Introducción

Se calcula que en 2014 la prevalencia mundial de la DM II mellitus fue 9% entre los adultos mayores de 18 años. En 2012 fallecieron 1,5 millones de personas como consecuencia directa de la DM II. Más del 80% de las muertes por esta enfermedad se registra en países de ingresos bajos y medios. Según proyecciones de la OMS, la DM II será la séptima causa de mortalidad en 2030 ¹.

Según el reporte de la Organización Mundial de la Salud (OMS) del 2012, 1 de cada 3 personas en el mundo padece de HTA. La HTA es la segunda causa de muerte a nivel mundial, y se reconoce internacionalmente como "muerte silenciosa" pues en la mayoría de los casos los pacientes tienden a ser asintomáticos ². Chile, al igual que la mayoría de los países del mundo, ha experimentado cambios negativos en los estilos de vida de su población, lo que ha contribuido a una mayor prevalencia de Factores de Riesgo Cardiovascular (FRCV) modificables, siendo las Enfermedades Cardiovasculares (ECV) la causa más frecuente de mortalidad (27%) ³.

La minería de datos es una de las áreas de investigación más vitales y motivadoras en el objetivo de encontrar información significativa a partir de grandes conjuntos de datos. En la actualidad, la minería de datos es cada vez más popular en el campo de la salud porque existe una necesidad de eficiencia metodológica y analítica para detectar información desconocida y valiosa en datos de salud ⁴. En el cuidado de la salud, la minería de datos se está volviendo no sólo cada vez más popular, sino que también cada vez más esencial. Estas herramientas pueden beneficiar enormemente a todas las partes involucradas en el cuidado de la salud. Por ejemplo, puede ayudar a las aseguradoras de salud a detectar fraudes y abusos, a que las organizaciones de la salud tomen mejores decisiones con sus usuarios, que los médicos identifiquen tratamientos efectivos y mejores prácticas, y que los pacientes reciban mejores y más accesibles servicios de salud. Las cantidades de datos generados por las transacciones de atención médica son enormes y demasiado para ser procesadas y analizadas por métodos tradicionales. La Minería de Datos proporciona la metodología y la tecnología para transformar estos cerros de datos en información útil para la toma de decisiones ⁵.

El empleo de modelos estadísticos predictivos en las ciencias de la salud ha crecido significativamente en los últimos años. Estos emergen como un vínculo importante entre la estadística y la práctica médica; son de gran ayuda en la toma de decisiones y permiten la creación de diversos sistemas y herramientas útiles para reducir las incertidumbres, garantizar mejores actuaciones y establecer eficaces medidas de control para la erradicación de las enfermedades ⁶. Un ejemplo de esto, son los árboles de decisión y el conjunto de reglas derivado de éstos, que permiten predecir el riesgo de desarrollar cardiopatía hipertensiva en individuos hipertensos, por lo que su introducción en la práctica clínica mejora la evaluación del paciente con HTA ⁷. Los árboles de clasificación o de decisión, se caracterizan por su sencillez. Su campo de acción abarca diversas áreas como el diagnóstico médico, juegos, predicciones meteorológicas y control de calidad. Son los modelos de aprendizaje inductivo supervisado, no paramétrico, más utilizado como forma de representación del conocimiento ⁸.

Este método forma grupos bien definidos y mutuamente excluyentes, cuyos miembros presentan características similares que ayudan a determinar la participación y el comportamiento relacionado con la salud. Ello sirve de base para intervenciones en salud pública al utilizar variables demográficas y clínicas para identificar grupos de mayor riesgo con respecto a un resultado específico ⁹.

El objetivo de este estudio fue desarrollar un modelo predictivo utilizando técnicas de minería de datos, específicamente, árboles de decisión, para pesquisar pacientes con propensión a desarrollar DM II Tipo II, HTA o DLP. Los resultados de este estudio permitirán pesquisar pacientes que tengan propensión de desarrollar algunas de estas tres patologías, con el objetivo de buscar la detección precoz de la enfermedad, y su tratamiento oportuno, por medio de una atención personalizada en APS.

Métodos

Se analizó el problema de los Factores de Riesgo Cardiovascular Mayores desde una perspectiva de procesos y se estudiaron las técnicas que permiten descubrir el conocimiento del fenómeno almacenado en las bases de datos de la Población en Control cardiovascular que presenta DM II, HTA o DLP en exámenes de medicina preventiva del adulto (EMPA). Se identificaron patrones contenidos en los datos para determinar las variables predictivas y seleccionar los algoritmos que se utilizaron en el desarrollo del modelo predictivo. Se desarrolló un prototipo funcional del modelo de árbol de decisión para, finalmente, evaluar la calidad de predicción del prototipo y corregir los posibles errores del modelo.

Metodología de Minería de Datos. Para el desarrollo del proyecto se utilizó la metodología CRISP-DM, que es de libre distribución y puede trabajar con cualquier herramienta para desarrollar cualquier proyecto. Esta metodología estructura el ciclo de vida de un proyecto de Minería de Datos en seis fases, que interactúan entre ellas de forma iterativa durante el desarrollo del proyecto ² (Figura 1). La primera fase pretende conocer los objetivos del negocio, valorar la situación actual y realizar un plan del proyecto; la segunda fase pretende conocer los datos iniciales de los que disponemos para la realización del proyecto; en la tercera fase se preparan los datos recogidos en la fase anterior, para que en la cuarta fase se aplique una técnica de modelado que se adapte a los objetivos del negocio y genere información nueva y relevante. En la quinta fase se analizan los resultados obtenidos valorando su calidad, para que, por último, se indiquen los planes de distribución del proyecto ¹⁰.

Figura 1: Fases de metodología CRISP-DM. 

Resultados

Como resultado de la integración de las bases de datos referidas sólo resultaron concordantes los siguientes campos predictores: edad, circunferencia de Cintura (CC) presión arterial sistólica, colesterol, talla, presión arterial diastólica, peso, sexo, y tabaquismo. Las demás variables no resultaron integrables entre ambas bases de datos o presentaban demasiados datos nulos, que hacían impráctica su imputación. Luego, estas variables fueron usadas como predictores en cuatro diferentes algoritmos de árboles de decisión (Tabla 1).

Tabla 1 Algoritmos de Árboles de Decisión, utilizados en la etapa de Modelado. 

Según lo observado en la tabla anterior, se selecciona el Algoritmo de C5 o Árbol de máxima ganancia de información, para utilizarlo en la etapa de evaluación, entregando esta etapa, según el modelo seleccionado, los predictores según su grado de importancia en la discriminación de un paciente con patología de uno que no la presenta (Figura 2).

Figura 2 Predictores (variables) utilizados por el algoritmo seleccionado para evaluación (C 5), según orden de importancia. 

Según la Figura 2, el algoritmo seleccionado, C5, destaca como variables determinantes de la presencia de menos una de las tres patologías, DM II, HTA o DLP a la variable edad, luego la circunferencia de cintura (CC) y, en menor medida, las presiones arteriales, colesterol, talla, peso y sexo. Quedaron fuera del modelo la variable tabaquismo, que posiblemente debido al método de medición cualitativa nominal, no aporta información suficiente. Al pasar el modelo árbol de decisión C5 a la etapa de evaluación y aplicarlo a la muestra de entrenamiento (formación) y posteriormente a la Muestra de Prueba (validación), se obtienen excelentes resultados en ambos grupos de datos, observándose una aproximación razonable, sin presencia de sobre aprendizaje en la muestra de entrenamiento, y estable en la muestra de validación. Esto se observa claramente en el gráfico de evaluación de ganancias (Figura 3), en donde la curva $C-CONTROL, correspondiente al comportamiento del modelo que predice la categoría SI se aproxima adecuadamente a la curva $BEST-CONTROL, que muestra el comportamiento del modelo ideal prediciendo la categoría SI de la variable objetivo (CONTROL).

Figura 3 Gráficos de ganancias, para muestra de entrenamiento (formación) y de validación (prueba). 

El algoritmo C5 alcanzó una precisión global de un 83,01% en la partición de prueba (validación). Posteriormente, en la misma partición el modelo logra discriminar un paciente con algunas de la patología en el 85,25% de los casos, y uno que no presenta alguna de las patologías en un 80,27% de las oportunidades (Tabla 2). Por tanto, es claro que el modelo predictivo es más certero para reconocer casos positivos (pacientes enfermos) que negativos (pacientes sanos).

Tabla 2 Tabla de Clasificación del Algoritmo C 5 o Árbol de máxima ganancia de información, sobre la partición de prueba (Validación). 

Discusión

Los resultados extraídos de este estudio indican que el Algoritmo C5, o Árbol de máxima ganancia de información, presenta un mayor poder predictivo, comparado con algoritmos como CHAID CRT y QUEST. Los modelos C5.0 dividen la muestra en función del campo que ofrece la máxima ganancia de información. Las distintas submuestras definidas por la primera división se vuelven a dividir, por lo general basándose en otro campo, y el proceso se repite hasta que resulta imposible volver a dividir las submuestras. Por último, se vuelven a examinar las divisiones del nivel inferior, y se eliminan, o podan, las que no contribuyen significativamente con el valor del modelo ¹⁵. Para la obtención del modelo predictivo mediante el algoritmo C5, se comprobó que las variables edad (79% de importancia predictiva) y circunferencia de cintura ⁹ (11% de importancia predictiva) fueron las de mayor discriminación para DM2, HTA o DLP, presentado en conjunto un 80% de valor predictivo. No obstante, también influyó la presión arterial sistólica (5%), colesterol (3%), talla (2%) y presión arterial diastólica, peso y sexo bajo el 1% de valor predictivo. Luego, al interpretar las reglas de negocios del árbol de decisión, se puede observar que el algoritmo realiza una primera estratificación por edad identificando dos rangos claramente definidos: pacientes de 53,86 o menos años y pacientes mayores a esta edad. El primer grupo presenta una probabilidad de 32% de presentar al menos una de las tres patologías. Por su parte, el segundo grupo presenta una probabilidad de 86,94% de presentar al menos una de estas patologías. Por tanto, claramente la variable edad resulta determinante en estratificar los pacientes respecto del riesgo de presentar o no presentar al menos unas de las patologías. Al analizar el árbol dentro del estrato definido como bajo riesgo, se observan perfiles importantes que describen las reglas que definen como un paciente en este estrato puede presentar igualmente, al menos, una de las patologías. Es así como un paciente menor de 41 años con una circunferencia de cintura (CC) mayor a 106,5 centímetros y una talla menor o igual 150 centímetros tendría, según el modelo predictivo, una probabilidad sobre 83% de presentar, al menos, unas de las tres patologías. Ahora, si la talla es mayor a 150 centímetros esta probabilidad se reduce a 32%, aproximadamente. Del patrón anterior es destacable cómo la circunferencia de cintura, así como la talla del paciente, indica un bajo riesgo de presentar al menos una de las patologías. Otro perfil interesante en este mismo segmento se da en pacientes de entre 46 y 53 años, con una circunferencia de cintura mayor a 105 centímetros, una presión arterial diastólica entre 69 mmHg y 70 mmHg, los cuales tienen una probabilidad de un 83,5% de presentar al menos una de las patologías. Finalmente, y en el segmento que agrupa la mayor cantidad de pacientes del estrato (20 % del total de la muestra de entrenamiento, 742 pacientes), se define como personas menores de 41 años y una circunferencia de cintura menor o igual a 106,5 centímetros presentan una probabilidad de solo 12,5% de padecer al menos una de las tres patologías. Por otra parte, al analizar el estrato de Alto Riesgo, los pacientes mayores a 65 años presentan una probabilidad de un 100% de presentar al menos una de las patologías. Otro perfil importante en este estrato son los pacientes que tienen una edad de entre 53 y 65 años y que además tienen una circunferencia de cintura mayor a 105 centímetros quienes tienen una probabilidad del 88,4% de presentar patología, mientras que los pacientes en el mismo tramo de edad, pero con una circunferencia de cintura menor a 105 centímetros, la probabilidad se reduce a 67,6%. Ahora, continuando en este mismo patrón se observa como aquellos pacientes que tienen una edad de entre 53 y 65 años, con una circunferencia de cintura menor a 105 centímetros, y un colesterol total menor a 199 mg/dL presentan una probabilidad de 79,8% de presentar las patologías; por el contrario, los que presentan un colesterol total mayor a 199 mg/dL disminuyen su probabilidad de presentar patología a un 56,7%. Este último fenómeno es muy interesante, ya que el colesterol total parece actuar como un factor protector, lo cual sin duda se podría a aclarar si se dispusiera de mediciones de tipos de colesterol específicos que en los exámenes EMPA no están disponibles.

Conclusión

La Minería de Datos y, en este caso, específicamente los modelos de árboles de decisión son una alternativa válida para la pesquisa temprana de DM2, HTA o DLP. Su aplicación permitirá extender los beneficios de las acciones de prevención de estas enfermedades y su diagnóstico temprano, sin aumentar considerablemente los costos y con la utilización de los datos capturados mediante el examen de Medicina Preventiva del Adulto (EMPA) o cualquier otra instancia de contacto con el paciente que permita obtener las variables utilizadas por el modelo predictivo.