Desarrollo de perfiles de pacientes afectados por síndrome de túnel carpiano y cefalea tensional mediante el uso de técnicas de aprendizaje automático

Abstract

[ES] El Síndrome de Túnel Carpiano (STC) es una de las neuropatías por compresión presentes en el miembro superior más frecuentes en la práctica clínica. La Cefalea Tensional (CT) es el trastorno de cefalea más común en la población. Estas patologías están asociadas a fuertes períodos de dolor, que limitan en gran medida la calidad de vida de los pacientes que las padecen. Se han propuesto diversas técnicas de aprendizaje automático no supervisado con el objetivo de encontrar diferentes perfiles de paciente presentes en los datos. Esto permite encontrar similitudes y diferencias entre los distintos grupos de pacientes, con el objetivo de encontrar patrones de comportamiento. Posteriormente, la comprensión de estos factores que diferencian cada grupo puede ayudar a los médicos a realizar tratamientos personalizados, optimizando los programas terapéuticos. En este estudio, se han empleado dos técnicas de agrupamiento, mapas autoorganizativos (SOM) y agrupamiento espectral, con el objetivo de comprender la relación entre características clínicas, psicológicas, sensitivas y motoras de los dos grupos de pacientes de estudio. Además, se obtuvieron diferentes clústeres de pacientes agrupados según dichas características clínicas, mostrando elementos comunes y diferentes entre los grupos. Las características recogidas de un total de 222 pacientes con STC incluyen duración de los síntomas, intensidad del dolor, función y gravedad de los síntomas, niveles depresivos, fuerza de agarre de pinzamiento de los diferentes dedos con el dedo pulgar, umbrales de dolor por presión (PPT) sobre diferentes zonas, umbrales de dolor por aplicación de calor y frío, además del lado de incidencia del STC y del grado obtenido mediante electromiografía. En cuanto a las características recogidas de un total de 208 pacientes de CT, incluyen tiempo de comienzo de los síntomas, dolor, duración y frecuencia mensual de las cefaleas, umbrales de dolor por presión en diferentes zonas, evaluaciones psicológicas mediante HDI, SF-36, HADS y STAI, umbrales de dolor obtenidos mediante un roller, además del sexo del paciente, y si recibe medicación preventiva y/o tratamiento sintomático. Los SOM han permitido visualizar la correlación entre las distintas variables de ambos conjuntos de datos, mostrando en el caso de STC fuertes asociaciones entre variables clínicas, psicológicas, sensitivas y motoras. En el análisis de CT mediante SOM, también se encontraron algunas relaciones también entre características clínicas, sensitivas y psicológicas. El empleo de agrupamiento espectral, junto con el SOM, ha permitido identificar subgrupos potenciales del conjunto de datos de pacientes completos. En concreto, se han detectado diferencias entre los grupos en cuanto a los valores de diferentes características, permitiendo agruparlos y distinguirlos, con el objetivo de servir como base para un posible tratamiento personalizado.

[CA] La Síndrome de Túnel Carpià (STC) és una de les neuropaties per compressió presents en el membre superior més freqüents en la pràctica clínica. La Cefalea Tensional (CT) és el trastorn de cefalea més comuna en la població. Estes patologies estan associades a forts períodes de dolor, que limiten en gran manera la qualitat de vida dels pacients que les patixen. S'han proposat diverses tècniques d'aprenentatge automàtic no supervisat amb l'objectiu de trobar diferents perfils de pacient presents en les dades. Açò permet trobar similituds i diferències entre els distints grups de pacients amb l'objectiu de trobar patrons de comportament. Posteriorment, la comprensió d'estos factors que diferencien cada grup pot ajudar els metges a realitzar tractaments personalitzats, optimitzant els programes terapèutics. En este estudi s'han empleat dos tècniques d'agrupament, mapes autoorganitzatius (SOM) i agrupament espectral amb l'objectiu de comprendre la relació entre característiques clíniques, psicològiques, sensitives i motores dels dos grups de pacient d'estudi. A més es van obtindre diferents clusters de pacients agrupats segons dites característiques clíniques, mostrant elements comuns i diferents entre els grups. Les característiques arreplegades d'un total de 222 pacients amb STC inclouen duració dels símptomes, intensitat del dolor, funció i gravetat dels símptomes, nivells depressius, força d'agafada de pinçament dels diferents dits amb el dit polze, llindars de dolor per pressió (PPT) sobre diferents zones, llindars de dolor per aplicació de calor i fred, a més del costat d'incidència del STC i grau obtingut per mitjà d'electromiografia. Quant a les característiques arreplegues d'un total de 208 pacients de CT inclouen temps de començament dels símptomes, dolor, duració i freqüència mensual de les cefalees, llindars de dolor per pressió en diferents zones, avaluacions psicològiques per mitjà de HDI, SF-36, HADS i STAI, llindars de dolor obtinguts per mitjà d'un roller, a més del sexe del pacient, i si rep medicació preventiva i/o tractament simptomàtic. Els SOM han permés visualitzar la correlació entre les distintes variables d'ambdós conjunts de dades, mostrant en el cas de STC fortes associacions entre variables clíniques, psicològiques, sensitives i motores. En l'anàlisi de CT per mitjà de SOM es van trobar algunes relacions també entre característiques clíniques, sensitives i psicològiques. L'ocupació d'agrupament espectral, junt amb el SOM ha permés identificar subgrups potencials del conjunt de dades de pacients complets. En concret s'han detectat diferències entre els grups quant als valors de diferents característiques permetent agrupar-los i distingir-los amb l'objectiu de servir com a base per a un possible tractament personalitzat.

[EN] Carpal Tunnel Syndrome (CTS) is one of the compression neuropathies in the upper limb most common in clinical practice. Tension Headache (TC) is the most common headache disorder in the population. These pathologies are associated with strong periods of pain, limiting the quality of life of patients who suffer from them. Some unsupervised machine learning techniques have been proposed with the aim of finding different patient profiles present in the data. This allows finding similarities and differences between the different groups of patients in order to find patterns of behavior. Subsequently, understanding the factors that differentiate each group can help doctors to carry out personalized treatments, optimizing therapeutic programs. In this study, two grouping techniques have been used, self-organizing maps (SOM) and spectral clustering. The aim is to understand the relationship between clinical, psychological, sensory, and motor characteristics of the two groups of study. In addition, different clusters of patients grouped according to said clinical characteristics were obtained, showing common and different elements between the groups. The characteristics collected from 222 patients with CTS include duration of symptoms, intensity of pain, function and severity of symptoms, depressive levels, grip strength of the different fingers with the thumb, pressure pain thresholds (PPT) on different areas, pain thresholds due to the application of heat and cold, the incidence side of CTS and grade obtained by electromyography. Regarding the characteristics collected from a total of 208 CT patients, they include time of onset of symptoms, pain, duration and monthly frequency of headaches, pressure pain thresholds (PPT) in different areas, psychological evaluations using HDI, SF-36, HADS and STAI, pain thresholds obtained using a roller, the sex of the patient, and if they receive preventive medication and/or symptomatic treatment. The SOMs have made it possible to visualize the correlation between the different variables of both data sets, showing in the case of CTS strong associations between clinical, psychological, sensory and motor variables. In the analysis of CT by SOM, some relationships were also found between clinical, sensory and psychological features. The use of spectral clustering in conjunction with SOM has allowed the identification of potential subgroups of the entire patient data set. Specifically, differences have been detected between the groups in terms of the values of different characteristics, allowing them to be clustered and distinguished in order to serve as a basis for a possible personalized treatment.