consumida hasta dar con la solución) que conlleva esta combinación de subrutinas del algoritmo de cribaje que redunda en una precisión más elevada. El parámetro más visible para el usuario es el tiempo total hasta llegar a la solución del procedimiento de cribaje.

[0075] Con el objetivo de reducir el consumo de recursos computacionales, el algoritmo CODO de cribaje se ha modificado reemplazando el modelo de redes bayesianas con un desarrollo innovador llamado Redes Bayesianas Dispersas de Alta Densidad Informativa, RBDADI. En particular, esto se ve representado en la etapa 620 de la FIG. 6 o en la etapa 720 de la FIG. 7, en cuyas etapas el modelo de redes bayesianas se ha reemplazado por el modelo

2

RBDADI descrito a continuación. La FIG. 9 muestra la última fase de predicción 900 según un aspecto de la invención en el cual el establecimiento del riesgo de DO de cada paciente que ingresa en el hospital comprende el modelo RBDADI 920.

[0076] El problema identificado con las redes bayesianas convencionales es que, dada una red bayesiana, formada por el grafo acíclico dirigido g < V, E > donde V e [ V1, ..., Vn} son los vértices o variables y E e [E1, ..., Em] son los arcos que determinan las relaciones que existen entre ellas así como su dirección, si los elementos que forman E son desconocidos, es posible aproximarlos dado un conjunto de datosD , D e Rnxo. Donde o es el numero de observaciones de los que disponemos. Una forma muy común de estimar los vértices que conforman V es con un algoritmo de búsqueda voraz (del inglés “greedy search algoríthm”) que busca maximizar la función de verosimilitud £ (g / D), añadiendo y retirado vértices.

[0077] Dado un grafo g con un conjunto E vacío y un conjunto de datos D , las redes bayesianas convencionales implementan un algoritmo conocido de búsqueda voraz:

1. Mientras £ ' > £ hacer:

a. Calcular £(g / D)

b. Por cada Ep, p = 1,..., I, posible de pares vértices {y¿, V¡] e V , para 5' = g v E p y para g' = g\Ev calcular £ = £(£' / D)

c. Seleccionar Ep cuyo £(g' / D) sea mayor y actualizar g , g = ^'. Calcular £ ' = £(S / D)

2. Guardar g como g*

3. Seleccionar aleatoriamente Et y añadirlos o retirarlos aleatoriamente de g 4. Repetir paso 1.

5. Mientras £(S*/D) < = £(S / D):

a. Repetir pasos 2, 3 y 4

6. Devolver £.

[0078] En este algoritmo se busca uno a uno viendo qué opción incrementa la verosimilitud de ⁹. Es decir, cuan probable es observar D dado g. Puesto que este algoritmo puede llevar a un máximo local, en los pasos 2, 3, y 4 la red es perturbada para volver a empezar, hasta que no es posible hallar un máximo mejor, resultando en el grafo decisivo. En cambio, dado que para el proceso de cribaje DO se utilizan potencialmente muchas variables, las redes bayesianas están muy conectadas (alta densidad de información) y por lo tanto producen peor rendimiento en las tareas de predicción. Además, dada su mayor complejidad incrementan el tiempo necesario para realizar los cálculos ya que el grafo resultante contiene una alta densidad de vértices y de información, suponiendo un gran consumo de recursos computacionales para procesarlos y llegar a la solución final.

[0079] Con el objetivo de proporcionar un algoritmo de búsqueda más eficiente, cuyo uso para predecir consuma menos recursos computacionales, se propone una modificación de dicho algoritmo de búsqueda voraz. La modificación sugerida supone limitar los vértices que pueden incorporarse de acuerdo con dos criterios, la información compartida entre ambas variables y la capacidad predictiva de la red.

[0080] Dado un grafo g con un conjunto E vacío y un conjunto de datos D , se implementa el siguiente algoritmo RBDADI:

1. Dividir aleatoriamente D en subconjuntos excluyentes Dt y Dv

2. Mientras M < M ' hacer:

a. Usar Dt en Algoritmo 1 para encontrar g

b. Validar 9, calculando el Coeficiente de correlación de Mathews (MCC) dado Dv, esto es, M = MCC(g / Dv) para la variable de interés (Disfagia en nuestro caso).

c. Dado 9, para cada f ¡ E £ , calcular . Donde . es el índice de información mutua de Shannon.

d. Incluir el £¿ con el mínimo valor de en B.

e. Repetir Algoritmo 1 prohibiendo los vértices incluidos en B i obtener 9'.

f. Calcular M ', M ' = MCC(g '/ Dv)

g. Actualizar 9 , g = 9 '.

3. Devolver ⁹.

[0081] Como resultado, en este algoritmo se han excluido aquellas conexiones que aportan menos relevancia informativa, de acuerdo con el índice de información mutua de Shannon. Por lo que los vértices restantes unen

2

variables que comparten una mayor información, ello propicia que, por lo general, existan menos padres para cada variable, con lo que la necesidad de cálculo de la ecuación 3 es menor, i.e. como el cardinal de $ es menor se realizan menos multiplicaciones. En otras palabras, la determinación de la predicción es en función del índice de información mutua de Shannon. Esta mejora se puede observar en las FIG. 10 y 11. La FIG. 11 es una representación del número de arcos existentes en la red CODO, mientras que la FIG. 10 es una representación del número de arcos existentes en la red RBDADI. Como se puede apreciar, hay menos número de arcos en la red RBDADI que en la red CODO, pero la información contenida en la red es similar, o equivalentemente, la densidad de información en términos de arcos es más alta, redundando en menos recursos computacionales para obtener la misma precisión de cribaje.

[0082] Esta mejora se puede observar correspondientemente en la siguiente tabla comparativa de resultados experimentales. La TABLA 1 muestra, en base a los mismos parámetros de entrada, el resultado de consumo de recursos computacionales, en este caso en términos de tiempo de ejecución hasta dar con la solución, utilizando el algoritmo CODO de la invención en comparación con el algoritmo RBDADI de la invención:

TABLA 1 - Comparativa de recursos computacionales

Los tiempos están en milisegundos por núcleo del procesador por consulta. Las pruebas se han repetido diez veces con un procesador Intel® Core™ i7-6700HQ @ 2.60GHz de 4 núcleos físicos y 8 virtuales. El lenguaje de programación usado para realizar los experimentos ha sido R, y contiene 5.159 historiales de pacientes ingresados usando la base de datos original. Los experimentos se han realizado seleccionando al azar un 80% de los casos para entrenar la red y un 20% para calcular estos resultados. En este caso la red

2

CODO se ha implementado usando como segundo modelo una red bayesiana entrenada con el algoritmo greedy search Hill climbing (denominada red bayesiana regular, en esta especificación).

[0083] Como se puede observar, con prácticamente los mismos resultados de precisión, el tiempo necesario para hacer los cálculos es alrededor de un 37,913% de media menor para el modelo RBDADI con relación al modelo CODO. A la inversa, la velocidad de computación es correspondientemente mayor para el modelo RBDADI con relación al modelo CODO. Además, cuantos más variables se tienen en cuenta, más grande es la mejora de reducción de tiempo o aumento de la velocidad. También se puede observar cómo la densidad de la red RBDADI es de media un 43% inferior que la densidad de la red CODO. Con lo cual, el modelo RBDADI representa una mejora sustancial en términos de reducción de recursos computacionales consumidos, o reducción de tiempo computacional, o aumento de velocidad de computación, al llevar a cabo el cribaje DO. Estos parámetros son medidas representativas de la mejora técnica del sistema digital a la hora de llevar a cabo computaciones complejas con una inmensa cantidad de datos.

[0084] En un aspecto, el servidor de entrenamiento centralizado engloba las mejoras del sistema experto (reduciendo el tiempo necesario para el entrenamiento continuo), mientras que la pluralidad de servidores de predicción sirve a poblaciones locales según zona geográfica (reduciendo el tiempo necesario para la predicción), permitiendo el escalado geográfico eficiente del sistema, los datos sensibles son almacenados en un único servidor de entrenamiento centralizado, todo ello permite la detección temprana de un paciente sufriendo DO, mejorando sus posibilidades de ayuda y cura, y reduciendo los detrimentos asociados del tratamiento. 1. Un clúster o un servidor con mucha capacidad de cálculo centrado únicamente en entrenar el sistema que sirve los resultados al resto de servidores de predicción el entrenamiento, permite minimizar el tiempo necesario para entrenar y minimizar el tiempo necesario para realizar predicciones para el usuario. 2. Separar el servidor de entrenamiento del servidor de predicción permite tener diversos servidores de predicción ubicados en zonas geográficamente cercanas a los usuarios. Por ejemplo, se puede tener uno o diversos servidores de predicción

2

en Japón para dar cobertura a Asia, uno o varios en Estados Unidos para dar cobertura a América del Norte y uno o varios en Europa para dar cobertura al continente europeo, el sistema es pues escalable y permite adaptarse muy rápidamente a la demanda de los usuarios. 3. La separación entre los servidores de entrenamiento, y de predicción mejora la seguridad y añade seguridad a los datos sensibles, que se alojarían únicamente en el servidor de entrenamiento.

[0085] Los beneficios adicionales del sistema son varios. Un cribaje automático que mejora considerablemente el número de pacientes detectados en una etapa temprana de la enfermedad, cuando más importante es para la salud del paciente conlleva beneficios importantes sobre la salud pública. La detección temprana de la disfagia reduce el número de ingresos de los pacientes, así como el número de neumonías que pueden adquirir, disminuyendo así considerablemente los detrimentos administrativos derivados de dichos tratamientos.

[0086] Además, se entiende que las realizaciones y aspectos descritos se pueden implementar por medios variados en hardware, software, firmware, middleware, microcódigo, o cualquier combinación de los mismos. Varios aspectos o características descritas pueden implementarse, por un lado, como un método o procedimiento o función, y por el otro lado, como un aparato, dispositivo, sistema, o programa de ordenador accesible por cualquier dispositivo legible por ordenador, portador o medio. Los procedimientos o algoritmos descritos pueden implementarse directamente en hardware, en un módulo software ejecutado por un procesador, o una combinación de las dos.

[0087] Los varios medios pueden comprender módulos de software residentes en memoria RAM, memoria flash, memoria ROM, memoria EPROM, memoria EEPROM, registros, disco duro, disco removible, un CD-ROM, o cualquier otro tipo de medio de almacenamiento conocido en la técnica.

[0088] Los varios medios pueden comprender bloques de lógica, módulos, y circuitos se pueden implementar o llevado a cabo por un procesador de propósito general, un procesador de señales digitales (DSP), un circuito integrado específico de aplicación (ASIC), un conjunto de puertas programable in situ (FPGA), u otros dispositivos de lógica programable, de puerta discreta o

2

de lógica de transistor, componentes discretos de hardware, o cualquier combinación de los mismos diseñados para llevar a cabo las funciones descritas. Un procesador de propósito general puede ser un microprocesador, pero en la alternativa, el procesador puede ser un procesador convencional, controlador, microcontrolador, o máquina de estado.

[0089] Los varios medios pueden comprender medios legibles por ordenador incluyendo, pero no limitado a, dispositivos de almacenamiento magnético (por ejemplo, discos duros, discos floppy, tiras magnéticas, y demás), discos ópticos (por ejemplo, discos compactos CD o versátiles DVD, y demás), tarjetas inteligentes y unidades de almacenamiento flash temporales (por ejemplo, EPROM, lápiz tarjeta, unidad llave, y demás). Adicionalmente, la variedad de medios de almacenamiento descritos puede representar uno o más dispositivos y/o medios legibles por ordenador para almacenar información. El término medio legible por ordenador puede comprender, sin estar limitado a ello, una variedad de medios capaces de almacenar, guardar, o transportar instrucciones y/o datos. Adicionalmente, un producto de programa de ordenador puede comprender un medio legible por ordenador con una o más instrucciones o códigos operativos para hacer que un ordenador lleve a cabo las funciones descritas una vez ejecutadas en el ordenador.

[0090] Lo que se ha descrito comprende una o más realizaciones a modo de ejemplo. Por supuesto no es posible describir cada combinación, o permutación, concebible, de los componentes y/o metodologías con el propósito de describir las realizaciones mencionadas. En cambio, la persona de oficio se dará cuenta que muchas otras combinaciones y permutaciones de realizaciones varias son posibles dentro del concepto inventivo después de una lectura directa y objetiva de esta divulgación. Consecuentemente, la intención es acoger todas dichas alteraciones, modificaciones y variaciones que entran dentro del ámbito de las reivindicaciones adjuntas.

[0091] Además, la persona de oficio entendería que las distintas realizaciones se pueden implementar en hardware, software, firmware, middleware, microcódigo, o cualquier combinación de las mismas. Varios aspectos o características descritas pueden implementarse, por un lado, como un método o procedimiento o función, y por el otro lado, como un aparato,

2

dispositivo, sistema, o programa de ordenador accesible por cualquier dispositivo legible por ordenador, portador o medio. Los procedimientos o algoritmos descritos pueden implementarse directamente en hardware, en un módulo software ejecutado por un procesador, o una combinación de las dos. Los varios medios pueden comprender módulos de software residentes en memoria RAM, memoria flash, memoria ROM, memoria EPROM, memoria EEPROM, registros, disco duro, disco removible, un CD-ROM, o cualquier otro tipo de medio de almacenamiento conocido en la técnica.

[0092] Los varios medios pueden comprender bloques de lógica, módulos, y circuitos se pueden implementar o llevado a cabo por un procesador de propósito general, un procesador de señales digitales (DSP), un circuito integrado específico de aplicación (ASIC), un conjunto de puertas de campo programable (FPGA), u otros dispositivos de lógica programable, de puerta discreta o de lógica de transistor, componentes discretos de hardware, o cualquier combinación de los mismos diseñados para llevar a cabo las funciones descritas. Un procesador de propósito general puede ser un microprocesador, pero en la alternativa, el procesador puede ser un procesador convencional, controlador, microcontrolador, máquina de estado, o procesador embebido.

[0093] Los varios medios pueden comprender medios legibles por ordenador incluyendo, pero no limitado a, dispositivos de almacenamiento magnético (por ejemplo, discos duros, discos floppy, tiras magnéticas, y demás), discos ópticos (por ejemplo, discos compactos CD o versátiles DVD, y demás), tarjetas inteligentes y unidades de almacenamiento flash temporales (por ejemplo, EPROM). Adicionalmente, la variedad de medios de almacenamiento descritos puede representar uno o más dispositivos y/o medios legibles por ordenador para almacenar información. El término medio legible por ordenador puede comprender, sin estar limitado a ello, una variedad de medios capaces de almacenar, guardar, o transportar instrucciones y/o datos. Adicionalmente, un producto de programa de ordenador puede comprender un medio legible por ordenador con una o más instrucciones o códigos operativos para hacer que un ordenador lleve a cabo las funciones descritas una vez ejecutadas en el ordenador.

[0094] Lo que se ha descrito comprende varias realizaciones a modo de ejemplo. Como no es posible ni viable describir en detalle toda la variedad de combinaciones y permutaciones del concepto inventivo que daría lugar a un número elevado de realizaciones, el redactor entiende que la persona de oficio derivaría, después de una lectura directa y objetiva de esta divulgación, las distintas permutaciones y combinaciones posibles, sin que se salga del concepto inventivo general descrito. Por tanto, se han descrito las realizaciones principales, entendiendo que comprenden las demás combinaciones, variaciones y modificaciones.

[0095] En lo siguiente, se describen ciertos aspectos adicionales o ejemplos:

Un sistema digital para el cribaje universal, sistemático y optimizado de la disfagia orofaríngea, que comprende al menos un servidor de entrenamiento, al menos un servidor de predicción, y al menos un terminal de consulta configurado para solicitar la determinación del riesgo de padecer disfagia orofaríngea por al menos un paciente, en el que la solicitud comprende datos del al menos un paciente; en el que el al menos un servidor de entrenamiento comprende: al menos unos medios digitales de selección de base de datos configurados para seleccionar códigos CIM relacionados con la disfagia orofaríngea; al menos unos medios digitales de selección de variables configurados para seleccionar las variables que tienen una mayor capacidad predictiva de la disfagia orofaríngea en función de los códigos CIM seleccionados; y al menos unos medios digitales de entrenamiento configurados para entrenar un módulo experto en función de las variables seleccionadas; en el que el al menos un servidor de predicción comprende al menos unos medios digitales de predicción configurados para determinar el riesgo de padecer disfagia orofaríngea, de al menos un paciente utilizando los datos recibidos del al menos un paciente como entrada al módulo experto, en el que el riesgo de padecer disfagia orofaríngea se determina de acuerdo a un primer modelo de bosques aleatorios y de un segundo modelo de redes bayesianas.

1

El sistema, en el que el sistema no comprende el al menos un servidor de predicción, y el al menos un servidor de entrenamiento comprende adicionalmente el al menos unos medios digitales de predicción. El sistema, en el que los datos del al menos un paciente comprenden sus datos de historia clínica. El sistema, en el que el al menos un servidor de entrenamiento es un servidor centralizado o un servidor distribuido. El sistema, en el que los medios digitales de selección de base de datos están configurados para seleccionar un subconjunto de códigos CIM, y filtrarlos mediante la aplicación de un algoritmo de eliminación recursiva de características. El sistema, en el que los medios digitales de selección de base de datos están configurados para marcar los códigos seleccionados con un sello de tiempo. El sistema, en el que los medios digitales de selección de variables están configurados para, utilizando los códigos CIM seleccionados como parámetros de entrada, ejecutar un primer modelo de bosques aleatorios, un segundo modelo de bayesiano ingenuo, y un tercer modelo lineal, y determinar todas las variables del mejor modelo más aquellas que están conjuntamente en los otros dos modelos, para seleccionar las variables con mayor capacidad predictiva. El sistema, en el que los medios digitales de entrenamiento están configurados para ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, según un primer modelo de bosques aleatorios, y un segundo modelo de redes bayesianas, para entrenar el módulo experto. El sistema, en el que los medios digitales de predicción están configurados para ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, comprendiendo descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de redes bayesianas del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%. El sistema, en el que los medios digitales de entrenamiento están configurados para ejecutar un primer modelo de bosques aleatorios, y un segundo modelo de red bayesiana dispersa de alta densidad informativa, RBDADI, que comprende el índice de información mutua de Shannon, para entrenar el módulo experto. El sistema, en el que los medios digitales de predicción están configurados para

2

descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de red bayesiana dispersa de alta densidad informativa, RBDADI, en función de un índice de información mutua de Shannon, del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%. El sistema, en el que, si el resultado de cualquiera de los modelos no supera el 50%, los medios de predicción están configurados para aplicar un parámetro de riesgo A, entre 0 y 1, y volver a ejecutar ambos modelos y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior al 50%, o determinar que no hay riesgo de padecer disfagia orofaríngea si el resultado de ambos modelos es igual o inferior a 50%.

Un procedimiento para el cribaje optimizado de la disfagia orofaríngea en un sistema digital que comprende al menos un servidor de entrenamiento, al menos un servidor de predicción, y al menos un terminal de consulta, comprendiendo el procedimiento: solicitar, por el terminal de consulta, la determinación del riesgo de padecer disfagia orofaríngea por al menos un paciente, en el que la solicitud comprende datos del al menos un paciente; seleccionar, por al menos unos medios digitales de selección de base de datos, unos códigos CIM relacionados con la disfagia orofaríngea; seleccionar, por al menos unos medios digitales de selección de variables, las variables que tienen una mayor capacidad predictiva de la disfagia orofaríngea en función de los códigos CIM seleccionados; entrenar, por al menos unos medios digitales de entrenamiento, un módulo experto en función de las variables seleccionadas; y determinar, por al menos unos medios digitales de predicción, el riesgo de padecer disfagia orofaríngea del al menos un paciente utilizando los datos recibidos del al menos un paciente como entrada al módulo experto, en el que el riesgo de padecer disfagia orofaríngea se determina de acuerdo a un primer modelo de bosques aleatorios y de un segundo modelo de redes bayesianas.

El procedimiento, en el que el al menos un servidor de entrenamiento comprende los al menos unos medios digitales de predicción, o en el que los al menos unos medios digitales de predicción están configurados externamente, en al menos un servidor de predicción. El procedimiento, en el que los datos del al menos un paciente comprenden sus datos de historia clínica. El procedimiento, en el que el entrenamiento del módulo experto se lleva a cabo de forma centralizada o distribuida. El procedimiento, en el que la selección de la base de datos comprende seleccionar un subconjunto de códigos CIM, y filtrarlos mediante la aplicación de un algoritmo de eliminación recursiva de características. El procedimiento, en el que la selección de la base de datos comprende marcar los códigos seleccionados con un sello de tiempo. El procedimiento, en el que la selección de variables comprende, utilizando los códigos seleccionados como parámetros de entrada, ejecutar un primer modelo de bosques aleatorios, un segundo modelo de bayesiano ingenuo, y un tercer modelo lineal, y determinar todas las variables del mejor modelo más aquellas que están conjuntamente en los otros dos modelos, para seleccionar las variables con mayor capacidad predictiva. El procedimiento, en el que el entrenamiento comprende ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, según un primer modelo de bosques aleatorios, y un segundo modelo de redes bayesianas, para entrenar el módulo experto. El procedimiento, en el que la predicción comprende ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, comprendiendo descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de redes bayesianas del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%. El procedimiento, en el que el entrenamiento comprende ejecutar un primer modelo de bosques aleatorios, y un segundo modelo de red bayesiana dispersa de alta densidad informativa RBDADI, que comprende el índice de información mutua de Shannon, para entrenar el módulo experto. El procedimiento, en el que la predicción comprende descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente

4

como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de red bayesiana dispersa de alta densidad informativa RBDADI, en función de un índice de información mutua de Shannon, del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%. El procedimiento, en el que, si el resultado de cualquiera de los modelos no supera el 50%, aplicar un parámetro de riesgo A, entre 0 y 1, y volver a ejecutar ambos modelos y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior al 50%, o determinar que no hay riesgo de padecer disfagia orofaríngea si el resultado de ambos modelos es igual o inferior a 50%.

Un programa de ordenador que comprende instrucciones, una vez ejecutadas en un procesador, para llevar a cabo las etapas de procedimiento.

Un medio legible por ordenador que comprende instrucciones, una vez ejecutadas en un procesador, para llevar a cabo las etapas de procedimiento.

Claims (1)

1. REIVINDICACIONES

   Un sistema digital para el cribaje universal, sistemático y optimizado de la disfagia orofaríngea, que comprende al menos un servidor de entrenamiento, al menos un servidor de predicción, y al menos un terminal de consulta configurado para solicitar la determinación del riesgo de padecer disfagia orofaríngea por al menos un paciente, en el que la solicitud comprende datos del al menos un paciente comprendiendo sus datos de historia clínica;

   en el que el al menos un servidor de entrenamiento comprende:

   al menos unos medios digitales de selección de base de datos configurados para seleccionar códigos relacionados con la disfagia orofaríngea;

   al menos unos medios digitales de selección de variables configurados para seleccionar las variables que tienen una mayor capacidad predictiva de la disfagia orofaríngea en función de los códigos seleccionados; y

   al menos unos medios digitales de entrenamiento configurados para entrenar un módulo experto en función de las variables seleccionadas;

   en el que el al menos un servidor de predicción comprende al menos unos medios digitales de predicción configurados para determinar el riesgo de padecer disfagia orofaríngea, de al menos un paciente utilizando los datos recibidos del al menos un paciente como entrada al módulo experto, comprendiendo:

   determinar un riesgo según un primer modelo de bosques aleatorios; determinar un riesgo según un segundo modelo de redes bayesianas; y

   si en ambos casos el riesgo es superior al 50%, determinar que existe riesgo positivo de padecer de disfagia orofaríngea.

   El sistema de la reivindicación 1,

   en el que el sistema no comprende el al menos un servidor de predicción, y el al menos un servidor de entrenamiento comprende adicionalmente el al menos unos medios digitales de predicción; o en el que el al menos un servidor de entrenamiento es un servidor centralizado o un servidor distribuido.

   El sistema de la reivindicación 2,

   en el que los medios digitales de selección de base de datos están configurados para seleccionar un subconjunto de códigos, y filtrarlos mediante la aplicación de un algoritmo de eliminación recursiva de características;

   o en el que los medios digitales de selección de variables están configurados para, utilizando los códigos seleccionados como parámetros de entrada, ejecutar un primer modelo de bosques aleatorios, un segundo modelo de bayesiano ingenuo, y un tercer modelo lineal, y determinar todas las variables del mejor modelo más aquellas que están conjuntamente en los otros dos modelos, para seleccionar las variables con mayor capacidad predictiva.

   El sistema de la reivindicación 2,

   en el que los medios digitales de entrenamiento están configurados para ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, según un primer modelo de bosques aleatorios, y un segundo modelo de redes bayesianas, para entrenar el módulo experto;

   o en el que los medios digitales de predicción están configurados para ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, comprendiendo descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de redes bayesianas del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%.

   El sistema de la reivindicación 2,

   en el que los medios digitales de entrenamiento están configurados para ejecutar un primer modelo de bosques aleatorios, y un segundo modelo de red bayesiana dispersa de alta densidad informativa, RBDADI, que comprende el índice de información mutua de Shannon, para entrenar el módulo experto;

   o en el que los medios digitales de predicción están configurados para descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de red bayesiana dispersa de alta densidad informativa, RBDADI, en función de un índice de información mutua de Shannon, del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%.

   El sistema de la reivindicación 4 o 5, en el que, si el resultado de cualquiera de los modelos no supera el 50%, los medios de predicción están configurados para aplicar un parámetro de riesgo Á, entre 0 y 1, y volver a ejecutar ambos modelos y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior al 50%, o determinar que no hay riesgo de padecer disfagia orofaríngea si el resultado de ambos modelos es igual o inferior a 50%.

   Un procedimiento para el cribaje optimizado de la disfagia orofaríngea en un sistema digital que comprende al menos un servidor de entrenamiento, al menos un servidor de predicción, y al menos un terminal de consulta, comprendiendo el procedimiento:

   solicitar, por el terminal de consulta, la determinación del riesgo de padecer disfagia orofaríngea por al menos un paciente, en el que la solicitud comprende datos del al menos un paciente comprendiendo sus datos de historia clínica;

   seleccionar, por al menos unos medios digitales de selección de base de datos, unos códigos relacionados con la disfagia orofaríngea; seleccionar, por al menos unos medios digitales de selección de variables, las variables que tienen una mayor capacidad predictiva de la disfagia orofaríngea en función de los códigos seleccionados;

   entrenar, por al menos unos medios digitales de entrenamiento, un módulo experto en función de las variables seleccionadas; y determinar, por al menos unos medios digitales de predicción, el riesgo de padecer disfagia orofaríngea del al menos un paciente utilizando los datos recibidos del al menos un paciente como entrada al módulo experto, comprendiendo:

   determinar un riesgo según un primer modelo de bosques aleatorios; determinar un riesgo según un segundo modelo de redes bayesianas; y si en ambos casos el riesgo es superior al 50%, determinar que existe riesgo positivo de padecer de disfagia orofaríngea.

   El procedimiento de la reivindicación 7,

   en el que el al menos un servidor de entrenamiento comprende los al menos unos medios digitales de predicción, o en el que los al menos unos medios digitales de predicción están configurados externamente, en al menos un servidor de predicción;

   o

   El procedimiento de la reivindicación 8,

   en el que la selección de la base de datos comprende seleccionar un subconjunto de códigos, y filtrarlos mediante la aplicación de un algoritmo de eliminación recursiva de características;

   o en el que la selección de variables comprende, utilizando los códigos seleccionados como parámetros de entrada, ejecutar un primer modelo de bosques aleatorios, un segundo modelo de bayesiano 9. El procedimiento de la reivindicación 8,

   en el que la selección de la base de datos comprende seleccionar un subconjunto de códigos, y filtrarlos mediante la aplicación de un algoritmo de eliminación recursiva de características;

   o en el que la selección de variables comprende, utilizando los códigos seleccionados como parámetros de entrada, ejecutar un primer modelo de bosques aleatorios, un segundo modelo de bayesiano ingenuo, y un tercer modelo lineal, y determinar todas las variables del mejor modelo más aquellas que están conjuntamente en los otros dos modelos, para seleccionar las variables con mayor capacidad predictiva.

   10. El procedimiento de la reivindicación 8,

   en el que el entrenamiento comprende ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, según un primer modelo de bosques aleatorios, y un segundo modelo de redes bayesianas, para entrenar el módulo experto;

   o en el que la predicción comprende ejecutar un proceso de cribaje óptimo de la disfagia orofaríngea, CODO, comprendiendo descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de redes bayesianas del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%.

   11. El procedimiento de la reivindicación 8,

   en el que el entrenamiento comprende ejecutar un primer modelo de bosques aleatorios, y un segundo modelo de red bayesiana dispersa de alta densidad informativa RBDADI, que comprende el índice de información mutua de Shannon, para entrenar el módulo experto;

   4

   o en el que la predicción comprende descargar la última actualización del módulo experto y utilizar los datos del al menos un paciente como entrada al primer modelo de bosques aleatorios del módulo experto y utilizar los datos del al menos un paciente como entrada al segundo modelo de red bayesiana dispersa de alta densidad informativa RBDADI, en función de un índice de información mutua de Shannon, del módulo experto, y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior a 50%.

   12. El procedimiento de la reivindicación 10 o 11, en el que, si el resultado de cualquiera de los modelos no supera el 50%, aplicar un parámetro de riesgo Á, entre 0 y 1, y volver a ejecutar ambos modelos y determinar que hay riesgo positivo de padecer disfagia orofaríngea si el resultado de ambos modelos es superior al 50%, o determinar que no hay riesgo de padecer disfagia orofaríngea si el resultado de ambos modelos es igual o inferior a 50%.

   13. Un programa de ordenador que comprende instrucciones, una vez ejecutadas en un procesador, para llevar a cabo las etapas de procedimiento de una cualquiera de las reivindicaciones 7 a 12.

   14. Un medio legible por ordenador que comprende instrucciones, una vez ejecutadas en un procesador, para llevar a cabo las etapas de procedimiento de una cualquiera de las reivindicaciones 7 a 12.