ES2905474B2 - Metodo y sistema para la deteccion precoz de episodios de dolor oncologico - Google Patents

Description

DESCRIPCIÓN

Método y sistema para la detección precoz de episodios de dolor oncológico

Objeto de la invención

La invención se refiere a métodos y sistemas de predicción de dolor y, más concretamente, a la personalización de tecnologías wearable y modelos predictivos para la detección y predicción de episodios de dolor oncológico irruptivo mediante tecnologías de monitorización ambulatoria no invasivas.

Antecedentes de la invención

El alivio del dolor es una de las prioridades fundamentales de la medicina. En 2010 la Declaración de Montreal (redactada por 250 profesionales de 84 nacionalidades) estableció como un derecho fundamental de todo ser humano el acceso a un manejo adecuado del dolor y a ser informado de los pasos que deben seguirse en su tratamiento.

Si bien existen multitud de causas y formas de dolor, es un problema que adquiere especial relevancia en oncología al afectar a prácticamente la totalidad de pacientes con enfermedad avanzada. En concreto, el dolor oncológico irruptivo (DOI), definido como "una exacerbación transitoria de dolor, que ocurre en un paciente con cáncer con dolor basal estable y en tratamiento crónico con opioides” es uno de los más difíciles de controlar y que más deterioran la calidad de vida.

Una revisión sistemática reciente estimó que este dolor intenso y angustiante afecta aproximadamente al 60% de los pacientes con cáncer, aunque las tasas de prevalencia varía hasta el 95% dependiendo de la definición, clasificación y métodos de evaluación que empleen los estudios.

El dolor irruptivo puede tener diferentes patofisiologías (nociceptiva, neuropática o mixta) y diferentes causas (el cáncer, su tratamiento o las comorbilidades del paciente). El dolor irruptivo suele categorizarse como espontáneo cuando es impredecible o incidental cuando se asocia a una causa identificable. Aunque sus características clínicas pueden variar, suele presentar una aparición súbita (un intervalo hasta el pico de dolor de 3 minutos), una duración corta (en torno a 30-60 minutos de mediana), y ser de intensidad severa.

Algunos estudios anteriormente mencionados, han establecido que el número de episodios puede ir desde 1 a más de 10 al día, con una mediana de 4. Comparado con pacientes sin dolor irruptivo, las personas que lo padecen tienden a presentar un mayor deterioro funcional asociado al dolor.

El dolor irruptivo puede ser debilitante para el paciente y costoso para los sistemas de salud, con importantes gastos asociados a una mayor frecuentación de los servicios de urgencias, consultas médicas, ingresos hospitalarios y estancias hospitalarias más prolongadas. Si bien uno de los puntos básicos para el correcto manejo del dolor es disponer de adecuados métodos de evaluación, resulta especialmente complejo en el caso del dolor irruptivo. De forma general se ha adoptado el algoritmo desarrollado por Davies et al. como la forma más sencilla y reproducible de definir qué pacientes presentan este tipo de dolor. Dicho algoritmo se basa en tres preguntas que establecen la existencia de un dolor crónico de base severo pero bien controlado que sufre exacerbaciones (Davies AN, Dickman A, Reid C, et al. The management of cancer-related breakthmugh pain: recommendations of a task group of the Science Committee of the Association for Palliative Medicine of Great Britain and Ireland. Eur J Pain 2009;13:331-338).

Igualmente, existen diferentes cuestionarios para un seguimiento y evaluación repetidos a lo largo del tiempo, pero el Breakthrough Pain Assessment Tool (BAT) es el más aceptado. Aunque solo ha sido validado de forma externa en inglés, existen traducciones en español que pueden emplearse de forma rutinaria.

Por otro lado, las tecnologías de monitorización ambulatoria no invasiva han supuesto un claro avance en los últimos años para las aplicaciones médicas. En concreto, existen tecnologías aplicadas a la detección y predicción de crisis sintomáticas en enfermedades crónicas. Algunos de estos casos son los desarrollados en el contexto de la neurología para migraña (J. Pagán, I. M. De Orbe, A. Gago, M. Sobrado, J. L. Risco-Martín, V. J. Mora, J. M. Moya, and J. L. Ayala, “Robust and accurate modeling approaches for migraine Per-Patient prediction from ambulatory data," Sensors, vol. 15, iss. 7, pp. 15419-15442, 2015, A. Gago, M. Sobrado, V. J. Mora, J. Pagán, I. M. De Orbe, and J. L. Ayala “WO2017149174. MÉTODO PARA DETERMINAR EL NIVEL DE ACTIVACIÓN DEL SISTEMA TRIGÉMINO-VASCULAR", y J. Pagán, J. M. Moya, S. Mittal, and J. L. Ayala, “Advanced migraine prediction simulation system," in Summer simulation conference, 2017), donde las técnicas desarrolladas han permitido predecir las migrañas de los pacientes, con un máximo de 47 minutos de antelación y una media de 25, a partir de la monitorización no invasiva de variables hemodinámicas. En algunos pacientes, se realizó también la correlación de dichas variables con otras externas (como variables atmosféricas, y entradas proporcionadas por el paciente en cuanto a su actividad y estado emocional) para la obtención de información predictiva adicional; o epilepsia.

El estado del arte comprende algunas invenciones orientadas al manejo del control del dolor, como por ejemplo, Dong Kyun Park et. al divulga una aplicación móvil que, en forma de diario, el paciente ejecuta cuando siente dolor irruptivo; se trata de una guía que según las respuestas a una serie de preguntas, proporciona pautas farmacológicas o no, según una clasificación del dolor en 10 niveles, con el fin de mejorar el dolor del paciente (KR20160025164 (A) - “BREAKTHROUGH PAIN CONTROL SYSTEM FOR CANCER PATIENT AND BREAKTHROUGH PAIN CONTROL METHOD USING THEREOF", PARK DONG KYUN [KR]; JUNG EUN YOUNG [KR]; JEONG BYOUNG HUI [KR]; HWANG IN CHEOL [KR]; EUN SUNG JONG [KR ]). Otra invención centrada también en el campo del manejo del dolor es el trabajo de Jouhikainen Taneli et. al (KR20100006162 (A)-“BREAKTHROUGH PAIN MANAGEMENT’, JOUHIKAINEN TANELI [FI]; TAPIO LANKINEN [FI]; SANDSTROM KENNETH [FI]) donde se presenta un método para la preparación de una composición farmacológica analgésica en polvo para administración por inhalación pulmonar.

En definitiva, el tratamiento del dolor oncológico es uno de los puntos más importantes en el cuidado del paciente con cáncer y en concreto, el dolor irruptivo (picos súbitos de dolor intenso) es uno de los más difíciles de controlar y que más negativamente afectan a su calidad de vida, por lo que poder predecir en qué momento se desarrollarán estos episodios, permitiría anticipar la administración de medicación de rescate evitando su aparición. En cambio, las soluciones conocidas del estado del arte no divulgan ninguna metodología centrada en la predicción de crisis sintomáticas o dolor basal del paciente oncológico, por lo que una solución que aprovechase las actuales tecnologías de monitorización ambulatoria no invasiva junto con algoritmos de inteligencia artificial para la detección precoz de dolor oncológico sería una valiosa aportación al estado del arte.

Descripción de la invención

Con el fin de alcanzar los objetivos y evitar los inconvenientes mencionados anteriormente, la presente invención propone un método y un sistema para la detección precoz de episodios de dolor irruptivo mediante biosensores portables que reduce la incidencia e intensidad de los episodios de dolor irruptivo. Ventajosamente, la información de los biosensores puede apoyarse en información recogida desde otras fuentes (como aplicaciones móviles) para registrar de forma fidedigna la aparición y duración de crisis de dolor irruptivo.

Para ello, en un primer aspecto de la presente invención se describe un método para la detección precoz de dolor oncológico en una persona, que comprende:

- asignar, desde una base de datos sociodemográfica, un modelo poblacional inicial a la persona, basado en un conjunto de datos sociodemográficos;

- obtener, mediante un accesorio personal inteligente dispuesto en la persona, una señal biométrica de la persona;

- extraer, por un módulo de proceso, un vector de características de la señal biométrica, donde las características son seleccionadas de acuerdo al modelo poblacional asignado;

- proporcionar el vector de características extraído a un módulo de predicción, donde el módulo de predicción comprende un modelo predictivo, asociado al modelo poblacional inicial; y

- proporcionar una estimación de intensidad de dolor en una ventana de tiempo futuro, de acuerdo al modelo predictivo del módulo de predicción.

En una de las realizaciones de la invención, proporcionar una estimación de intensidad de dolor resulta de correlar, por una red neuronal entrenada, los vectores de características extraídos por el módulo de proceso con escalas de nivel de intensidad de dolor no normalizadas.

Adicionalmente, la presente invención contempla generar una alarma en caso de que la estimación de intensidad de dolor proporcionada para la ventana de tiempo futuro sea superior a un umbral preestablecido. Así, ventajosamente, se permite a los usuarios gestionar su medicación antes de que llegue una crisis de dolor.

En una de las realizaciones de la invención se establece la ventana de tiempo futuro de acuerdo a un medicamento seleccionado previamente, donde la ventana de tiempo futuro es mayor que el tiempo de respuesta al dolor oncológico del medicamento seleccionado y menor que el tiempo de vida del medicamento seleccionado en sangre.

En una de las realizaciones de la presente invención se contempla, basándose en la señal biométrica, generar al menos una de las siguientes variables biométricas: ritmo cardíaco, sudoración y temperatura superficial de la piel de la persona.

Específicamente, generar una variable biométrica de ritmo cardiaco comprende, de acuerdo a una realización de la invención, comprende obtener una señal óptica mediante fotopletismografía. Alternativamente, de acuerdo a otra realización específica de la invención generar una variable biométrica de ritmo cardiaco comprende obtener una señal eléctrica mediante electrocardiografía.

Opcionalmente, la presente invención contempla en una de las realizaciones, regenerar, por el módulo de proceso, la información de las variables biométricas mediante un modelo auto regresivo.

En una de las realizaciones de la invención se contempla adicionalmente obtener, por el accesorio personal inteligente, una señal de actividad de la persona, donde la señal de actividad comprende al menos información de acelerometría, pudiendo además comprender información de giroscopía y/o magnetometría.

La presente invención, en una de sus realizaciones particulares, además comprende generar, por el módulo de proceso, una variable intermedia, basada al menos en una de las señales biométricas o de actividad, para estimar un estado de la persona a seleccionar entre: estrés, sueño, consumo calórico, o fatiga, de acuerdo a un modelo de detección previamente establecido.

En una de las realizaciones de la presente invención, se contempla entrenar el modelo poblacional con información de las variables extraídas de la señal biométrica y/o de la señal de actividad cada cierto tiempo de un pasado reciente de duración predeterminada.

Adicionalmente, la presente invención contempla en una de sus realizaciones, proporcionar desde un dispositivo móvil de la persona al módulo de proceso, información sintomática subjetiva, información del tipo de medicación suministrada y una marca temporal del instante de suministro a la persona.

Un segundo aspecto de la invención se refiere a un sistema para la detección precoz de dolor oncológico en una persona, que comprende:

- una base de datos sociodemográfica configurada para almacenar modelos poblacionales;

- un accesorio personal inteligente configurado para ser transportado por la persona y obtener una señal biométrica de la persona;

- un módulo de proceso configurado para extraer un vector de características de la señal biométrica, basado en el modelo poblacional seleccionado de la base de datos; y

- un módulo de predicción configurado para aplicar un modelo predictivo al vector de características y proporcionar una estimación de intensidad de dolor en una ventana de tiempo futuro.

En una de las realizaciones de la invención, el accesorio personal inteligente comprende al menos unos del módulo de proceso y/o el módulo de predicción. Alternativamente o de forma combinada, de acuerdo a una realización de la invención, el sistema comprende un servidor remoto configurado para alojar al menos uno del módulo de proceso y/o el módulo de predicción.

La presente invención comprende además, en una de sus realizaciones, con un dispositivo electrónico móvil, de tipo smartphone, configurado para proporcionar al módulo de proceso información sintomática subjetiva, información del tipo de medicación suministrada y una marca temporal del instante de suministro.

La presente invención emplea ventajosamente tecnología biomédica para, mediante el empleo de sistemas de monitorización ambulatoria no invasivas y algoritmos de inteligencia artificial, ser capaz de detectar de forma precoz la aparición de episodios de dolor irruptivo. Esto permite realizar estudios sobre la eficacia de un esquema de tratamiento del dolor basado en el sistema de esta invención comparado con el procedimiento clínico actual, basado en la aparición de síntomas. Esta tecnología representa un avance en el tratamiento de soporte del paciente oncológico, mejorando de forma muy significativa su calidad de vida.

La información recogida por la presente invención es ofrecida en un formato amigable para el oncólogo, que podrá realizar una gestión remoto, objetiva, personalizada y en tiempo real de sus pacientes. De esta forma, se proporciona al médico un registro objetivo de la evolución del dolor en sus pacientes. Además, se reducirá el número de visitas en consulta, y hace posible medir la eficacia de los diferentes tratamientos, mejorando la adherencia de los pacientes a la medicación y prescribiendo los más adecuados en cada momento. Por tanto, es esperable que este beneficio secundario represente por sí solo un avance notable en el manejo del dolor oncológico.

Breve descripción de las figuras

Para completar la descripción de la invención y con objeto de ayudar a una mejor comprensión de sus características, de acuerdo con un ejemplo preferente de realización de la misma, se acompaña un conjunto de dibujos en donde, con carácter ilustrativo y no limitativo, se han representado las siguientes figuras:

- La figura 1 representa un diagrama de bloques de una de las realizaciones de la invención.

- La figura 2 representa en cuatro gráficas las señales de la función de dolor total (53), su descomposición en dolor basal (50) e irruptivo (51), y la señal moduladora de la intensidad (52).

Descripción detallada de la invención

La presente invención para la detección precoz de episodios de dolor oncológico, según una de sus realizaciones preferentes, permite la generación de alertas predictivas y de detección de dolor oncológico mediante el uso de sistemas IoT. Comprende dos fases principales (entrenamiento/ aprendizaje, y producción) que a su vez se dividen en subfases y que hacen uso de los distintos módulos que conforman el sistema.

Los primeros usuarios que se benefician directamente de la presente invención son los pacientes oncológicos y los médicos especialistas. Los agentes implicados son los servicios de oncología hospitalarios y los cuidadores; otros agentes que se benefician del impacto de la invención son los laboratorios farmacológicos y las aseguradoras privadas de salud, así como las entidades sanitarias tanto públicas como privadas.

La estructura del sistema cuenta con los elementos clásicos de una arquitectura del Internet de las Cosas. Básicamente puede dividirse en: (i) accesorios personales inteligentes o dispositivos wearable de monitorización ambulatoria no invasiva, (ii) dispositivos móviles inteligentes o smartphones, (iii) infraestructura cloud para almacenamiento de datos, y (iv) infraestructura cloud para el procesamiento y gestión de los datos.

Fase de entrenam iento/ aprendizaje

Esta fase requiere de un tiempo para generar un conocimiento que servirá para la segunda fase: la fase de producción. Puede entenderse como una interacción dependiente del tiempo entre elementos del sistema que, apoyándose en las figuras, se describe a continuación:

A. El doctor 10 da de alta a un paciente oncológico (usuario, 11) en el sistema.

B. En el momento de inclusión de pacientes 20, se genera una información basal de datos sociodemográficos y relativos a la enfermedad 40. Los datos relativos a la enfermedad incluyen entre otras cosas la medicación basal que toma el paciente y que será de ayuda para el estudio de la eficiencia de esta 43 con respecto al dolor basal continuado que sufre el paciente oncológico 11.

C. Los datos recogidos permiten describir un perfil del usuario para el sistema — una descripción estadística — 21.

D. El resultado de esta descripción alimenta al Modelo de transferencia de conocimiento 25. Este modelo es bidireccional: (i) por un lado recibe información que alimenta el estadístico de población, y (ii) por otro lado, permite generar modelos personalizados basados en técnicas de inteligencia artificial que son extrapolados de datos poblacionales; i.e., de datos extraídos del total de muestras (pacientes) incluidos en el sistema.

E. El paciente o usuario 11 lleva consigo un dispositivo de monitorización ambulatoria no invasiva 12. Este dispositivo es un accesorio personal inteligente o wearable que puede tener la forma, por ejemplo, de un reloj inteligente, brazalete o parche. El dispositivo monitoriza variables biométricas y de actividad 30. Las señales biométricas están relacionadas con la alteración del sistema nervioso autónomo. Estas señales incluyen: ritmo cardiaco— obtenido de una señal óptica (fotopletismografía) o eléctrica (electrocardiografía)— , sudoración o temperatura superficial de la piel. El dispositivo recoge también señales de actividad: principalmente acelerometría en tres ejes, además de giroscopía y/o magnetometría (en tres ejes).

F. El paciente o usuario 11 lleva consigo un teléfono móvil inteligente con una aplicación instalada 13 que le permite recoger información sintomática subjetiva 31 como el estado anímico o la calidad del sueño, entre otros. También permite rellenar de forma digital formularios de dolor oncológico como la escala BAT, o el cuestionario de calidad de vida de la European Organization for Research and Treatment of Cáncer (EORTC) ^QLQ-C30 (Sprangers, M. A. G, Cull, A , Bjordal, K., Gr0nvold, M., & Aaronson, N. K. (1993). The European Organization for Research and Treatment of Cancer approach to quality of life assessment: guidelines for developing questionnaire modules. Quality of Life Research, 2(4), 287-295). La información sintomática se recoge diariamente de forma asíncrona por el paciente. Los formularios digitales permiten al cuidador o médico responsable evaluar al paciente de forma continua y remota.

La presente invención incluye la digitalización y nueva forma de interpretar los datos de la escala BAT. Si bien esta incluye (i) preguntas generales sobre el dolor oncológico del paciente, también se refiere a (ii) preguntas concretas de un episodio. Las escalas BAT se rellenan en papel, idealmente, cada 72 horas. Esto en la práctica no funciona, y el abandono por parte de los pacientes o usuarios es rápido. Las escalas BAT en papel obligan al usuario a contestar repetidamente las preguntas generales cuya contestación es siempre la misma, y las preguntas específicas de las crisis de dolor ocurridas en ese intervalo de tiempo de 72 horas. Una digitalización permite, agrupar en la inclusión las preguntas generales y centrar las preguntas en cada una de las crisis de dolor 32 indicadas por el usuario. Con esto se consigue: (i) reducir el abandono del seguimiento del paciente por la comodidad del cuestionario digital, (ii) centrar al usuario en que responda las preguntas concretas de cada episodio y no solo del promedio de los ocurridos en las 72 horas, y (iii) facilitar el análisis de dichos datos.

G. La aplicación móvil 13 del usuario permite a este introducir información de las crisis de dolor 32. La información de dolor d[k] recogida en instantes de tiempo k se divide en dos: (i) el dolor oncológico irruptivo doi^m[k] relativo que es particular de una crisis de dolor, y está añadido a (ii) un dolor basal que evoluciona lentamente a lo largo de los días db[k]. Además, la intensidad absoluta de las crisis irruptivas doi[k] puede estar modulada m por el dolor, y esta modulación no es siempre constante, sino que variará con el tiempo y la intensidad del dolor basal y está alterada por la medicación db[k] • m[db[k]]. Describimos el dolor total como:

dt[k] = doi^m[k] db[k]

doi^m[k] = m[db[k]]*doi[k]

El peso de modulación m dependerá de cada paciente y se describirá como una variación suave entre [-1, 1] mediante funciones tipo lineal, signo, sigmoideas, tangente hiperbólica, ReLU (Rectified Linear Unit) o Leaky ReLU (Rectified Linear Unit), softmax, o swish, entre otras. Estas funciones y sus parámetros serán ajustadas mediante técnicas de optimización y aprendizaje automático para cada paciente. Además, podrá variar a lo largo del tiempo con la evolución de la enfermedad, por lo que periódicamente tendrá que ser recalculada.

Un ejemplo gráfico de las funciones anteriormente descritas se ve en la Figura 2. Se muestra cómo, aunque los picos de dolor irruptivo (51), sean de intensidad similar, si el dolor basal (50) es alto, el dolor resultante percibido (53)) no es tanto. Además, la señal de modulación (52) (que representa en cierta forma la capacidad de sufrimiento del paciente modulado por los efectos de la medicación) también hace que la intensidad de dolor irruptivo percibida pueda ser más o menos lesiva.

La escala de dolor es una escala subjetiva no estandarizada. Esto es así debido a que estudios recientes que demuestran la correlación de variables hemodinámicas con escalas de dolor indicadas en tiempo real lo han probado. Durante el transcurso del dolor, los pacientes no son capaces de relativizar la intensidad de este, dando lugar a que en una escala normalizada 0-10, un nivel 10 pueda ser expresado en un determinado momento y, siendo posteriormente mayor el dolor sufrido por el paciente, no se puede indicar. Las escalas de dolor son normalizadas en postprocesado 22.

H. La aplicación móvil 13 del usuario permite a este introducir información de la medicación de rescate tomada durante las crisis de dolor irruptivo 33. Tener una marca de tiempo exacto de cuándo se tomó la medicación en una crisis y correrlarla con la información de dolor irruptivo 32, permite analizar la efectividad de los medicamentos y optimizar su dosis. Del mismo modo, esta información puede ser correlada con datos sociodemográficos 21 para la generación de modelos poblacionales 25.

I. El procesamiento y generación de características se realiza en el bloque 22. El procesamiento de los datos incluye diversas técnicas dependiendo de la naturaleza de los mismos. El propósito del procesamiento de los datos es la extracción de conocimiento distinto del adquirido directamente de tratar las señales en crudo, es decir, la generación de nuevas características o features.

La selección de los algoritmos de procesamiento usados depende de los resultados del entrenamiento de los modelos para cada usuario, y es lo que se conoce como feature selection. Los modelos personalizados y los poblacionales evolucionan con el tiempo, por lo que durante la fase de producción, habrá momento de re-entrenamiento que puedan elegir features diferentes y por ende la necesidad de distintos algoritmos de procesamiento. Para la selección de características se proponen métodos como PCA, técnicas metaheurísticas (algoritmos evolutivos) o redes neuronales autoencoder. En este sentido:

a. El procesamiento de datos que son series temporales consiste en la transformación a otros dominios o en la aplicación de funciones matemáticas clásicas. Por ejemplo, para la extracción de información de variabilidad cardiaca se usan algoritmos de detección de picos sobre la señal de fotopletismografía o electrocardiografía; esto da lugar a la señal procesada IBI (Interbeat interval). El tipo de algoritmo no está restringido, pues en el estado del arte aparecen continuamente mejoras en el procesamiento y detección de este tipo de señales, por ejemplo usando redes neuronales recurrentes LSTM.

El uso de técnicas más novedosas para compresión de señal y extracción de características como el uso de autoencoders para extracción de features de forma no supervisada.

En el módulo de proceso 22 también se incluye la regeneración de los datos si hubiese pérdidas. En este sentido:

b. La regeneración de datos que son series temporales cuantitativas (como las curvas de dolor o las variables biométricas) puede realizarse a través de predicciones estadísticas clásicas como los modelos auto-regresivos (AR), u otras técnicas estadísticas de imputación de datos perdidos o con técnicas más sofisticadas de machine learning como Gaussian Process Machine Learning o el uso de redes neuronales. La elección de un tipo u otro de modelo de regeneración de señal depende del dispositivo que ejecute la corrección de la misma.

c. La regeneración de los datos que son cualitativos con menos dependencia temporal (como los síntomas) se realiza con técnicas estadísticas de imputación de datos. Este proceso solo puede llevarse a cabo durante la fase de aprendizaje, y no durante la fase de producción o tiempo real.

En el módulo de proceso 22 también incluye la generación de variables de interés intermedias. En este sentido, para el propósito de la detección de dolor oncológico irruptivo (DOI) consecuencia se define el uso de:

i. Modelos de detección de estrés: estos modelos usan información de acelerometría, actividad electrodermal y ritmo cardiaco, para estimar situaciones de estrés en el paciente. La correlación del estrés con el dolor neuropático ya ha sido señalada en el estado del arte, pero no así el uso de modelos de estrés de forma continuada a través de la monitorización ambulatoria y no intrusiva de las variables mencionadas anteriormente, que permite relacionar el estrés con el nivel de dolor 32 y las condiciones de ansiedad y depresión 20, 40 del paciente. Esto ayuda a la generación de modelos predictivos y de detección de DOI 23, 24.

ii. Modelos de detección de actividad, sueño y consumo calórico: estos modelos usan información de acelerometría para detectar qué actividad se está realizando y estimar el consumo calórico del usuario.

Según Margarit et al. (Margarit, C., Juliá, J., López, R., Anton, A., Escobar, Y., Casas, A., ... & Zaragozá, F. (2012). Breakthrough cáncer pain-still a challenge. Journal of pain research, 5, 559), el 53% de todos los episodios de dolor irruptivo son causados por el movimiento y la carga de peso, y el 7% de los episodios de dolor episódico son causados por la inmovilización. Haciendo uso de los dispositivos de monitorización, podemos usar modelos de detección de actividad y calidad del sueño de forma continuada para detectar y predecir el inicio de una crisis y alertar al paciente o sus cuidadores.

La relación de la actividad física y el sueño con la supervivencia en pacientes con cáncer a través del uso de wearables ha sido demostrada recientemente por lo que incluir modelos de detección para alertar al paciente de que reduzca su actividad y mejore el sueño, mejora su calidad de vida y redunda en un mayor tiempo de supervivencia de la enfermedad.

iii. Modelos de fatiga: estos modelos, que están también relacionados con la actividad incluyen información de otras variables como la actividad electrodérmica de la piel o la actividad muscular Las prácticas más comunes y exitosas en el tratamiento de pacientes con cáncer para la mejora de su calidad de vida, incluyen una educación sobre la fatiga y la gestión de las actividades

El uso de escalas de fatiga requiere la intervención proactiva del paciente con enfermedad crónicay aunque para un modelado predictivo ambulatorio y no intrusivo como el que describe esta invención, no es factible, sí lo son para realizar un seguimiento proactivo del paciente 31.

La presente invención combina los modelos anteriores para un modelado predictivo holístico y detección del dolor oncológico irruptivo. Así, el uso de estos modelos de forma combinada permite ofrecer a la salida del sistema una predicción del dolor oncológico irruptivo 23, 24. Los resultados conllevan preferentemente la alerta al paciente y/o cuidador, la recomendación de pautas clínicas a seguir por parte del médico responsable, que puede hacerse en remoto en tiempo real, o estar pautadas con anterioridad.

En un entorno del Internet de las Cosas, para la fase de aprendizaje, se usan máquinas con alta capacidad de cómputo (como servidores) para la generación de los modelos.

J. Los modelos de predicción y de detección de DOI, contenidos en los módulos de predicción 23 y detección 24, se nutren de la información acondicionada por el módulo de proceso 22. Toda la información del módulo de proceso 22 son tratadas como features de entrada a los modelos.

Los modelos de predicción, como los que se implementan en 23, son modelos que adelantan en el tiempo una información; en este caso, la llegada de un posible DOI. Los modelos predictivos se nutren principalmente de la información de cómo evolucionan las variables del módulo de proceso 22 con el tiempo. Estos son modelos de regresión. La información devuelta puede ser cuantitativa, una probabilidad de ocurrencia del evento de dolor, o cualitativa (una decisión en base a la predicción). Los resultados cualitativos pueden ser resultados diagnósticos (clasificación • tomar un fármaco) o meramente informativos (un semáforo indicativo de intensidad o tiempo predicho de ocurrencia del evento). Que el resultado sea diagnóstico, o informativo, dependerá del criterio médico en las pautas clínicas para con la enfermedad. Cómo se implementan estos modelos no se detalla en la presente invención, pues depende del grado de precisión deseado y de la aparición constante de algoritmos predictivos en la literatura científica. No obstante, redes neuronales y sus relacionados, o modelos de espacios de estado son altamente recomendados.

Los modelos de predicción se entrenan con datos cada instante de tiempo tupdate. Dicho intervalo se configura preferentemente para no exceder los tiempos de respuesta de los medicamentos de rescate, pero con la precaución de no sobrecargar al sistema de computación. En una de las realizaciones se establece una ejecución cada 1 minuto.

A su vez, los modelos de predicción se entrenarán para una ventana de futuro, fw, que no ha de ser menor que los tiempos de respuesta de los medicamentos al DOI, ni mayor que los tiempos de vida del medicamento en sangre. fw depende de los medicamentos que se usen y su vía de administración; por ejemplo un opiáceo por vía oral puede tardar unos 30 minutos en ser completamente absorbido.

Los modelos de predicción se entrenan con información de las variables relativa a un pasado reciente pw. Este tiempo depende de las variables que se usen y es establecido en una búsqueda exploratoria del espacio de posibilidades durante el entrenamiento. En una de las realizaciones de la invención, se considera que una ventana de pasado pw del orden de los 30 minutos es un buen comienzo de búsqueda.

K. Los modelos de detección en el módulo de detección 24 no son predictivos, i.e. no permiten anticipar la aparición de un episodio de DOI (fw=0). Generalmente están asociados a cambios bruscos en las variables del módulo de proceso y sirven para alertar al cuidador o familiares del estado crítico del paciente — muchas veces paralizado a causa del dolor— (pw típicamente, o cercano a, tupdate). Esta información también sirve de reporte objetivo para el clínico y el estudio de la eficiencia de los medicamentos de rescate y basal pautados. Se trata de modelos de clasificación y su salida define una variable dicotómica: crisis/no crisis, determinista, o probabilística. Cómo se implementan estos modelos no se detalla en la presente invención, pues depende, del grado de precisión deseado. No obstante, para modelos deterministas se recomienda el uso de algoritmos tipo "árbol de decisión” o "máquinas de vector soporte” (SVM), y para modelos probabilísticos, algoritmos de "lógica difusa” o fuzzy logic, en inglés.

Los modelos están definidos por parámetros, y estos parámetros varían con el tiempo para cada paciente (modelos personalizados). No obstante, cuando un paciente usa por primera vez el sistema predictivo, no empieza sin modelos, sino que se le asigna un modelo poblacional inicial 25.

L. El último proceso que entra en juego en la fase de aprendizaje o entrenamiento de modelos, es el modelo de transferencia de conocimiento 25. El transfer learning, por como se conoce a estos modelos en la literatura científica en inglés, pretende 1) la detección de agrupamientos o clusters poblacionales en base a datos sociodemográficos, para 2) asignar modelos iniciales de predicción 23 y detección 24 a nuevos pacientes, que se irán modificando de forma iterativa con la personalización de los mismos.

No se detalla el uso concreto de ningún tipo de algoritmo, pero se recomiendan los más usados en la literatura basados en redes neuronales (convolucionales o de aprendizaje profundo).

Fase de producción o tiem po real

En la fase de producción o tiempo real los modelos de predicción y detección ya han sido entrenados y están listos para usarse.

El esquema se mantiene como en la fase de entrenamiento, pero ahora entran en juego, además, los procesos que se describen a continuación:

A. Módulo de proceso en fase producción: el módulo de proceso 22 en fase de entrenamiento buscaba las características más relevantes y hacia una regeneración de señal. En la fase de entrenamiento todo ello se realiza offline, es decir, sin limitación de tiempo. En la fase de producción, el módulo de proceso 22 calcula las características o features ya seleccionadas en la fase anterior y aplica las técnicas de reconstrucción de señal en tiempo real (basado en histórico de las señales de entrada).

B. Módulos de predicción 23 y detección 24 en fase de producción: en tiempo real, los modelos reciben vectores de datos de las features del módulo de proceso 22 cada instante de tiempo marcado tupdate.

El módulo de detección 23 dará cada tupdate una predicción de un evento irruptivo referido a un futuro fw. El módulo de detección 24 dará cada tupdate una clasificación de un evento irruptivo detectado en el instante actual.

Como se menciona en la fase de entrenamiento, en el entorno IoT definido, durante la fase de producción — en la que los algoritmos de procesamiento y modelos de predicción 23 y 24 son usados en tiempo real— , los modelos ya entrenados se ejecutan en dispositivos con capacidades de cómputo y autonomía limitada: móviles inteligentes o los propios accesorios personales inteligentes. La elección de dónde, la limita la tecnología que se use. Si los accesorios personales inteligentes, como dispositivos de monitorización ambulatoria, tienen capacidad y rendimiento suficiente, preferentemente se realiza el procesamiento en ellos, con el fin de limitar la transmisión de datos de forma inalámbrica y no diezmar la carga de la batería.

Las salidas de ambos modelos (23 y 24) en tiempo real ofrece una señal de alerta predictiva 41 al usuario y una señal de alerta de detección 42 al cuidador respectivamente. La señal de alerta predictiva 41 al usuario es una salida de predicción que da un nivel o una cuantificación de la intensidad de dolor en una ventana de tiempo futura. Esto permite a los pacientes gestionar su medicación y adecuarse antes de que llegue la crisis de dolor. La señal de alerta de detección 42 al cuidador es, sin embargo, una alarma para alertar de que ha ocurrido un DOI. Esta alarma permite alertar a un cuidador para que acuda en ayuda del paciente. Adicionalmente contribuye al estudio de la efectividad de la alarma.

En fase de producción se tiene realimentación de los pacientes de los falsos negativos (i.e. eventos que no han sido detectados ni predichos), e incluso se puede llegar a tener información de los falsos positivos (i.e. eventos detectados o predichos que no han sido en realidad). Cuando los modelos empiecen a fallar notablemente por encima de su precisión de entrenamiento (accuracy), será indicativo de que hay que re­ entrenar los modelos. En este punto, durante la fase de producción, se estará ejecutando, además, el entrenamiento de modelos con nuevos datos para un ajuste mejor. Estos desfases, o mal funcionamiento, pueden ocurrir a lo largo de la enfermedad, que va cambiando con el tiempo para cada paciente.

Los datos de las predicciones y las alertas sirven para generar la salida 43 que monitoriza la efectividad de la medicación y permite al doctor 10 analizar las crisis y la eficacia de los tratamientos. En base a esta información elaborará unas pautas de seguimiento remoto del paciente 26.

C. El modelo de transferencia de conocimiento 25 en fase de producción: cuando se realiza el re-entrenamiento de los modelos de los módulos de predicción 23 y detección 24, se realiza en base al ajuste continuado de los modelos poblacionales 25. En fase de producción, conforme aumenta la población de sujetos bajo supervisión, se van mejorando y re-entrenando los modelos poblacionales 25.

D. El proceso de seguimiento remoto al paciente 26: se trata del seguimiento remoto del doctor 10 al paciente 11 por medios telemáticos. Este proceso permite al doctor hacer seguimiento poblacional y prescripción remota individualizada. El seguimiento puede conllevar una modificación del tratamiento que puede repercutir en la efectividad de los medicamentos. Esto puede verse de forma remota y más rápida que en consultas esporádicas a la que están acostumbrados los pacientes en la práctica habitual.

Los medios telemáticos pueden ser: un portal web para el médico, un software de gestión o una aplicación móvil. La seguridad de los datos se garantiza mediante comunicaciones cifradas SSL.

La presente invención no debe verse limitada a la forma de realización aquí descrita. Otras configuraciones pueden ser realizadas por los expertos en la materia a la vista de la presente descripción. En consecuencia, el ámbito de la invención queda definido por las siguientes reivindicaciones.

Claims (14)

REIVINDICACIONES

1. Método para la detección precoz de dolor oncológico irruptivo en humanos, que comprende:

- asignar, desde una base de datos (40) sociodemográfica, un modelo poblacional inicial a un humano, donde el modelo está construido a partir de un conjunto de datos sociodemográficos;

- obtener, mediante un accesorio personal inteligente (12) localizado en el humano, una señal biométrica;

- extraer, por un módulo de proceso (22), un vector de características de señales biométricas, donde dichas características son seleccionadas en función del modelo poblacional asignado, y donde el vector comprende información de, al menos, una señal biométrica relacionada con la alteración del sistema nervioso autónomo, ritmo cardíaco, sudoración y temperatura superficial de la piel de la persona;

- proporcionar el vector de características extraído a un módulo de predicción (23), donde el módulo de predicción consiste en un modelo predictivo, asociado al modelo poblacional inicial,

- proporcionar una estimación de intensidad de dolor en una ventana de tiempo futuro, por correlación, mediante una red neuronal entrenada, de los vectores de características extraídos por el módulo de proceso (22) con unas escalas de nivel de intensidad de dolor no normalizadas,

caracterizado por que el método comprende

- calcular la escala del dolor como

- dt[k] = doimfk] db[k]

- doim[k] = m[db[k]]*doi[k]

- donde el dolor dt[k] recogido en instantes de tiempo k comprende

- (i) el dolor oncológico irruptivo doim[k] relativo a una crisis de dolor, - (ii) un dolor basal que evoluciona lentamente a lo largo de los días db[k] modulado m por el dolor y por la medicación [db[k]],

- donde la modulación m variará con el tiempo y la intensidad del dolor basal, presentando una variación entre [-1, 1], siendo una función del tipo lineal, signo, sigmoideas, tangente hiperbólica, ReLU (Rectified Linear Unit) o Leaky ReLU (Rectified Linear Unit), softmax, o swish, entre otras.

2. Método de acuerdo con la reivindicación 1, además comprende generar una alarma en caso de que la estimación de intensidad de dolor proporcionada para la ventana de tiempo futuro sea superior a un umbral preestablecido.

3. Método de acuerdo con cualquiera de las reivindicaciones anteriores que además comprende establecer la ventana de tiempo futuro de acuerdo con un medicamento seleccionado previamente, donde la ventana de tiempo futuro es mayor que el tiempo de respuesta al dolor oncológico irruptivo del medicamento seleccionado y menor que el tiempo de vida del medicamento seleccionado en sangre.

4. Método de acuerdo con la reivindicación 1 donde generar una variable biométrica de ritmo cardiaco comprende obtener una señal óptica mediante fotopletismografía.

5. Método de acuerdo con la reivindicación 1 donde generar una variable biométrica de ritmo cardiaco comprende obtener una señal eléctrica mediante electrocardiografía.

6. Método de acuerdo con cualquiera de las reivindicaciones anteriores que además comprende regenerar, por el módulo de proceso, la información de las variables biométricas mediante un modelo auto regresivo.

7. Método de acuerdo con cualquiera de las reivindicaciones anteriores que además comprende obtener, por el accesorio personal inteligente, una señal de actividad del humano, donde la señal de actividad comprende, al menos, información de acelerometría.

8. Método de acuerdo con la reivindicación 7 que además comprende generar, por el módulo de proceso, una variable intermedia, basada al menos en una de las señales biométricas o de actividad, para estimar un estado de la persona a seleccionar entre: estrés, sueño, consumo calórico, o fatiga, de acuerdo con un modelo de detección previamente establecido.

9. Método de acuerdo con cualquiera de las reivindicaciones 4 a 8 que además comprende entrenar el modelo poblacional con información de las variables extraídas de la señal biométrica y/o de la señal de actividad cada cierto tiempo de un pasado reciente de duración predeterminada.

10. Método de acuerdo con cualquiera de las reivindicaciones anteriores que además comprende proporcionar, desde un dispositivo móvil de la persona al módulo de proceso, información sintomática subjetiva, información del tipo de medicación suministrada y una marca temporal del instante de suministro a la persona

11. Sistema para la detección precoz de dolor oncológico irruptivo en humanos caracterizado por que comprende:

- una base de datos sociodemográfica (40) configurada para almacenar modelos poblacionales;

- un accesorio personal inteligente

(12) configurado para ser transportado por un humano y obtener una señal biométrica de dicho humano;

- un módulo de proceso (22) configurado para extraer un vector de características de la señal biométrica, basado en el modelo poblacional seleccionado de la base de datos;

- un módulo de predicción (23) configurado para aplicar un modelo predictivo al vector de características y proporcionar una estimación de intensidad de dolor en una ventana de tiempo futuro.

12. Sistema de acuerdo con la reivindicación 11 donde el accesorio personal inteligente comprende al menos el módulo de proceso y/o el módulo de predicción.

13. Sistema de acuerdo con cualquiera de las reivindicaciones 11 a 12 que además comprende un dispositivo electrónico móvil configurado para proporcionar al módulo de proceso información sintomática subjetiva, información del tipo de medicación suministrada y una marca temporal del instante de suministro.

14. Sistema de acuerdo con cualquiera de las reivindicaciones 11 a 13 que además comprende un servidor remoto configurado para alojar al menos uno del módulo de proceso y/o el módulo de predicción.