La enfermedad pulmonar obstructiva crónica (EPOC) es una enfermedad con un gran impacto en la población de edad avanzada debido a su alta prevalencia. En España, afecta hasta al 26% de las mujeres y al 35% de los varones mayores de 80 años1. Las exacerbaciones son el evento adverso más característico y significativo en la EPOC. Durante estas, los pacientes experimentan un empeoramiento notable de sus síntomas respiratorios, los cuales suelen ser muy angustiantes y limitantes en la vida diaria. Las agudizaciones graves a menudo requieren hospitalización y se asocian a un mayor riesgo de mortalidad. Al respecto, se ha demostrado que un tratamiento precoz permite una recuperación más exitosa y una reducción del impacto de las mismas2. Por este motivo existe un interés general en el desarrollo de sistemas remotos de diagnóstico precoz de agudización de la EPOC, los cuales suelen utilizar algoritmos diagnósticos.
Hasta hace poco tiempo estos algoritmos se basaban exclusivamente en el seguimiento periódico de síntomas (principalmente a través de diarios autocumplimentados), signos vitales (frecuencia cardiaca, tensión arterial, saturación de oxígeno, entre otros) y/o parámetros de función respiratoria (flujo espiratorio máximo, volumen espiratorio forzado en el primer segundo)3. Recientemente, se están considerando otros tipos de parámetros como las características acústicas de la tos, el análisis del estilo de vida, los marcadores inflamatorios o la calidad del aire en el domicilio4–6. La tabla 1 muestra los algoritmos de detección de agudización con mayor rendimiento diagnóstico desarrollados a la fecha4–12. Por otro lado, en los últimos tiempos ha habido un incremento exponencial en la capacidad de computación de los dispositivos, lo que ha propiciado un avance sin precedentes en campos como el aprendizaje supervisado, la inteligencia artificial o el Deep-Learning4,9,12. Estos avances permiten que por primera vez se aprovechen de forma eficiente la ingente cantidad de datos que suelen producir los sistemas de monitorización, lo cual ha permitido el desarrollo de nuevos algoritmos diagnósticos.
Algoritmos diagnósticos de exacerbación de la EPOC
| Estudio | Tamaño muestral | Dispositivos | Parámetros | Técnica de análisis de datos | Rendimiento diagnóstico |
|---|---|---|---|---|---|
| Hurst et al., 20107 | 40 | Diario de síntomas, pulsioxímetro, medidor de peak flow | FC, SatO2, FEM, síntomas | Análisis de medias y DE | AROC: 0,83; S: 71%; E: 74% |
| Riis et al., 20168 | 151 | Tensiómetro, pulsioxímetro, diario de síntomas | TA, FC, SatO2, síntomas | Análisis de regresión, «k-nearest neighbour» (MATLAB) | S: 73%; E: 74%; A: 74% |
| Mohktar et al., 20159 | 21 | Tensiómetro, pulsioxímetro, termómetro, peso, diario de síntomas | FC, SatO2, TA, FR, peso, T, VEF1, síntomas | ML | S: 72%; E: 80% |
| Wu et al., 20216 | 67 | Dispositivo sensor de calidad del aire, pulsera, sensor de actividad física, diario de síntomas | Síntomas, actividad física, parámetros del ambiente y calidad del aire, FC, sueño | ML, DL | S: 94%; E: 90%; A: 92% |
| Claxton et al., 20214 | 164 | Software analizador acústico de tos, cuestionario de síntomas | Edad, fiebre, tos | ML | S: 83%; E: 91%; AROC: 0,89 |
| Patel et al., 20215 | 90 | Aplicación informática, diario de síntomas, espirómetro, dispositivo portátil para medir PCR | Síntomas, VEF1, PCR | ML | S: 98%; E: 84%; A: 85% |
| Yin et al., 202210 | 299 | Cuestionario de síntomas | Síntomas | Análisis de regresión | S: 84%; E: 77%, AROC: 0,86 |
| Cen y Weng, 202211 | 110 | Diario de síntomas, medidor de peak flow | Síntomas, FEM | Análisis de regresión | Mejor modelo: AROC: 0,90; S y E: no reportadas |
| Gálvez-Barrón et al., 202312 | 127 | Pulsioxímetro | FC, SatO2 | ML | S: 82%; E 85%; A 82% |
A: accuracy; AROC: área bajo la curva ROC; DE: desviación estándar; DL: deep learning; E: especificidad; EPOC: enfermedad pulmonar obstructiva crónica; FC: frecuencia cardiaca; FEM: flujo espiratorio máximo; FR: frecuencia respiratoria; ML: machine learning; PCR: proteína C reactiva; RoT: rule of thumb; VEF1: volumen espiratorio forzado en el primer segundo; S: sensibilidad; SatO2: saturación de oxígeno; TA: tensión arterial.
La transición de la etapa de desarrollo de estos algoritmos a la de su implementación en la práctica clínica presenta diferentes barreras. La más obvia tiene que ver con su rendimiento diagnóstico y validación. Como se aprecia en la tabla 1, solo 4 algoritmos diagnósticos han conseguido una sensibilidad y especificidad mayores del 80% en muestras modestas. Por otro lado, solo 2 de estos algoritmos han validado su rendimiento diagnóstico en una muestra independiente a la que se utilizó para su desarrollo4,5. Además, destacamos la dificultad en la interpretabilidad de los modelos desarrollados en estos estudios ya que todos ellos están basados en técnicas de aprendizaje supervisado4–6,12. La complejidad y cierta incertidumbre sobre los procesos subyacentes en estas técnicas («black box») son una preocupación especial para su aceptación por parte de los profesionales sanitarios.
La demostración de la eficacia clínica de los algoritmos diagnósticos es otra barrera muy importante. Disponer de algoritmos con un rendimiento diagnóstico adecuado no garantiza que su implementación en la práctica clínica mejore los indicadores clínicos relevantes como el número de hospitalizaciones, las visitas a urgencias, la mortalidad o la calidad de vida. Recientemente, una revisión Cochrane13 de 29 ensayos clínicos aleatorizados de sistemas de monitorización de EPOC (la mayoría basados en el uso de algoritmos diagnósticos) no pudo demostrar su utilidad clínica en cuanto a dichos indicadores. Las conclusiones de esta revisión no fueron determinantes ya que la calidad de los estudios y el nivel de evidencia fueron considerados deficientes y de muy bajo a moderado nivel, respectivamente.
Otra barrera relevante, especialmente en la población anciana, es la usabilidad y aceptación de los sistemas de monitorización en los que suelen implementarse estos algoritmos diagnósticos. La introducción de estos sistemas en la vida cotidiana de los pacientes puede verse obstaculizada por factores funcionales, cognitivos y sociales que son comunes en este grupo de edad. Estos factores se relacionan con la movilidad, la colaboración en el uso de los sistemas y el acceso a la tecnología. Estos aspectos, junto con los desafíos tecnológicos inherentes a la implementación a largo plazo, explican la alta tasa de pérdidas en varios estudios, que en algunos casos supera el 50% de la muestra inicial14. Un estudio específico centrado en la usabilidad y aceptabilidad de un sistema de monitorización remota para pacientes con EPOC15 informó que solo el 60% de los pacientes que experimentaron una exacerbación encontraron el sistema aceptable, y el 9% no usó el dispositivo de monitorización remota (un cinturón alrededor del tórax) durante los días que se sintieron mal, días que probablemente representan el período más crítico para usar el dispositivo.
Como se puede apreciar, hay una necesidad de disponer de algoritmos diagnósticos de agudización de la EPOC válidos y efectivos que puedan implementarse en sistemas de monitorización continua usables y aceptables para los pacientes, especialmente los de mayor edad. Aunque se ha avanzado mucho, todavía nos encontramos algo lejos de conseguirlo. Para ello deben realizarse estudios con un tamaño muestral adecuado, una duración de seguimiento suficiente, y con variables resultado clínicamente relevantes. La consolidación de estas herramientas en la práctica clínica precisará la aceptación por parte de los profesionales clínicos que tienen que entender qué hacen los algoritmos y depositar su confianza en ellos. En definitiva, lograr un sistema de monitorización con algoritmos diagnósticos capaces de detectar las agudizaciones de forma precoz que fuese usable y confiable sería un avance fundamental en el tratamiento de una de las enfermedades crónicas que más afecta a la población anciana, y tendría un impacto muy positivo en su calidad de vida.
FinanciaciónEste manuscrito no ha recibido financiación de ninguna institución externa.
Contribuciones de los autoresTodos los autores del manuscrito han realizado una contribución sustancial a la concepción, diseño y redacción del mismo. Los autores han revisado y aprobado la versión final del manuscrito.
Conflictos de interésLos autores declaran no tener ningún conflicto de intereses con el presente manuscrito.
