Diseño de un sistema personalizado de notificaciones para pacientes con riesgo cardiometabólico a partir del análisis de datos clínicos y estilo de vida

TRABAJO FINAL DE GRADO Grado en Ingeniería Biomédica DISEÑO DE UN SISTEMA PERSONALIZADO DE NOTIFICACIONES PARA PACIENTES CON RIESGO CARDIOMETABÓLICO A PARTIR DEL ANÁLISIS DE DATOS CLÍNICOS Y ESTILO DE VIDA Memoria y Anexos Autor: Ana Molina Soler Director: Beatriz F. Giraldo Giraldo Convocatoria: Octubre 2017 RESUMEN Las Enfermedades No Transmisibles (ENT) son la principal causa de mortalidad en nuestro país y en todo el mundo, y a fin de agrupar sus factores de riesgo surge la denominación de Síndrome Metabólico (SM). Las ENT, podrían reducirse y prevenirse eficazmente con una modificación en el estilo de vida moderno, lo que ha dado lugar, gracias al avance de las nuevas tecnologías, al surgimiento de herramientas para la monitorización del estilo de vida. Surge así PREDIRCAM; una Plataforma Inteligente para la Monitorización, Tratamiento y Prevención Personalizados de la Diabetes Mellitus, el Riesgo CardioMetabólico y la Insuficiencia Renal. Esta plataforma ha sido objeto de un estudio clínico, en el que pacientes con sobrepeso y obesos registran datos de su rutina diaria, así como, son asistidos telemáticamente mediante recomendaciones. De esta forma se dispone de una base de datos en la que se encuentran todos los registros de nutrición y ejercicio. En este contexto, este proyecto consiste en llevar a cabo un proceso de extracción de conocimiento de la base de datos, a fin de realizar varios modelos predictivos, y determinar las variables más significativas en el transcurso del tratamiento de pérdida de peso. Finalmente, a partir de estas, se han definido un conjunto de reglas que se incorporan en el diseño de un sistema personalizado de notificaciones y se adaptan a la evolución y al cumplimiento de la prescripción de dieta y ejercicio físico. Palabras clave: Síndrome metabólico, Predircam, minería de datos, sistema de recomendación. RESUM Les Malalties No Transmissibles (ENT), són la principal causa de mortalitat al nostre país i a tot el món, i a fi d'agrupar els seus factors de risc sorgeix la denominació de Síndrome Metabòlica (SM). Les ENT, podrien reduir-se i prevenir-se eficaçment amb una modificació en l'estil de vida modern, la qual cosa ha donat lloc, gràcies a l'avanç de les noves tecnologies, al sorgiment d'eines per al monitoratge de l'estil de vida. Sorgeix així PREDIRCAM; una Plataforma Intel·ligent per al Monitoratge, Tractament i Prevenció Personalitzats de la Diabetis Mellitus, el Risc CardioMetabólico i la Insuficiència Renal. Aquesta plataforma ha estat objecte d'un estudi clínic, en el qual pacients amb sobrepès i obesos registren dades de la seva rutina diària, així com són assistits telemàticament mitjançant recomanacions. D'aquesta forma es disposa d'una base de dades en la qual es troben tots els registres de nutrició i exercici. En aquest context, aquest projecte consisteix a dur a terme un procés d'extracció de coneixement de la base de dades, a fi de realitzar diversos models predictius, i determinar les variables més significatives en el transcurs del tractament de pèrdua de pes. Finalment, a partir d'aquestes, s'han definit un conjunt de regles que s'incorporen en el disseny d'un sistema personalitzat de notificacions i s'adapten a l'evolució i al compliment de la prescripció de dieta i exercici físic. Paraules clau: Síndrome metabòlica, Predircam, mineria de dades, sistema de recomanació. ABSTRACT Non transmitable Diseases (NTDs) are the main cause of mortality in our country and around the world, and in order to group their risk factors they are classified as a Metabolic Syndrome (MS). NTDs could be effectively reduced and prevented by a change in the modern lifestyle, which has given rise to the emergence of tools to monitor lifestyle, thanks to the advancement of new technologies. Thus arises PREDIRCAM; an Intelligent Platform for Personalized Monitoring, Treatment and Prevention of Diabetes Mellitus, CardioMetabolic Risk and Renal Insufficiency. This platform has been the subject of a clinical study, in which overweight and obese patients record data from their daily routine, as well as being assisted by telematics through recommendations. In this way a database became available in which all the records of nutrition and exercise are found. In this context, this project consists in carrying out a process of extracting knowledge from the database, in order to perform several predictive models, and to determine the most significant variables in the course of the treatment of weight loss. Finally, from these, a set of rules have been defined that are incorporated in the design of a personalized system of notifications; and are adapted to the evolution and the accomplisment of the diet prescription and physical exercise. Key words: Metabolic syndrome, Predircam, data mining, system of recommendation. AGRADECIMIENTOS Después de unos años intensos, este trabajo supone el fin de una importante etapa personal. Ha sido un período de aprendizaje constante, tanto en el campo científico como a nivel personal, y a pesar de que estoy segura que este camino es el principio de otros, no quisiera desaprovechar la oportunidad de mencionar a todos los que de alguna manera han sido partícipes de este proyecto: A mi padres y hermanas que han confiado en mí de principio a fin, me han ayudado, apoyado y han estado ahí siempre que lo he necesitado. A mis tíos y primos de Barcelona, que me han hecho sentir mejor que en casa, en una ciudad completamente nueva. A mi chico, por estar y por esas llamadas en situaciones claves. A Lexa Nescolarde, una excelente profesora y mejor persona, gracias a ella he consolidado conceptos complejos de manera sencilla, y ha sido un gran apoyo en momentos difíciles de mi etapa universitaria. También quiero agradecer toda la ayuda que me ha ofrecido el Grupo de Bioingeniería y Telemedicina (GBT) de la Universidad Politécnica de Madrid, en especial a José Iniesta y José Tapia, que me han acompañado y aconsejado a lo largo de todo el proyecto, y siempre que lo he necesitado han buscado un hueco para escucharme. Finalmente, a mi tutora Beatriz Giraldo que me ha ayudado y orientado en este trabajo. Sin ellos este proyecto no hubiese tenido ni principio ni fin, por eso, A todos vosotros, gracias. ÍNDICE 1. INTRODUCCIÓN Y OBJETIVOS ............................................................................. 1 1.1 Introducción ................................................................................................................1 1.2 Objetivos .....................................................................................................................3 2. ESTADO DEL ARTE .............................................................................................. 5 2.1. Las enfermedades no transmisibles ............................................................................5 2.2. Telemedicina .............................................................................................................12 2.3. PREDIRCAM ...............................................................................................................13 2.4. Proceso de extracción de conocimiento (KDD) .........................................................20 2.5. Minería de datos (Data mining) 21 .............................................................................24 2.6. Sistemas de recomendación .....................................................................................26 3. MATERIALES Y METODOLOGÍA ......................................................................... 29 3.1. Herramientas ............................................................................................................29 3.2. Metodología ..............................................................................................................30 4. MODELOS ......................................................................................................... 45 5.1. Modelos de nutrición ................................................................................................46 5.2. Modelos de ejercicio .................................................................................................68 5. RESULTADOS .................................................................................................... 71 5.1. Tablas resultantes .....................................................................................................71 5.2. Conjunto de reglas de decisión .................................................................................74 5.3. Sistema de recomendaciones personalizadas ...........................................................75 6. CONCLUSIONES ................................................................................................ 85 7. TRABAJOS FUTUROS ......................................................................................... 87 8. BIBLIOGRAFÍA .................................................................................................. 89 8.1. Referencias bibliográficas .........................................................................................89 8.2. Bibliografía de consulta .............................................................................................91 9. ANEXOS............................................................................................................ 93 9.1. IBM SPSS Modeler .....................................................................................................93 ÍNDICE DE FIGURAS FIGURA 2.1. SÍNDROME METABÓLICO SEGÚN IDF. ............................................................................................. 10 FIGURA 2.2. ESTUDIO DE PAFFENBARGER, SOBRE LA INFLUENCIA DE LA ACTIVIDAD FÍSICA EN LA LONGEVIDAD EN 1986 ...... 11 FIGURA 2.3. SERVICIOS QUE OFRECE LA TELEMEDICINA. ....................................................................................... 12 FIGURA 2.4. GRÁFICOS E INDICADORES DE NUTRICIÓN PREDIRCAM ........................................................................ 14 FIGURA 2.5. GRÁFICOS E INDICADORES DE EJERCICIO PREDIRCAM. ......................................................................... 16 FIGURA 2.6. GRÁFICO DE PESOS PREDIRCAM. .................................................................................................... 16 FIGURA 2.7. NOTIFICACIONES VÍA PREDIRCAM .................................................................................................. 19 FIGURA 2.8. LA PIRÁMIDE INFORMACIONAL. ..................................................................................................... 20 FIGURA 2.9. FASES DEL PROCESO DE EXTRACCIÓN DE CONOCIMIENTO. .................................................................... 21 FIGURA 2.10. SR BASADO EN FILTRADO COLABORATIVO ...................................................................................... 26 FIGURA 2.11. SR CON FILTRADO BASADO EN CONTENIDO. .................................................................................... 27 FIGURA 2.12. SR CON FILTRADO BASADO EN CONOCIMIENTO................................................................................ 27 FIGURA 2.13. SR CON MÉTODOS DE FILTRADO HÍBRIDO. ...................................................................................... 27 FIGURA 3.1. CRITERIOS DE INCLUSIÓN ............................................................................................................. 31 FIGURA 3.2. CRITERIOS DE EXCLUSIÓN. ............................................................................................................ 31 FIGURA 3.3. PROCEDIMIENTO Y VARIABLES DE ESTUDIO EN CADA UNA DE LAS VISITAS ................................................. 33 FIGURA 3.4. RELACIONES ENTRE LAS ENTIDADES DE LA BASE DE DATOS DE PREDIRCAM. ........................................... 34 FIGURA 3.5. PROCESO KDD CON LA METODOLOGÍA CRISP-DM. .......................................................................... 35 FIGURA 3.6. PROCESO DE MODELADO ............................................................................................................. 42 FIGURA 3.7. NUGGET DEL MODELO ................................................................................................................. 42 FIGURA 3.8. CONEXIÓN CON EL NODO ANÁLISIS Y EL NODO ANÁLISIS. ...................................................................... 43 FIGURA 3.9. CONFIGURACIÓN PARA PARTICIÓN DE LOS DATOS .............................................................................. 43 FIGURA 3.10. PROCESO DE MODELADO CON PARTICIÓN DE LOS DATOS .................................................................... 43 FIGURA 4.1. MODELO 1.1. IMPORTANCIA DEL PREDICTOR ................................................................................... 47 FIGURA 4.2. MODELO 1.1. CONJUNTO DE REGLAS ............................................................................................. 47 FIGURA 4.3. MODELO 1.1. REGLA 1. .............................................................................................................. 47 FIGURA 4.4. MODELO 1.1. REGLA 2. .............................................................................................................. 47 FIGURA 4.5. MODELO 1.1. REGLA 3. .............................................................................................................. 48 FIGURA 4.6. MODELO 1.1. CLASIFICACIÓN GRUPOS DE EDAD. ............................................................................... 48 FIGURA 4.7. MODELO 1.2. MEDIDA DE SILUETA DE COHESIÓN Y SEPARACIÓN. .......................................................... 49 FIGURA 4.8. MODELO 1.2. VISTA DE CONGLOMERADOS. ..................................................................................... 49 FIGURA 4.9. MODELO 1.2. CLÚSTER 1. ........................................................................................................... 50 FIGURA 4.10. MODELO 1.2. CLÚSTER 2. ........................................................................................................ 50 FIGURA 4.11. MODELO 1.3. GRÁFICO DE GRASAS SALUDABLES ENTRE SEMANA. ....................................................... 51 FIGURA 4.12. MODELO 1.3 GRÁFICO DE GRASAS SALUDABLES EN FIN DE SEMANA. .................................................... 51 FIGURA 4.13: MODELO 2.1. IMPORTANCIA DEL PREDICTOR ................................................................................. 52 FIGURA 4.14: MODELO 2.1. RED BAYESIANA .................................................................................................... 52 FIGURA 4.15. MODELO 2.2. ÁRBOL DE DECISIÓN CHAID. ................................................................................... 55 FIGURA 4.16. MODELO 3.1. LISTA DE DECISIONES. ............................................................................................ 56 FIGURA 4.17. MODELO 3.3. ÁRBOL DE DECISIÓN: CHAID. .................................................................................. 59 FIGURA 4.18. MODELO 3.4. GRÁFICO DE INGESTA DE PROTEÍNAS Y FRUTAS ENTRE SEMANA. ....................................... 60 FIGURA 4.19. MODELO 3.4. GRÁFICO DE INGESTA DE PROTEÍNAS Y FRUTAS EN FIN DE SEMANA .................................... 60 FIGURA 4.20. MODELO 4. LISTA DE DECISIONES PARA VALOR DEL OBJETIVO=0. ........................................................ 61 FIGURA 4.21. LISTA DE DECISIONES PARA VALOR DEL OBJETIVO=1. ........................................................................ 61 FIGURA 4.22. MODELO 4.2. ÁRBOL DE DECISIÓN CHAID. ................................................................................... 62 FIGURA 4.23. MODELO 5. LISTA DE DECISIONES ................................................................................................ 63 FIGURA 4.24. MODELO 5.1. GRÁFICO ALCOHOL ENTRE SEMANA. .......................................................................... 64 FIGURA 4.25. MODELO 5.1. GRÁFICO ALCOHOL EN FIN DE SEMANA ....................................................................... 64 FIGURA 4.26. MODELO 6.1. CONJUNTO DE REGLAS DEL ALGORITMO C.5. .............................................................. 66 FIGURA 4.27. MODELO 6.1. IMPORTANCIA DEL PREDICTOR. ................................................................................ 67 FIGURA 4.28. MODELO 6.1. ÁRBOL DE DECISIÓN. ............................................................................................. 67 FIGURA 4.29. KCAL QUEMADAS Y REGISTROS DE EJERCICIO A LO LARGO DE LAS VISITAS 5,6 Y 7. .................................... 68 FIGURA 4.30. KCAL QUEMADAS Y REGISTROS DE EJERCICIO A LO LARGO DE LAS VISITAS 5,6 Y 7. .................................... 69 INTRODUCCIÓN Y OBJETIVOS - 4 - ESTADO DEL ARTE - 5 - 2. ESTADO DEL ARTE En este apartado, se desarrolla el contexto del proyecto, definiendo los conceptos médicos fundamentales y exponiendo el importante papel de la tecnología en el ámbito médico, para el control y monitorización de pacientes. Asimismo, se presenta la plataforma PREDICRCAM, el proceso de extracción de conocimiento a partir de los datos y los diferentes sistemas de recomendación. 2.1. Las enfermedades no transmisibles Las enfermedades no transmisibles (ENT), también conocidas como enfermedades crónicas, son afecciones de larga duración y resultan de la combinación de factores genéticos, fisiológicos, ambientales y conductuales. Son la principal causa de mortalidad en nuestro país y en todo el mundo, afectando a todos los grupos de edad 1 . Los principales tipos de ENT son las enfermedades cardiovasculares (como los ataques cardiacos y los accidentes cerebrovasculares), el cáncer, las enfermedades respiratorias crónicas (como la enfermedad pulmonar obstructiva crónica y el asma) y la diabetes 1. Éstas se deben en gran medida a cuatro factores de riesgo comportamentales que se han afianzado de forma generalizada como parte de la transición económica, los rápidos procesos de urbanización y los modos de vida del siglo XXI: el consumo de tabaco, las dietas malsanas, la inactividad física y el uso nocivo del alcohol 2. Síndrome metabólico En el contexto de las enfermedades no transmisibles se inserta el síndrome metabólico (SM) 3, 4.Desde principios del siglo XX, la comunidad médica ha reconocido la existencia de una agrupación de factores de riesgo de origen metabólico que aumenta, en quienes la sufren, la probabilidad de padecer Diabetes Mellitus o enfermedad cardiovascular. Y, desde entonces, muchos han sido los intentos de dotar a este conjunto de factores de riesgo de una definición y diagnostico definitivos, pero ante la confusión existente, la Federacion Internacional de la Diabetes (IDF) 5 solicitó la creación de un grupo de expertos de las distintas regiones del mundo para establecer una nueva definición mundial del síndrome metabólico. Como resultado de este trabajo conjunto, se estableció la definición que, hoy por hoy, es internacionalmente aceptada. Esta definición se muestra a continuación 6 . “El síndrome metabólico es un conjunto complejo de factores de riesgo interrelacionados que conllevan a un aumento del riesgo de padecer una enfermedad cardiovascular o diabetes mellitus tipo 2. Los factores de riesgo incluyen: la hiperglucemia, la elevación de las concentraciones de triglicéridos, el aumento de la presión arterial (PA), la disminución de las concentraciones del colesterol unido a las lipoproteínas de alta densidad (cHDL), y la obesidad de distribución central”. ESTADO DEL ARTE - 6 - Antes de profundizar en la utilidad de esta definición, conviene clarificar de manera concisa los siguientes componentes: • Glucemia. Es el término utilizado para referirse a la medida de concentración de azúcar en el plasma sanguíneo mientras que la hiperglucemia es el término técnico utilizado para referirse a altos niveles de glucosa (azúcar)en sangre. El sistema endocrino regula la cantidad de azúcar que se almacena y utiliza la necesaria como energía, para el correcto funcionamiento de las células. • Hipertrigliceridemia (elevación de las concentraciones de triglicéridos). Se refiere al exceso de triglicéridos en sangre. Los triglicéridos son el principal tipo de lípido (grasa), y sirven cómo almacenamiento de energía en las células. • Hipertensión 7. Es una patología continua o sostenida que consiste en la elevación de los niveles de presión arterial. La presión arterial es la fuerza que ejerce la sangre contra las paredes de las arterias. • Disminución de lipoproteínas de alta densidad (cHDL), denominadas generalmente por las siglas en inglés HDL (high density lipoproteins), son un tipo de lipoproteínas que transportan el colesterol, los triglicéridos y otras grasas, desde las células de la pared vascular y otros órganos del cuerpo hasta el hígado, es por ello que se le conoce como el colesterol o lipoproteína buena. Las LDL realizan el transporte en sentido contrario, llevando estos lipidos a las regiones perifericas del cuerpo y su exceso produce la adhesion de los lipidos a las paredes arteriales. Por el contrario, el HDL ayuda a evitar estas acumulaciones. • Obesidad 8. Es una enfermedad crónica tratable que aparece cuando existe un exceso de tejido adiposo (grasa) en el cuerpo. La obesidad se clasifica en dos tipos: central o androide y periférica o imoide. La obesidad androide o central localiza la grasa en el tronco, el tejido adiposo se concentra en la mitad superior del cuerpo, sobre todo en la región abdominal. Es la que mayor riesgo presenta, por estar la grasa más cerca de órganos importantes, y se asocia directamente con un aumento del riesgo de desarrollar enfermedad cardiovascular y enfermedades como diabetes tipo 2, ateroesclerosis e hiperlipidemia. Esto es debido a que la grasa intraabdominal posee características metabólicas diferentes a las de otros tejidos adiposo. De manera práctica se puede determinar fácilmente el tipo de obesidad del individuo obteniendo el Índice Cintura-Caderas del mismo (en ingles, Waist-Hip Ratio o WHR) mediante la división del perímetro de cintura entre el de las caderas. Si este cociente es superior a 1 en el hombre y a 0,9 en el caso de la mujer, la obesidad se considera de tipo androide. De entre todos estos factores, la nueva definición de la IDF, ha tenido en cuenta la gran cantidad de datos que indican que la adiposidad central (abdominal) es común a todos los componentes del síndrome metabólico. Al ser el perímetro de la cintura un parámetro bien aceptado como sustituto de la adiposidad abdominal, se considera en la actualidad un requisito necesario para establecer el diagnóstico de síndrome metabólico. ESTADO DEL ARTE - 7 - Esta consideración tiene la ventaja de que la simple determinación del perímetro de la cintura representa una primera prueba de detección del síndrome y ésta se puede realizar de manera sencilla y con un coste bajo, en cualquier parte del mundo. El criterio para diagnosticar el Síndrome Metabólico, exige que, además del elevado valor de la adiposidad abdominal se den en el individuo 2 de los otros 4 factores citados en la definición, como se recoge en la siguiente Tabla 2.1: Tabla 2.1. Criterios para el diagnóstico del Síndrome Metabólico según criterios IDF 5 Factores Condición Elevación de los triglicéridos ≥ 150 mg/dL (1,7 mmol/l) o Recibe tratamiento farmacológico. Disminución del cHDL Hombres ≤ 40 mg/dL (0,9 mmol/l) Mujeres ≤ 50 mg/dL (1,1 mmol/l) o Recibe tratamiento farmacológico. Elevación de la presión arterial Sistólica ≥ 130 mmHg Diastólica ≥ 85 mmHg o Recibe tratamiento farmacológico de la hipertensión. Elevación de la glucemia en ayunas ≥ 100 mg/dL o Recibe tratamiento farmacológico de la hiperglucemia. Aunque los criterios anteriormente definidos, determinan de manera precisa el concepto teórico de Síndrome Metabólico, se ha dudado de su utilidad práctica como diagnóstico. Así, en el año 2010, la Organización Mundial de la Salud recomendó no contemplar como personas afectadas por el síndrome a los enfermos de diabetes o alguna enfermedad cardiovascular pues en ellos la identificación de los factores implicados ya no permite realizar una prevención primaria. De esta manera, la OMS prefiere definir el Sindrome Metabolico como un estado premorbido (para remarcar esta diferencia suele denominarse Sindrome Metabolico Premorbido o SMP) más que un diagnóstico clínico 9 , es decir, como un indicador que se utiliza para identificar un conjunto de factores de riesgo ante los cuáles es posible aplicar un tratamiento, con el objetivo de centrar el uso clínico del síndrome en la prevención primaria de la diabetes y la enfermedad cardiovascular. ESTADO DEL ARTE - 8 - El Darios fue el primer estudio en el que se actualizó la prevalencia del SM en España siguiendo la nueva definición acuñada por la OMS de este síndrome. Así, mediante esta nueva definición, llamada síndrome metabólico premórbido, la incidencia en España se sitúa en el 26 por ciento de los hombres y el 24 por ciento de las mujeres. Y es que este estudio junto con otros, han demostrado que este síndrome duplica en quien lo sufre el riesgo de padecer una enfermedad cardiovascular y multiplica por cinco la probabilidad de desarrollar diabetes. Este hecho adquiere especial relevancia cuando se analiza la ya elevada prevalencia global de estas enfermedades. Impacto global La mayoría de las enfermedades no transmisibles, derivan de los factores de riesgo del síndrome metabólico, y son la principal causa de muerte a nivel mundial, y afectan a todos los grupos de edad, siendo 15 millones de todas las muertes que se producen, atribuidas a las ENT, en personas entre los 30 y los 69 años de edad. En las últimas décadas, tanto las enfermedades relacionadas con el Síndrome Metabólico como las patologías constituyentes del mismo, han aumentado exponencialmente a nivel mundial. Esto es debido principalmente por la adopción generalizada de diferentes costumbres características del estilo de vida moderno. Así, la urbanización de la población se ha asociado a un cambio radical del estilo de vida caracterizado por una dieta basada en alimentos de alto contenido calórico, un descenso importante de la actividad física y el consumo de tabaco y alcohol 2,10 .Estas conductas han dado lugar a una serie de factores de riesgo que desencadenan en patologías graves, las llamadas enfermedades no transmisibles. La influencia de estas conductas de riesgo y de otras causas metabólicas y fisiológicas de la epidemia mundial de ENT abarca lo siguiente 2 . • El tabaquismo: alrededor de 6 millones de personas mueren a causa del tabaco cada año, tanto por el consumo directo como por el pasivo. Se estima que el tabaquismo causa aproximadamente el 71% de los casos de cáncer de pulmón, el 42% de las enfermedades respiratorias crónicas y alrededor del 10% de las enfermedades cardiovasculares. • El sedentarismo: aproximadamente 3,2 millones de personas mueren a causa del sedentarismo cada año. Al menos un 60% de la población mundial no realiza la actividad física necesaria para obtener beneficios para la salud, esto conlleva a que corren un mayor riesgo que las otras de morir por cualquier causa. • El uso nocivo del alcohol: aproximadamente 2,3 millones de personas mueren a causa del uso nocivo del alcohol cada año, lo que representa alrededor del 3,8% de todas las muertes que tienen lugar en el mundo. • La dieta no saludable: el consumo de fruta y verdura en cantidades suficientes reduce el riesgo de padecer enfermedades cardiovasculares, cáncer de estómago y cáncer colorrectal. La mayoría de las poblaciones consumen niveles de sal mucho más elevados que los recomendados por la OMS para prevenir enfermedades; un consumo elevado de sal es un factor determinante que aumenta el riesgo de padecer hipertensión y enfermedades cardiovasculares. ESTADO DEL ARTE - 9 - • La hipertensión: se estima que la hipertensión causa 7,5 millones de muertes, lo que representa alrededor del 12,8% del total. Es un factor de riesgo muy importante de las enfermedades cardiovasculares. • El sobrepeso y la obesidad: al menos 2,8 millones de personas mueren cada año por sobrepeso u obesidad. El riesgo de padecer cardiopatías, accidentes cerebrovasculares y diabetes crece paralelamente al aumento del índice de masa corporal (IMC). Un IMC elevado aumenta asimismo el riesgo de padecer ciertos tipos de cáncer. • El hipercolesterolemia: se estima que la hipercolesterolemia causa 2,6 millones de muertes cada ano; aumenta el riesgo de padecer cardiopatías y accidentes vasculares cerebrales. • Las infecciones relacionadas con el cáncer: al menos 2 millones de casos de cáncer anuales, el 18% de la carga mundial de cancer, pueden atribuirse a ciertas infecciones crónicas. Los principales agentes infecciosos son el virus del papiloma humano, el virus de la hepatitis B, el virus de la hepatitis C y Helicobacter pylori. Dichas infecciones pueden prevenirse en gran medida con vacunas y medidas para evitar la transmisión, o bien pueden tratarse. La situación en España es muy similar a la analizada a nivel mundial: las enfermedades cardiovasculares son la primera causa de muerte representando el 29,66% del total de fallecimientos, lo que las sitúa por encima del cáncer (27,86%) y de las enfermedades del sistema respiratorio (11,08%), [11,12 y en torno al 10% de la población sufre diabetes. Además, el 31% de la población adulta padece el Sindrome Metabólico, porcentaje que se reduce, pero al ceñirnos a la ultima propuesta de la OMS de definición para el Síndrome Metabolico Premorbido, es decir excluyendo a quienes ya sufren la diabetes y/o la enfermedad cardiovascular, disminuye el porcentaje de personas afectadas siendo la incidencia en España de un 26 % en hombres y un 24 % en mujeres. Con todos los datos expuestos, queda claro el gran impacto que tienen estas enfermedades en el mundo actual. Un impacto que ya tiene carácter de epidemia y que en un futuro será aún mayor, debido a diversos factores que hacen presagiar un empeoramiento de la situación en los próximos años. Es por todo ello, que muchos se refieren al Sindrome Metabolico y sus enfermedades asociadas, como la mayor amenaza para la salud mundial en las próximas décadas y se los identifique conjuntamente como “La Epidemia del Siglo XXI”. ESTADO DEL ARTE - 10 - Por lo tanto, el Sindrome Metabolico según la IDF, se puede concluir con la Figura 2.1. Figura 2.1. Síndrome metabólico según IDF. Elemento clave de prevención: la modificación del estilo de vida Las proporciones de epidemia que han alcanzado las ENT junto con la rápida expansión del Síndrome Metabólico, otorgan una negativa perspectiva de futuro. Pero a pesar de la gran incidencia mundial, en la mayor parte de los casos, las ENT podrían reducirse de manera significativa y prevenirse eficazmente con una modificación en la principal causa de su expansión: el estilo de vida moderno. Un cambio que se debe centrar, en la lucha contra el sedentarismo y los malos hábitos alimenticios 2 . Sedentarismo El sedentarismo constituye parte integral del síndrome metabólico (SM), y hace referencia a aquel individuo que invierte menos del 10% de su gasto energético diario. Morris y Paffenbarger, manifestaron una base cuantitativa del efecto protector del ejercicio y se centraron en el estudio de la actividad física del tiempo libre y la enfermedad coronaria, y realizaron diversos estudios e informes, que demostraron que la actividad física aporta múltiples beneficios para la salud, aumentando la longevidad (Figura 2.2), y ejerce un efecto protector contra la mortalidad temprana por enfermedad coronaria 13 . ESTADO DEL ARTE - 11 - Figura 2.2. Estudio de Paffenbarger, sobre la influencia de la actividad física en la longevidad en 1986 Así pues, las personas con poca actividad física corren un riesgo entre un 20% y un 30% mayor que las otras de morir por cualquier causa. Y diversos estudios prospectivos en poblaciones de alto riesgo han concluido que la actividad física regular esta asociada con un menor riesgo de DM2 14 . Por lo tanto, habiéndose probado, que el sedentarismo se asocia con ganancia de peso y aumento de grasa visceral, lo cual predispone al individuo a una adipocitopatia proinflamatoria con resistencia insulinica y aparición del fenotipo característico del Síndrome Metabólico, se puede afirmar que la actividad física es una herramienta clave y de gran eficacia para la prevención del SM. Malos hábitos alimenticios En la sociedad sedentaria no sólo se han reducido las oportunidades del gasto energético a través del ejercicio físico, sino que al mismo tiempo ha aumentado el consumo excesivo de calorías baratas, con el consiguiente problema creciente de la obesidad a nivel mundial 15 .Por tanto, desde el punto de vista médico, el concepto de sedentarismo debe extenderse a este doble significado, y enfocarse al desajuste calórico que hoy día afecta a gran parte de la humanidad. Asimismo, muchas investigaciones recientes, dejan evidente que la conducta alimenticia y los hábitos de vida en lo referente a los patrones de alimentación, tienen un impacto de máxima importancia en la prevención de las ENT y SM, y por tanto deben formar parte de cualquier tipo de herramienta o medida de prevención que pretenda actuar contra este tipo de problemas. ESTADO DEL ARTE - 12 - 2.2. Telemedicina En el desarrollo de las Tecnologías de la Información y las Comunicaciones (TIC), el conjunto de técnicas y dispositivos empleados para el tratamiento y la transmisión de datos, surge la Telemedicina como una forma de luchar contra las barreras geográficas incrementando la accesibilidad a los cuidados de salud, especialmente en zonas rurales y países en desarrollo. La Telemedicina significa medicina a distancia (diagnóstico, tratamiento, seguimiento…) mediante recursos tecnológicos que optimizan la atención, ahorrando tiempo y costes, y aumentando la accesibilidad. De forma más amplia y con matices la OMS 16 define la telemedicina como: “Aportar servicios de salud, dónde la distancia es un factor crítico, por cualquier profesional de la salud, usando las nuevas tecnologías de comunicación para el intercambio válido de información en el diagnóstico, el tratamiento y educación continuada de los proveedores de salud, todo con el interés de mejorar la salud de los individuos y sus comunidades”. Asimismo, analizando y centrándose en los objetivos del presente proyecto, la definición propuesta por INSALUD en el “Plan de Telemedicina del Insalud” 17 focaliza el término de telemedicina en el paciente, y lo define como “la utilización de las tecnologías de la información y de las comunicaciones como un medio de proveer servicios médicos, independientemente de la localización tanto de los que ofrecen el servicio, como de los pacientes que lo reciben, y la información necesaria para la actividad asistencial”. A partir de estas definiciones se puede establecer que el término Telemedicina incluye los tipos de servicios que se muestran en la Figura 2.3. Figura 2.3. Servicios que ofrece la Telemedicina. Por tanto, la Telemedicina tiene como propósito proveer servicios de salud destinados a mejorar la salud general o mantener el bienestar de la sociedad. Estos servicios engloban: prestación asistencial a los pacientes, facilidad en los procesos administrativos y proporción de información sanitaria. De este modo, los usuarios de un sistema de Telemedicina pueden ser tanto profesionales sanitarios (personal médico, de enfermería, administrativos…) como los pacientes y ciudadanos en general. ESTADO DEL ARTE - 13 - 2.3. PREDIRCAM Tal y como se ha detallado, es una prioridad urgente y global la eliminación del sedentarismo y la modificación de la conducta alimenticia, del mismo modo que el cambio del resto de hábitos perjudiciales, todo ello requiere que la persona lleve a cabo un cambio conductual amplio. Es decir, aunque se efectúe apoyo institucional y de la sociedad, debe ser el propio individuo el que, con gran fuerza de voluntad, vele constantemente por la modificación de sus costumbres. Pero, este tan necesario cambio de hábitos presenta una serie de debilidades: dificultad del registro de ingestas diarias y actividad física, ausencia de una figura profesional que ejerza un seguimiento y asesoramiento continuado, falta de motivación… Por tanto, se aprecia, que es necesario facilitar algún modo para el individuo que desee un cambio en su estilo de vida, que lo haga más activo y que junto a otras actuaciones complementarias, como el control de la alimentación, la renuncia al tabaco o la disminución del consumo de alcohol, se reduzca de manera significativa el riesgo de padecer el Sindrome Metabolico y sus enfermedades asociadas. Paralelamente, cómo se ha expuesto, el exponencial crecimiento y desarrollo de las TIC ejerce un papel importante y realmente decisivo. Y aplicadas al ámbito sanitario, dónde surge la Telemedicina, aportan enormes capacidades para monitorizar y controlar de manera efectiva a diferentes tipos de pacientes. Es en este contexto, en el que surge el proyecto PREDIRCAM18 una Plataforma Inteligente de Tecnologías Biomédicas para la monitorización, prevención y tratamiento personalizados de la diabetes mellitus, el riesgo cardiometabólico y la insuficiencia renal. Es una plataforma tecnológica, para pacientes y profesionales de la salud que tiene como propósito principal mejorar la eficacia en las modificaciones del comportamiento del estilo de vida a través del uso intensivo de las nuevas tecnologías de la información y la comunicación, con objetivo de prevenir las ENT derivadas de los factores de riesgo del SM y así, revertir la catastrófica tendencia actual. La plataforma tecnológica, asociada a PREDIRCAM trata de abordar de forma integral el manejo del sobrepeso y la obesidad. Para ello, facilita la monitorización y el registro de variables como el peso, la tensión arterial, la alimentación, el movimiento y la actividad física, fomentando la motivación y la adherencia a través de recomendaciones y un feedback, a través de mensajería web, continuado entre el usuario y el profesional. Al principio, se desarrolló una plataforma tecnológica que fue terminada y validada, por tanto, se planteó y ejecutó un estudio piloto, con sujetos ajenos al equipo de desarrollo, para comprobar el funcionamiento. El estudio piloto se llevó a cabo con éxito, de forma que el paso siguiente consistía en la realización de un estudio clínico en el que tomarían parte pacientes y profesionales médicos reales. Pero, no se pudo llevar a cabo dicho estudio clínico, motivo por el que el proyecto quedo aparcado y la plataforma desactualizada. Más tarde se reactivó un nuevo proyecto y desarrolló una nueva versión de la plataforma, PREDIRCAM 2, haciendo uso de las nuevas tecnologías y herramientas comentadas en puntos anteriores, con el objetivo de realizar un pequeño estudio piloto y el pretendido estudio clínico. ESTADO DEL ARTE - 20 - 2.4. Proceso de extracción de conocimiento (KDD) Las nuevas tecnologías generan inmensas cantidades de datos a un ritmo exponencial gracias al abaratamiento y gran desarrollo del almacenamiento. Este hecho, ha llevado a entrar en la era del Big Data o datos masivos que es definida con la presencia de gran volumen, velocidad, variedad, veracidad de los datos y valor intrínseco del conocimiento extraído. La finalidad del Big Data es convertir los datos almacenados en información útil. La información se obtiene al procesar los datos: ordenar, agrupar, analizar e interpretar. Y cuando esa información es utilizada o puesta en el contexto o marco de referencia de una persona junto con su percepción personal se transforma en conocimiento. El conocimiento es la combinación de información, contexto y experiencia y una vez resumido, validado y orientado hacia un objetivo genera inteligencia (sabiduría), la cual pretende ser una representación de la realidad 20 . Figura 2.8. La Pirámide Informacional. Y tal y cómo se observa en la Figura 2.8, la Pirámide Informacional representa los 4 conceptos de forma jerárquica en función de las variables calidad vs cantidad. Por tanto, los datos son muchos y poseen poca calidad, la información tiene un volumen menor pero su calidad aumenta. Así mismo sucede con los conocimientos, más calidad y todavía menos volumen. Y, por último, la inteligencia se caracteriza por tener poco volumen, pero una alta calidad informativa, la mayor. KDD: Proceso de extracción de conocimiento. Con la finalidad de extraer inteligencia a partir de los datos, se ha de llevar a cabo un proceso de extracción de conocimiento (KDD) 21 el cuál, se define como el proceso no trivial de identificar patrones válidos, novedosos, potencialmente útiles y, en última instancia, comprensibles a partir de los datos. En esta definición se resumen cuáles deben ser las propiedades deseables del conocimiento extraído: • Válido. Hace referencia a que los patrones deben seguir siendo precisos para datos nuevos (con cierto grado de certidumbre), y no sólo para aquellos que han sido usados en su obtención. ESTADO DEL ARTE - 21 - • Novedoso. Que aporte algo desconocido tanto para el sistema y preferiblemente para el usuario. • Potencialmente útil. La información debe conducir a acciones que reporten algún tipo de beneficio para el usuario • Comprensible. La extracción de patrones no compresibles dificulta o imposibilita su interpretación, revisión, validación y uso en la toma de decisiones. De hecho, una información incomprensible no proporciona conocimiento. Como se deduce de la anterior definición, el KDD es un proceso complejo que se organiza entorno a 5 fases 20 cómo se muestra en la Figura 2.9. Figura 2.9. Fases del proceso de extracción de conocimiento. Tal y cómo se observa en la Figura 2.9, el KDD es un proceso iterativo e interactivo. Es iterativo ya que la salida de alguna de las fases puede volver a pasos anteriores y porque a menudo son necesarias varias iteraciones para extraer el conocimiento de alta calidad. Es interactivo porque el usuario, o concretamente un experto en el dominio del problema, debe ayudar en la preparación de los datos, validación del conocimiento extraído, …. ESTADO DEL ARTE - 22 - Las fases de este proceso son: 1. Integración y recopilación Se comienza con la comprensión de un problema práctico de inteligencia de datos que surge de la actividad cotidiana, así pues, una vez identificado el problema, se acuden a los datos óptimos. 2. Preparación de datos Una vez recopilados los datos de análisis se procede a la preparación de esto, que consiste en: Fase de integración y recopilación de datos. En esta fase se determinan las fuentes de información que pueden ser útiles y dónde conseguirlas. A continuación, con propósito de integrar los datos procedentes de diferentes fuentes, se transforman todos los datos a un formato común, frecuentemente mediante un almacén de datos que consiga unificar de manera operativa toda la información recogida detectando y resolviendo las inconsistencias. Este almacén de datos (data warehousing), es un repositorio de información coleccionada desde varias fuentes, almacenada bajo un esquema unificado que normalmente reside en un único emplazamiento, y facilitan enormemente la “navegación” y visualización previa de los datos, para distinguir qué aspectos puede interesar que sean estudiados. A pesar de que, un almacén de datos es muy aconsejable, no es imprescindible. En algunos casos, en especial cuando el volumen no es muy grande, se puede trabajar con los datos originales o en formatos heterogéneos. Fase de selección limpieza y transformación La calidad del conocimiento descubierto no sólo depende del algoritmo de minería utilizado, sino también de la calidad de los datos minados. Por tanto, debido a que los datos provienen de diferentes fuentes y pueden contener valores erróneos o faltantes, es imprescindible una etapa de selección, limpieza y transformación. En esta etapa se eliminan o corrigen los datos incorrectos (outliers) y se decide la estrategia a seguir con los datos incompletos (missing values). Además, se proyectan los datos para considerar únicamente aquellos atributos o variables que van a ser relevantes, con el propósito de hacer más fácil la tarea propia de minería y para que los resultados de la misma sean más útiles. Otra tarea de esta fase de preparación de datos, es la construcción de atributos, la cual consiste en construir automáticamente nuevos atributos aplicando alguna operación o función a los atributos originales con objeto de que estos nuevos atributos hagan más fácil el proceso de minería. ESTADO DEL ARTE - 23 - Por último, la fase de selección también incluye la modificación del tipo de datos para facilitar el uso de técnicas que requieren tipos de datos específicos y la discretización de los atributos continuos, es decir, transformar valores numéricos en atributos discretos o nominales. 3. Fase de minería de datos (Data mining) La fase de minería de datos tiene como objetivo analizar los datos para extraer conocimiento. Es la fase de modelamiento, en donde métodos inteligentes son aplicados sobre los datos, con el objetivo de extraer patrones previamente desconocidos, válidos, nuevos, potencialmente útiles y comprensibles y que están contenidos u “ocultos” en los datos. Las herramientas específicas de minería de datos más utilizadas en la actualidad son: • IBM SPSS Modeler • SPSS Clementine • SAS Enterprise Miner • SQL Analysis Services • Oracle Data Mining 4. Fase de evaluación e interpretación En esta fase se evalúan los patrones obtenidos de la fase anterior y se analizan por los expertos, y en caso necesario se vuelve a fases anteriores para una nueva iteración, incluyendo resolver conflictos con el conocimiento que se disponía anteriormente. Idealmente los patrones descubiertos deben de tener 3 cualidades: ser precisos, ser comprensibles (es decir, inteligentes) e interesantes (útiles y novedosos), pero según las aplicaciones puede interesar mejorar algún criterio y sacrificar ligeramente otro. Como, por ejemplo, en el diagnóstico médico se prefiere patrones comprensibles, aunque su precisión no sea muy buena. 5. Fase de difusión, uso y monitorización Una vez construido y validado el modelo puede usarse con dos finalidades: para que un analista recomiende acciones basándose en el modelo y en sus resultados, o bien para aplicar el modelo a diferentes conjuntos de datos. En ambos casos es necesario su difusión, es decir, que se distribuya y comunique a todos los posibles usuarios. Y aunque el modelo funcione bien debemos continuamente comprobar las prestaciones del mismo, debido a que los patrones pueden cambiar. Por tanto, el modelo deberá ser monitorizado, lo que significa que de tiempo en tiempo el modelo tendrá que ser reevaluado, re-entrenado y posiblemente reconstruido completamente. ESTADO DEL ARTE - 24 - 2.5. Minería de datos (Data mining) 21 La fase de minería de datos es la fase característica del proceso del KDD y, por esta razón, muchas veces se utiliza esta fase para nombrar todo el proceso. El objetivo de esta fase es producir nuevo conocimiento que pueda utilizarse. Esto se realiza construyendo un modelo basado en los datos recopilados para este efecto. El modelo, es una descripción de los patrones y relaciones entre los datos que pueden usarse para hacer predicciones, para entender mejor los datos o para explicar situaciones pasadas. Tipos de modelos Los modelos pueden ser de dos tipos: • Los modelos predictivos, pretenden estimar valores futuros o desconocidos de variables de interés, que se denominan variables objetivo o dependientes, usando otras variables o campos de la base datos, que se denominan variables predictivas o independientes. • Los modelos descriptivos, identifican patrones que explican o resumen los datos, es decir, sirven para explorar las propiedades de los datos examinados, no para predecir nuevos datos. Tareas de la minería de datos Dentro de la minería de datos se ha de diferenciar tipos de tareas, cada una de las cuales puede considerarse como un tipo de problema a ser resuelto por un algoritmo de minería de datos. Esto significa que cada tarea tiene sus propios requisitos, y que el tipo de información obtenida con una tarea puede distinguirse mucho de la obtenida con otra. Las distintas tareas pueden ser: Predictivas Clasificación El objetivo del algoritmo es maximizar la razón de precisión de la clasificación de las nuevas instancias, la cual se calcula como cociente entre las predicciones correctas y el número total de predicciones (correctas e incorrectas). Regresión Consiste en aprender una función real que asigna a cada registro un valor real. El objetivo es minimizar el error (generalmente el error cuadrático medio) entre el valor predicho y el valor real. Descriptivas Agrupamiento (clustering) Consiste en obtener grupos “naturales” a partir de los datos. Los datos son agrupados basándose en el principio de maximizar la similitud entre los elementos de un grupo minimizando la similitud entre los distintos grupos. ESTADO DEL ARTE - 25 - Es decir, se forman grupos tales que los objetos de un mismo grupo son muy similares entre sí y, al mismo tiempo, son muy diferentes a los objetos de otro grupo. Al agrupamiento también se le suele segmentación, ya que parte o segmenta los datos en grupos que pueden ser o no disjuntos. Correlaciones Se usan para examinar el grado de similitud de los valores de dos variables numéricas. Una fórmula estándar para medir la correlación es el coeficiente de correlación r, el cual es un valor comprendido entre -1 y 1. Si r es 1 (respectivamente -1), las variables están perfectamente correlacionadas (perfectamente correlacionadas negativamente), mientras si es 0 no hay correlación. Es decir, que cuando r es positivo, las variables tienen un comportamiento similar (ambas crecen o decrecen al mismo tiempo), y cuando r es negativo, tienen un comportamiento opuesto (si una variable crece la otra decrece). Reglas de asociación Es una tarea muy similar a las correlaciones, y su objetivo se basa en identificar relaciones no explícitas entre atributos categóricos. La formulación más común es del estilo “si el atributo X toma el valor d entonces el atributo Y toma el valor b”. Las reglas de asociación no implican una relación causa-efecto, es decir, puede no existir una causa para que los datos estén asociados. Reglas de asociación secuenciales Es un caso especial de reglas de asociación, y se utiliza para determinar patrones secuenciales (ordenados) en los datos. Estos patrones se basan en secuencias temporales de acciones y se distinguen de las reglas de asociación en que las relaciones entre los datos se basan en el tiempo. Técnicas de minería de datos La minería de datos es un campo interdisciplinar, dónde existen diferentes modelos detrás de las técnicas utilizadas para esta fase: técnicas de inferencia estadística, árboles de decisión, redes neuronales, inducción de reglas, aprendizaje basado en instancias, algoritmos genéticos, aprendizaje bayesiano, programación logística inductiva y varios tipos de métodos basados en núcleos, entre otros. Cada uno de estos modelos incluye diferentes algoritmos y variaciones de los mismos, así como otro tipo de restricciones que hacen que la efectividad del algoritmo dependa del dominio de aplicación, no extiendo lo que podríamos llamar el método universal aplicable a todo tipo de aplicación. ESTADO DEL ARTE - 26 - Construcción del modelo Es en la construcción del modelo dónde se observa mejor el carácter iterativo del proceso de KDD, ya que será necesario explorar modelos alternativos hasta encontrar aquel que resulte más útil para resolver nuestro problema. Así, una vez obtenido un modelo y a partir de los resultados adquiridos para el mismo, se podría querer construir otro modelo usando la misma técnica, pero con otros parámetros, o quizás usar otras técnicas o herramientas. Por tanto, en la búsqueda del “perfecto modelo” se ha de retroceder a fases anteriores y realizar cambios o incluso modificar el objetivo del problema. 2.6. Sistemas de recomendación Los sistemas recomendadores (SR) son algoritmos, modelos o técnicas utilizados para proporcionar a los usuarios finales sugerencias sobre contenidos, productos o servicios (tales como libros, películas, música, viajes, etc.). Los sistemas de recomendación estudian las características de cada usuario y mediante un procesamiento de los datos, a fin de encontrar un subconjunto de elementos que pueden resultar de interés para el usuario. Estas recomendaciones son personalizadas, diferentes usuarios o grupos reciben diferentes sugerencias. Técnicas de SR 22 Los sistemas de recomendación se pueden clasificar, dependiendo del tipo de información que utilizan para realizar sus recomendaciones, y los principales son: SR basado en filtrado colaborativo (Figura 2.10) El sistema recopila las calificaciones de los miembros en una comunidad y usa esa información para recomendar artículos a otros usuarios, "correlación entre personas". La idea subyacente es que diferentes personas tienen diferentes gustos y clasifican las cosas de manera diferente según esos gustos. Si dos usuarios valoran un conjunto de elementos de forma similar podemos deducir que tienen ideas similares, considerando que son vecinos. Este sistema, es la técnica más implementada en los sistemas de recomendaciones. Figura 2.10. SR basado en filtrado colaborativo ESTADO DEL ARTE - 27 - SR con filtrado basado en contenido (Figura 2.11) Las recomendaciones se generan a partir de dos fuentes: las características del producto /servicio y las calificaciones generadas por los usuarios. Por tanto, realizan las recomendaciones equiparando las preferencias del usuario (expresadas por éste de forma implícita o explícita) con las características utilizadas en la representacion de los items, ignorando la información relativa de otros usuarios. En otras palabras, se le recomendara al usuario un item (servicio, producto o indicación) similar al que el mismo usuario haya elegido anteriormente. Figura 2.11. SR con filtrado basado en contenido. SR con filtrado basado en conocimiento (Figura 2.12) Estos sistemas sugieren productos basados en inferencias de conocimiento de dominio sobre las preferencias de los usuarios. Una función de similitud calcula en que cantidad, las necesidades del usuario coinciden con las recomendaciones. Los sistemas basados en conocimiento, tienden a funcionar mejor al principio de la vida de los sistemas, pero necesitan ser provistos de técnicas de aprendizaje para asegurar su eficiencia. Figura 2.12. SR con filtrado basado en conocimiento. SR con métodos de filtrado híbrido (Figura 2.13) Los sistemas híbridos se construyen combinando múltiples técnicas de recomendación para realizar recomendaciones e incluso se combinan con alguna otra técnica de inteligencia artificial como puede ser la lógica borrosa o la computación evolutiva. Figura 2.13. SR con métodos de filtrado híbrido. ESTADO DEL ARTE - 28 - MATERIALES Y METODOLOGÍA - 29 - 3. MATERIALES Y METODOLOGÍA Una vez estructurado e introducido el presente proyecto, así como justificada su realización y los objetivos que se pretenden conseguir, a continuación, se detallan las herramientas que se han utilizado para su adquisición, así como la metodología empleada en su elaboración. 3.1. Herramientas MySQL MySQL, es la base de datos de código abierto de mayor aceptación mundial que ofrece una oferta económica de aplicaciones de bases de datos fiables, de alto rendimiento y fácilmente ampliables basadas en la web. Técnicamente, se dice que MySQL, es un sistema de administración de bases de datos relacionales de código abierto, el cual se basa en el lenguaje de consulta estructurado SQL. Se ha utilizado esta herramienta, debido a que Predircam se encuentra en esta base de datos. Algunas de sus características más importantes son: • Es de código abierto. • Es de tipo relacional, lo que implica que maneja de manera eficiente y segura los datos de las distintas tablas que se están relacionadas entre sí. Utiliza código SQL. • Es capaz de gestionar los datos de manera eficiente, sencilla y cómoda.o Permite recurrir a bases de datos multiusuario a través de la web y en diferentes lenguajes de programación que se adaptan a diferentes necesidades y requerimientos. • Es conocida por desarrollar alta velocidad en la búsqueda de datos e información. • Gestor de base de datos más utilizado por informáticos, desarrolladores y diseñadores web. IBM SPSS Modeler ANEXOS IBM SPSS Modeler es una plataforma de analisis predictiva disenada para aportar inteligencia predictiva a decisiones llevadas a cabo por personas, grupos, sistemas y la empresa. Proporciona un rango de algoritmos y tecnicas avanzados, incluidos el analisis de texto, el analisis de entidad, la gestion y optimizacion de decisiones, para ayudar a seleccionar las acciones que dan como resultado un mejor resultado. Disponible en varias ediciones, incluida una version basada en la nube, SPSS Modeler puede escalar desde despliegues de escritorio a la integracion dentro de los sistemas operativos. SPSS Modeler esta disenado para: • Mejorar las decisiones y los resultados. • Ayudar a extraer el valor de los datos. • Integrarse de forma mas sencilla en los sistemas existentes. MATERIALES Y METODOLOGÍA - 36 - 2. Comprensión de los datos Para esta investigación, de entre los 183 pacientes que han participado en el estudio, el subconjunto seleccionado está formado por aquellos sujetos que son tecnológicos y han completado un seguimiento de 6 meses. Por lo tanto, los sujetos analizados son 43, siendo el 88.37 % mujeres y 11.62 % hombres. Así como, el 53.48 % de los pacientes no ha logrado el éxito mientras que el 46.52% sí lo ha conseguido. Y con la finalidad de evaluar las variables de nutrición y ejercicio, se seleccionan las siguientes tablas: - La tabla de nutrición (Tabla 3.1) abarca dos tipos de registros: las ingestas durante la semana y las realizadas durante el fin de semana, así como varios campos: Tabla 3.1. Tabla de nutrición. Tabla Registros Campos Nutrición Registros de nutrición que abarcan desde la visita 4 a la visita 10, siendo cada registro un día de ingesta completo, de un paciente determinado. Existiendo numerosos registros correspondientes a un mismo usuario. ✓ Personales: edad, sexo, hábitos alimenticios, antecedentes. ✓ Purpose_Objetive_yes_no: valores de 1 y 0. ✓ Kcal prescriptas y Kcal consumidas ✓ Grupos principales: cereales, legumbres y tubérculos. Carnes, embutidos, pescados, mariscos y huevo. Verduras y hortalizas. ✓ Macronutrientes: carbohidratos, proteínas y total de grasas (buenas y malas). ✓ Bebidas: saludables, no saludables y alcoholes ✓ Lácteos ✓ Frutas ✓ Aceites y frutos secos ✓ Alimentos no saludables MATERIALES Y METODOLOGÍA - 37 - - La tabla de ejercicio (Tabla 3.2), que abarca dos tipos de registros: los insertados por los usuarios manualmente a través de la plataforma y los insertados mediante el uso de un reloj, el Polar RS400, y de una banda de detección del pulso cardíaco que se conecta con este mediante un Bluetooh, así como varios campos: Tabla 3.2. Tabla de ejercicio. Tabla Registros Campos Ejercicio Registros de ejercicio que abarcan desde la visita 4 a la visita 10, siendo cada registro una actividad física realizada, de un paciente determinado. Habiendo numerosos registros correspondientes a un mismo usuario. ✓ Personales: edad, sexo, hábitos alimenticios, antecedentes. ✓ Purpose_Objetive_yes_no: valores de 0 y 1. ✓ Tipo de fuente de adquisición: a partir de Reloj Polar (valor = 1) o manualmente realizada por el usuario (valor = 0). ✓ Kcal prescriptas y quemadas. ✓ Duración prescripta de actividad y realizada en minutos. ✓ Frecuencia cardíaca: máxima, media y mínima. Por último, para una comprensión integra de las tablas expuestas, cabe comentar que en ellas los datos de nutrición y ejercicio, van asociados a una determinada visita, por tanto, los valores pertenecen al periodo que abarca desde la visita a la que corresponde hasta la siguiente. Es decir, por ejemplo, todos los registros realizados en el periodo comprendido entre la visita 6 y 7, corresponden a la visita 6. 3. Preparación de los datos Una vez determinadas las tablas utilizadas para el análisis, se ha llevado a cabo una preparación de los datos que consiste en la recopilación, limpieza, selección y transformación de estos mediante los nodos de la herramienta de IBM SPSS Modeler, destinados a estas tareas. Primeramente, debido a que los registros correspondientes a la visita 4 son aquellos que pertenecen al periodo de la 4 a la 5, es decir, la primera semana de tratamiento, en la cual los usuarios prueban la plataforma, estos registros no se incluyen en dicho análisis. Posteriormente se preparan, de forma específica, cada una de las tablas: Nutrición A partir de la tabla de nutrición, en la que se encuentran todos los registros correspondientes a todas las visitas, los pasos principales que se han llevado a cabo son los siguientes: MATERIALES Y METODOLOGÍA - 38 - 1. Se seleccionan de la tabla, los registros pertenecientes a cada visita de interés, y se obtiene así, una tabla independiente de cada visita. En este caso se obtienen 3 tablas de nutrición correspondientes a las visitas 5,6 y 7. 2. En cada una de las tablas obtenidas, se inserta un campo nuevo, que indica si el registro pertenece a un día entre semana, es decir, de lunes a viernes; o un día en fin de semana. Se crea así el campo denominado Registro fin de semana, el cual tiene 2 valores: T (true) si se ha realizado en fin de semana, y F (false), no se ha realizado en fin de semana. 3. Se agrupan los registros mediante un método de agrupación por campos claves, los cuáles son el campo UserID, que se refiere al identificador del paciente y el campo de Registro fin de semana que indica si el registro pertenece al fin de semana o no. Por tanto, todos los valores con el mismo ID y mismo valor de registro de fin de semana se agrupan, calculando el valor medio, para los demás campos, entre los valores de los registros que se agrupan. Así cómo, se genera un campo denominado Cantidad de registros, que indica la cantidad de registros que se han agrupado, para la obtención de esos valores medios. En consecuencia, para cada una de las visitas, de nutrición, se obtiene una tabla independiente como la Tabla 3.3, en la que se observa que para cada visita y usuario quedan 2 filas, una con la media de todos los valores de entre semana y otra con los valores medios de todos los registros realizados en fin de semana. Tabla 3.3. Tabla de nutrición tras proceso de selección. A continuación, a partir de esta tabla, a fin de determinar los hábitos característicos de fin de semana se realizan 3 análisis independientes: uno para la visita 5, otro para la 6 y otro para la 7. Y en cada uno de estos análisis, se ejecutan 3 tipos de estudios: 1. Estudio entre semana, consiste en analizar los registros realizados entre semana, es decir, de lunes a viernes. A este efecto, se genera una tabla seleccionando del campo llamado registro fin de semana, aquellos registros con valor F. 2. Estudio de fin de semana, consiste en analizar los registros en fin de semana, es decir, sábado y domingo. Para esto, se genera una tabla seleccionando del campo llamado registro fin de semana, aquellos registros con valor T. MATERIALES Y METODOLOGÍA - 39 - 3. Estudio semanal de todos los registros juntos, es decir, todos los registros tomados de lunes a domingo. Para esto, se genera una agrupación por campo clave, en este caso el ID de usuario, es decir, se agrupan todos los registros con el mismo ID, y se calcula la media entre los valores de los demás campos. Ejercicio A partir de la tabla de ejercicio físico, en la que se encuentran todos los registros correspondientes a todas las visitas, los pasos principales que se han llevado a cabo son los siguientes: 1. Se seleccionan de la tabla los registros pertenecientes a cada visita de interés, y se obtiene así, una tabla de cada visita. En este caso se obtienen 3 tablas de ejercicio correspondientes a las visitas 5,6 y 7. 2. En cada una de las tablas, se agrupan los registros mediante un método de agrupación por campos claves, los cuáles son el campo UserID, que se refiere al identificador del paciente y el campo Source Type que indica si el registro es realizado manualmente por el usuario (valor 0) o proviene del Reloj Polar RS400 (valor 1). Por tanto, todos los valores con el mismo ID y mismo valor de tipo de fuente se agrupan, y con los demás campos, se calcula el valor medio, entre los valores de estos registros. Pero, sin embargo, para los campos de kcal quemadas y duración en minutos, se realiza la suma de todos los valores de los registros agrupados. Así cómo, se genera un campo denominado Cantidad de registros, que indica la cantidad de registros que se han agrupado, para la obtención de esos valores medios. En consecuencia, para cada una de las visitas, de ejercicio, se obtiene una tabla independiente como la Tabla 3.4, en la que se observa que para cada visita y usuario quedan 2 filas, una correspondiente a los registros de actividad manual y otra con los valores de los registros obtenidos con el reloj. Tabla 3.4. Tabla de ejercicio con datos seleccionados MATERIALES Y METODOLOGÍA - 40 - Seguidamente, a partir de las tablas obtenidas, se observa, que los valores de los campos de kcal, duración y cantidad de registros, representan la suma total de todos los valores de los registros realizados según el tipo de fuente de obtención. Pero, debido a que las prescripciones de kcal, duración y registros se elaboran semanalmente, interesa obtener estos valores en el mismo formato. Para ello, se dividen los valores de estos campos, entre el periodo en semanas, es decir, la cantidad de semanas a las que corresponden. Por tanto: 1. La tabla correspondiente a la visita 5 se dividen los valores entre 2, ya que corresponden al periodo de la visita 5 a la 6 que abarca 2 semanas. Así pues, se divide cada uno de estos campos entre 2 y se obtiene el valor medio semanal de kcal quemadas, duración en minutos de actividad física y cantidad de registros realizados. 2. La tabla correspondiente a la visita 6 se dividen los valores entre 4, ya que corresponden al periodo de la visita 6 a la 7 que abarca 4 semanas. Así pues, se divide cada uno de estos campos entre 4 y se obtiene el valor medio semanal de kcal quemadas, duración en minutos de actividad física y cantidad de registros realizados. 3. La tabla correspondiente a la visita 7 se dividen los valores entre 4, ya que corresponden al periodo de la visita 7 a la 8 que abarca 4 semanas. Así pues, se divide cada uno de estos campos entre 4 y se obtiene el valor medio semanal de kcal quemadas, duración en minutos de actividad física y cantidad de registros realizados. A continuación, a fin de poder realizar un correcto análisis se agrupan los registros con el mismo UserID, para ello: 1. Se realiza un campo de kcal medias quemadas semanalmente ingresadas manualmente y otro para las registradas mediante el reloj, y a partir de la suma de estos dos campos, se obtiene un nuevo campo que corresponde a la media de kcal quemadas semanalmente y se denomina kcal_burned_semanal_media_Sum. 2. Así como, se realiza un campo de duración media invertida en ejercicio semanal en minutos de los registros ingresados manualmente y otro para los ingresados mediante el reloj, y a partir de la suma de estos dos campos, se obtiene un nuevo campo que corresponde a la duración media de actividad física semanal y se denomina duración_semanal_media_Sum 3. También se hace un campo de cantidad de registros semanales ingresados manualmente y otro para los registrados mediante el reloj, y a partir de la suma de estos dos campos, se obtiene un nuevo campo que corresponde, a la media de los registros semanales realizados y se denomina resgristos_semanales_media_Sum. MATERIALES Y METODOLOGÍA - 41 - Finalmente, para cada una de las visitas, se obtiene una tabla diferente, pero todas con el formato de la Tabla 3.5. Tabla 3.5. Tabla de ejercicio tras proceso de selección y agrupación. 4. Modelado Una vez preparados los datos y obtenidas las tablas de nutrición y ejercicio limpias y seleccionadas, con los registros de interés, se procede a la fase de minería de datos para cada una de las tablas que se examinan. Esta fase consiste en la utilización de sofisticados métodos de análisis a fin de extraer nuevo conocimiento de los datos, el cual se pueda utilizar. Para esto, se realiza un modelo, que es un conjunto de reglas, fórmulas o ecuaciones que se emplea para predecir un resultado basándose en un conjunto de campos o variables de entrada. Y, para el desarrollo del modelo, se utilizan los diferentes nodos de los que dispone la herramienta IBM SPSS Modeler en la paleta de modelado. Proceso de modelado El proceso de modelado que se lleva a cabo para cada una de las tablas, mediante esta herramienta, consta de 3 etapas: 3. Generación de la ruta (Figura 3.6). Para crear la ruta que genere el modelo, los 3 elementos fundamentales son: - Un nodo origen que lee los datos de las tablas de nutrición y ejercicio. - Un nodo Tipo que especifica propiedades de campo, como el nivel de medición (el tipo de datos que contiene el campo) y el rol de cada campo como objetivo o entrada en modelado. En este caso, todos los campos son de entrada a excepción del campo Purpose_Objective_yes_no que es el campo objetivo, ya que es, el que se quiere predecir con el modelo. - Un nodo modelado que genera un nugget de modelo cuando se ejecuta la ruta. MATERIALES Y METODOLOGÍA - 42 - Figura 3.6. Proceso de modelado 4. Exploración del modelo Cuando se finaliza la ejecución del modelo, se añade el nugget de modelo (Figura 3.7) a la pestaña de Modelos y al lienzo. Este es el recipiente de un modelo, es decir, es el conjunto de reglas, fórmulas o ecuaciones que representan los resultados de las operaciones de generación de modelos, y cuya finalidad es puntuar datos para generar predicciones o permitir análisis adicionales de propiedades de modelos. Por tanto, esta fase, consiste en abrir el nugget de modelo en la pantalla, y analizar los resultados obtenidos: la importancia relativa de los campos de entrada en la creación del modelo, el conjunto de reglas, patrones, etc. Figura 3.7. Nugget del modelo 5. Evaluación del modelo En esta etapa se evalúa, con que precisión trabaja el modelo, para ello se debe de puntuar, con el nugget de modelo generado, un conjunto de registros diferentes de los utilizados para crear el modelo, y comparar las respuestas predichas por el modelo, con los resultados reales. Esta comparación se ha realizado con el nodo análisis (Figura 3.8), que efectúa comparaciones entre los valores predichos por el modelo y los reales, permitiendo evaluar la capacidad de un modelo para generar predicciones precisas, y determinando así las variables más significativas. También, se conecta al nugget del modelo a un nodo tabla (Figura 3.8), que muestra los valores predichos, en este caso en un campo denominado $R- Purpose_Objective_yes_no, generados por el model MATERIALES Y METODOLOGÍA - 43 - Figura 3.8. Conexión con el nodo análisis y el nodo análisis. Partición de los datos Por último, para dividir los datos en muestras separadas para el entrenamiento y la comprobación del modelo, se ha utilizado un nodo Partición, que separa los datos en subconjuntos para cada una de las fases. Por tanto, a pesar de que se dispone de una base de datos con pocos registros, en cada una de las tablas a analizar, se ha empleado una muestra para generar el modelo y otra muestra distinta para probarlo, a fin de obtener una primera indicación de la bondad del modelo a la hora de generalizarlo a otros conjuntos de datos. La configuración empleada para cada una de las tablas es la que se muestra en la Figura 3.9. Figura 3.9. Configuración para partición de los datos Finalmente, la ruta generada para cada una de las tablas de nutrición y ejercicio, es la que se observa en la Figura 3.10: Figura 3.10. Proceso de modelado con partición de los datos MATERIALES Y METODOLOGÍA - 44 - MODELOS - 45 - 4. MODELOS En este apartado, se exponen los diferentes procesos de modelado que se han realizado a partir de cada una de las tablas obtenidas del apartado 3, con el propósito, de determinar las variables más significativas de nutrición y ejercicio, a fin de conseguir éxito en el programa de pérdida de peso. Y, tal y como se ha comentado con anterioridad, los sujetos a analizar son 43, pero, se ha de tener en cuenta que debido a que no todos los usuarios han registrado nutrición y ejercicio todas las semanas del tratamiento, muchas de las tablas a examinar se encuentran con una menor cantidad de registros que los correspondientes. Tras probar y valorar diferentes modelos, se han seleccionado aquellos que mejor se ajustaban a los datos y a partir de los cuales se pretende generar un conjunto de reglas. Los modelos que se han utilizado para el desarrollo del análisis son los siguientes: Modelos de clasificación Estos modelos se han utilizado para predecir, ya que usan el valor de uno o más campos de entrada (valores de nutrición y ejercicio) para predecir el valor del resultado o campo de destino (Purpose_Objective_yes_no). CHAID Este método se ha seleccionado para generar árboles de decisión, los cuales permiten una descripción y comprensión sencilla, e identificar divisiones óptimas, mediante estadísticos de chi-cuadrado. En primer lugar, se examinan, las tablas de tabulación cruzada entre los campos de entrada y los resultados, para, a continuación, comprobar la significación mediante una comprobación de independencia de chi-cuadrado. Si varias de estas relaciones son estadísticamente importantes, entonces, se selecciona el campo de entrada de mayor relevancia (el valor P más pequeño). C5.0 El algoritmo C5.0 genera árboles de decisión o conjunto de reglas, y dispone de la opción de validación cruzada, que resulta de gran utilidad cuando el conjunto de datos es demasiado pequeño. Es por ello que se ha utilizado este algoritmo, debido a que esta opción, ha evitado dividir la muestra en dos subconjuntos, lo que ha permitido obtener modelos con una alta predicción. Lista de decisiones El modelo de lista de decisiones se ha empleado para identificar los subgrupos, o segmentos, que muestran una mayor o menor posibilidad de conseguir el éxito en el programa. Selección de características La aplicación de la selección de características, ha permitido filtrar y eliminar los campos de entrada en función de un conjunto de criterios, así como, se emplea para clasificar el grado de importancia del resto de entradas de acuerdo con el objetivo específico (Purpose_Objective_yes_no) MODELOS - 52 - Modelo 2. Para la generación del modelo 2, se ha utilizado la tabla de nutrición correspondiente a la visita 5 con valores de entre semana, que abarca los registros comprendidos entre la visita 5 y 6, periodo de dos semanas. 2.1. Clasificación Red Bayesiana. Se realiza un modelo de Red Bayesiana con el propósito de visualizar la relación entre el campo objetivo: Purpose Objective_yes_no y los campos de entrada: de los principales grupos de alimentos (cereals_kcal_Mean, meats_kcal_Mean y vegetables_kcal_Mean) y de los macronutrientes (carbohydrates_Mean, proteins_Mean y total_fats_gr_Mean). Así como, obtener las independencias probabilísticas o condicionales entre ellas. De modo que, se utiliza la estructura de red bayesiana de manto de Markov, a fin de identificar, de estas variables que forman la red, cuáles son las principales para predecir el éxito. Así pues, como se aprecian en la Figura 4.13 y Figura 4.14, las variables más significativas son: los gramos de proteínas y las kcal de vegetales consumidas al día. Figura 4.13: Modelo 2.1. Importancia del predictor Figura 4.14: Modelo 2.1. Red bayesiana MODELOS - 53 - El 31% de los pacientes, ha consumido: cantidades de proteínas < 78.2 g. El 67% de los pacientes, ha consumido: gramos de proteínas < 78.2 g. El 51 % de los pacientes, han ingerido cantidades de proteínas entre 78.2 g y 95.8 g El 16 % de los pacientes, han ingerido: gramos de proteínas entre 78.2g- 95.8 g De los pacientes que no han obtenido éxito: De los pacientes que si han obtenido éxito: Aquellos sujetos que han consumido entre 78.2 y 95.8 gramos de proteínas, el 76.11 % ha logrado el éxito mientras que el 23.88 % no. Por último, se analizan las tablas de probabilidades condicionadas de estas variables. - A partir de la Tabla 4.2, se obtiene que de los sujetos que han conseguido el éxito un 51 % ha consumido cantidades de proteínas entre 78.2g/día y 95.8g/día, este rango, coincide con la prescripción médica óptima. Por otro lado, se observa que el 60 % de los que no, han consumido menos de 78.2 g /día. Por tanto, se considera que cumplir con el consumo de proteínas/día recomendadas es esencial a fin de conseguir el logro del programa. Tabla 4.2. Modelo 2.1. Probabilidades condicionales de los gramos de proteínas. MODELOS - 54 - De los pacientes que no han obtenido éxito: De los pacientes que si han obtenido éxito: El 39 % de los pacientes, ha consumido: kcal vegetales > 98.8 kcal El 32 % de los pacientes, ha consumido: kcal vegetales < 70.2 kcal. El 18% de los pacientes, ha consumido: kcal vegetales > 98.8 kcal El 60% de los pacientes, ha consumido: kcal vegetales < 98.8 kcal - A partir de la Tabla 4.3, se obtiene que los sujetos que han consumido cantidades de vegetales superiores a 98.8 kcal/diarios, el 68.42% ha logrado el éxito, mientras que el 31.58% no. Por tanto, se concluye, que la ingesta de vegetales debería ser superior al 98.8 kcal/diarias a fin de lograr el éxito. Evaluación El análisis de este modelo muestra que predecirá con un porcentaje del 30 % (Tabla 4.4). Tabla 4.4. Modelo 2.1. Evaluación. A pesar que el porcentaje de predicción del modelo es bajo, se ha de tener en cuenta que se han introducido muchas variables para generarlo, las cuales tienen valores muy similares entre los sujetos que logran el éxito y los que no, por lo tanto, no son predictoras. Tabla 4.3. Modelo 2.1. Probabilidades condicionales de las kcal de vegetales. MODELOS - 55 - 2.2. Clasificación: árbol de decisión CHAID Con el propósito de evaluar la relación entre el consumo de proteínas y vegetales se elabora un árbol de decisión interactivo CHAID (Figura 4.15), en el que se observa que la variable de proteínas es una variable muy significativa, debido a que si un sujeto ingiere más de 81g/día de proteínas tienen una probabilidad del 100% de lograr el propósito (p= 0.001). Figura 4.15. Modelo 2.2. Árbol de decisión CHAID. Evaluación Tal y como se muestra en la Tabla 4.5, este modelo predecirá con un porcentaje del 60%. Tabla 4.5. Modelo 2.2. Evaluación Finalmente, a partir de las tablas de probabilidades condicionadas (Tabla 4.1 y 4.2) y el árbol de CHAID (Figura 4.16), se concluye, que la ingesta de los vegetales es una variable característica en el programa de pérdida de peso. Así cómo, el cumplir con la recomendación médica de un consumo comprendido (75 - 95) g/día según las kcal prescritas, es importante a fin de conseguir el éxito. ▪ No logran el éxito. ▪ Si logran el éxito MODELOS - 56 - Modelo 3. Para la generación del modelo 3, se ha utilizado la tabla de nutrición correspondiente a la visita 6 con valores de fin de semana, que abarca los registros comprendidos entre la visita 6 y 7, periodo de cuatro semanas. 3.1. Lista de decisiones Primeramente, se realiza el modelo: lista de decisiones, para identificar los subgrupos o segmentos de los datos que muestran mayor posibilidad de no lograr el éxito. De modo que, se configura el modelo, para el valor 0 del campo objetivo, con una alta probabilidad, es decir, se buscan aquellas variables con mayor probabilidad para obtener, en este caso 0. Y, tal y como se contempla en la Figura 4.16, se obtiene, que la variable más relevante es el porcentaje de grasas buenas consumidas, debido a que de entre los 24 registros totales, 6 se corresponden a sujetos que han ingerido menos de 60 g/diarios y de esos 6, el 100% no ha tenido éxito. Por tanto, al igual que en el periodo de las dos primeras semanas (Modelo 1), la variable más significativa durante el fin de semana, es el porcentaje de grasas buenas consumidas. 3.2. Regresión logística binomial A fin de clasificar los registros a partir de los valores de los campos de entrada, se emplea el modelo de regresión logística, el cuál se configura para desarrollar un modelo binomial mediante un método por pasos hacia delante. Y, tras ejecutar este modelo, se obtienen diferentes tablas estadísticas que ofrecen información detallada sobre el modelo estimado y su rendimiento. De las cuáles, cabe destacar: - Variables en la ecuación (Tabla 4.6), en esta tabla se muestran las variables que han sido seleccionadas para la realización del modelo, junto el valor p y el odd ratio correspondiente a cada una de ellas. Estos valores me indican si existe o no una, relación relevante entre la variable objetivo y cada una de ellas. Tabla 4.6. Modelo 3.2. Variables en la ecuación. Figura 4.16. Modelo 3.1. Lista de decisiones. MODELOS - 57 - - Pruebas ómnibus de coeficientes de modelo (Tabla 4.7) una prueba Chi Cuadrado que evalúa la hipótesis nula de que los coeficientes (β) de todos los términos (excepto la constante) incluidos en el modelo son cero. En esta tabla se muestra el p-valor del modelo tras el último paso, un valor de p-valor =0.02, que indica una probabilidad del 98% de que haya una relación significativa entre conseguir éxito y las variables empleadas para realizar el modelo. Tabla 4.7. Modelo 3.2. Pruebas ómnibus de coeficientes del modelo. - La tabla de clasificación (Tabla 4.8), muestra los resultados del modelo a medida que se añade un predictor en cada paso. Este modelo se ha desarrollado en dos pasos, en el primer paso, con el predictor 1, proteínas ingeridas, el modelo tiene una precisión del 70.4 %, y al añadirle un segundo predictor, unidades de fruta, la precisión de predicción del modelo aumenta hasta obtener un valor del 77.8 %. Siendo este, el paso 2, el último paso realizado por el algoritmo, que decide que no se ha de añadir ningún predictor más. Tabla 4.8. Modelo 3.2. Tabla de clasificación. - Resumen del modelo (Tabla 4.9), se aportan tres medidas para evaluar de forma global la validez del modelo: la primera es el valor del -2LL, que mide el ajuste del modelo a los datos, y las otras dos son Coeficientes de Determinación (R2), que expresan la proporción (en tanto por uno) de la variación explicada por el modelo. Se observa, como en cada paso el modelo se mejora, ya que el valor de -2LL disminuye mientras que los R cuadrado aumentan. MODELOS - 58 - Tabla 4.9. Figura 5.22. Modelo 3.2. Resumen. Evaluación El análisis de este modelo muestra que, para 4 de un total de 4 registros (el 100%), coinciden los valores predichos con los reales, por lo tanto, tal y como se muestra en la Tabla 4.10, este modelo predecirá con un porcentaje del 100 %. Tabla 4.10. Modelo 3.2. Evaluación. Pero, debido a que la base de datos de análisis es pequeña, por tanto, los datos de entrenamiento y comprobación también lo son, el valor obtenido de la Tabla 5.19, no es fiable al completo, es por ello que se examinan las tablas adquiridas de este modelo. Se observa que el modelo es significativo en su conjunto, debido al p-valor= 0.02 que se muestra en la Tabla 4.6. Así cómo, los p-valores de los parámetros estimados del modelo (columna Sig. de la Tabla 4.5 con valores pequeños), y, los ods ratio o razones de ventajas (columna Exp (B), con valores mayor que la unidad), son muy aceptables. Sin embargo, los pseudo R-cuadrados han crecido (Tabla 4.8), pero no son los más óptimos, aunque esto no es determinante. Y, tras evaluar el modelo, se obtiene una predicción del 100%. Por tanto, se concluye que el modelo estimado paso a paso que ha seleccionado las variables significativas, muestra que las variables que influyen, en fin, de semana, en la probabilidad de conseguir el éxito son las proteínas ingeridas y las unidades de fruta. MODELOS - 59 - 3.3. Árbol de decisión: CHAID Con objetivo, de una mejor compresión y evaluación de las variables obtenidas con el modelo anterior de regresión logística, se ejecuta un árbol de decisión, en el que se observan los valores límite para conseguir el éxito o no, así como la influencia y relación de estas variables. En este árbol de decisión (Figura 4.17) se contempla con claridad que, si un sujeto no consume ninguna fruta, durante el fin de semana, posee una probabilidad del 100% (p=0.036) de no conseguir el éxito. Sin embargo, si el sujeto consume fruta y, además, consume más de 73 g/día proteínas tiene una probabilidad del 100% (p=0.049) de conseguir éxito. Figura 4.17. Modelo 3.3. Árbol de decisión: CHAID. Evaluación Tras la evaluación del modelo (Tabla 4.11), que me indica una predicción del 100%, junto con lo obtenido en la Figura 4.17 y las tablas del modelo de regresión logística binomial se considera que la ingesta de proteínas y cantidad de fruta es determinante para lograr el propósito. Tabla 4.11. Modelo 3.1. Evaluación ▪ No logran el éxito. ▪ Si logran el éxito MODELOS - 60 - Son colores claros que indican consumo de 0-1 frutas diarias. 3.4. Comparación gráfica Por último, para determinar si las variables obtenidas del modelo, son específicas del fin de semana, o bien, ocurren durante toda la semana, se realizan dos gráficos de comparación a partir de la tabla que engloba todos los registros. Y a partir de estos gráficos (Figura 4.18 y Figura 4.19), se concluye que el hábito de disminuir el consumo de frutas, es propio del fin de semana, mientras que el de consumir pocas proteínas es algo que ocurre de forma generalizada, en aquellos sujetos que no logran el éxito. . Registros entre semana Registros fin de semana Son colores intermedios, que indican consumo de 2-3 frutas diarias. Figura 4.18. Modelo 3.4. Gráfico de ingesta de proteínas y frutas entre semana. Figura 4.19. Modelo 3.4. Gráfico de ingesta de proteínas y frutas en fin de semana MODELOS - 61 - Modelo 4. Para la generación del modelo 4, se ha utilizado la tabla de nutrición correspondiente a la visita 6 con valores de entre semana, que abarca los registros comprendidos entre la visita 6 y 7, periodo de cuatro semanas. 4.1. Listas de decisiones A fin de identificar los subgrupos o segmentos de los datos que muestran una mayor o menor posibilidad de conseguir el éxito se emplea el modelo de listas de decisiones. De modo que, primeramente, se configura el nodo, para el valor 0 del campo objetivo, con una alta probabilidad, es decir, se buscan aquellas variables con mayor probabilidad para obtener, en este caso 0. Y, como se observa en la Figura 4.20, se obtiene, que las variables más relevantes en el fracaso, son la ingesta de alimentos no saludables (trash_kcal_Mean) superior a 133 kcal/diarias y la ingesta inferior de 59 g/día de proteína. Figura 4.20. Modelo 4. Lista de decisiones para valor del Objetivo=0. Asimismo, se configura otro nodo, para el valor 1 del campo objetivo, con una alta probabilidad, es decir, se buscan aquellas variables con mayor probabilidad para obtener, en este caso 1. Y, como se contempla en la Figura 4.21, se obtiene que la variable más relevante para conseguir éxito, es la ingesta de proteínas superior a 82 g/día, pero inferior a 94 g/día. Por tanto, tal y cómo se ha mostrado y comentado en el modelo 2, el cumplimiento de la cantidad en gramos recomendada de proteínas es importante a fin de conseguir el éxito. Figura 4.21. Lista de decisiones para valor del Objetivo=1. MODELOS - 68 - Sujetos que NO han logrado el éxito Evaluación Al emplear el algoritmo de C.5, este realiza una validación cruzada, por tanto, en este caso no se dividen los datos en subconjuntos de entrenamiento y comprobación. Esta opción, permite obtener un modelo con una predicción 94.74 % (Tabla 4.15). Por tanto, a partir de este valor y de lo obtenido en la Figura 4.28, se valora que para conseguir el propósito se han de consumir más de 172 kcal/día de lácteos. Sin embargo, se descarta, el valor de consumir menos de 39.342 g de grasas totales, ya que es inferior a lo prescripto por los médicos, y esto no es recomendable. Tabla 4.15. Modelo 6.1. Evaluación 5.2. Modelos de ejercicio A partir de las tres tablas de ejercicio obtenidas de la fase de preparación de los datos, correspondientes a cada una de las visitas: 5,6,7, se ha realizado un proceso de modelado para cada una de ellas. Pero debido a que tienen pocos campos referidos a la actividad física, se han obtenido las mismas variables significativas. Esto sucede, ya que, a lo largo de todas las visitas, tal y como se observa en la Figura 4.30 y Figura 4.31, las variables características son las mismas. Es por ello que a partir de estas 3 tablas se ha realizado un único modelo. - En la Figura 4.29, se contempla que la mayoría de los sujetos que no han conseguido éxito han quemado una media de 1500 kcal/semana, y en la visita 7, muchos no han registrado ninguna actividad física. Figura 4.29. Kcal quemadas y registros de ejercicio a lo largo de las visitas 5,6 y 7. MODELOS - 69 - Sujetos que SI han logrado el éxito Registros entre 1 y 7; y kcal quemadas a semana entre 0 y 2000. Registros entre 7 y 14; y kcal quemadas a semana entre 3000 y 5000. - En la Figura 4.30, se contempla que los sujetos que, si han conseguido éxito, han quemado una media de 2000 kcal/semana, y cada vez, van registrando mayor número de actividad física semanalmente. Modelo 7. Ejercicio 7.1. Comparación gráfica Primeramente, se examina cada una de las tablas de ejercicio, y se obtiene que en la tabla que corresponde a la visita 7, se aprecia claramente la relación entre la cantidad de registros semanales y las kcal quemadas, respecto si ha conseguido o no el éxito (Figura 4.31). Figura 4.30. Kcal quemadas y registros de ejercicio a lo largo de las visitas 5,6 y 7. Figura 4.31. Modelo 7.1. Gráfico registros, calorías quemadas y objetivo. MODELOS - 70 - 7.2. Red bayesiana. A partir de la Figura 4.31, se genera un modelo de red bayesiana a fin de indagar la relación entre estas variables, y se obtienen así, las probabilidades condicionales de cada una de ellas: - En la Tabla 4.16, que relaciona el objetivo con las kcal quemadas a la semana, se obtiene que el 81.57% de los sujetos que han quemado más de 2284.669 kcal, han adquirido éxito, mientras que el 18.42 % no. Así como se observa, que de entre los que no han conseguido el éxito el 87% han quemado menos de 1214.897 kcal. Tabla 4.16. Probabilidades condicionales de las kcal quemadas. - En la Tabla 4.17 que relaciona el objetivo con los registros realizados a la semana, se adquiere que el 84.44 % de los sujetos que registra más de 6 veces/semana, han alcanzado el objetivo mientras que el 15.55 % no. Evaluación El análisis de este modelo muestra que, para 7 de un total de 9 registros (el 77.77%), coinciden los valores predichos con los reales. Por lo tanto, este modelo predecirá con un porcentaje del 77.77 % (Tabla 4.18). Tabla 4.18. Modelo 7.2. Evaluación Entonces, en base a la Figura 4.32 y la evaluación de la red bayesiana se concluye que los registros y las kcal quemadas semanalmente son variables características para lograr el éxito. Tabla 4.17. Probabilidades condicionales de los registros semanales. RESULTADOS - 71 - Registros entre semana 5. RESULTADOS En el punto anterior se han comentado y especificado los modelos obtenidos para cada una de las dimensiones analizadas, a fin de determinar variables significativas de nutrición y ejercicio, en el tratamiento de pérdida de peso. A partir de estas variables y de los modelos realizados, en este apartado, se van a exponer los resultados obtenidos que se configuran en un conjunto de reglas en las que se basará el diseño del sistema de recomendaciones personalizado. 5.1. Tablas resultantes A fin de examinar, algunas de las variables de nutrición y actividad física consideradas como significativas en el apartado anterior, a lo largo de las visitas 5, 6 y 7, se han realizado las figuras resultantes que se exponen a continuación. En estas, se muestran los registros realizados entre semana (tabla izquierda) y los que se realizan en fin de semana (tabla derecha). Y en cada una de ellas, el eje x representa la visita a la que corresponden estos registros, mientras que el eje y representa la variable evaluada. Por último, el color rojo indica aquellos sujetos que sí han logrado el éxito, mientras que el color azul son los que no lo han hecho. Tablas resultantes de nutrición - Variables del Modelo 1 En la Figura 5.1, se observa que aquellos sujetos que no han logrado el éxito son, los que, en los 3 primeros meses de tratamiento, han consumido menor porcentaje de grasas saludables. Y conjuntamente con lo obtenido en el modelo 1, se concluye que la disminución de estas grasas es un hábito de fin semana, tan sólo en la visita 5. Así pues, se considera que se deberían de ingerir más del 60% de grasas saludables al día. Figura 5.1. Grasas saludables en los 3 primeros meses. Registros fin de semana RESULTADOS - 72 - Registros entre semana Registros entre semana - Variables del Modelo 2 y 4 En la Figura 5.2, se muestra que aquellos sujetos que han logrado el éxito son, los que, en los 3 primeros meses de tratamiento, han consumido mayor cantidad de proteínas. Y, conjuntamente con lo obtenido en el modelo 2 y 4, se considera que es importante cumplir con la prescripción médica de una ingesta adecuada de proteínas, así como, que un consumo inferior a 60 g/día es arriesgado si se quiere lograr el tratamiento. - Variables del Modelo 5 En la Figura 5.3, se contempla que aquellos sujetos que no han logrado el éxito son, los que, en los 3 primeros meses de tratamiento, han consumido grandes cantidades de alimentos no saludables. Aunque en la prescripción médica, se recomienda que no se deben tomar este tipo de comida, se considera, en base a lo obtenido en el modelo 4, el consumo de alimentos no saludables no debería ser superior a 100 kcal/día. Así como, se observa que en el fin de semana se incrementa la ingesta de este tipo de alimentos. Registros fin de semana Figura 5.2. Proteínas consumidas en los 3 primeros meses. Registros fin de semana Figura 5.3. Alimentos no saludables consumidos en los 3 primeros meses. RESULTADOS - 73 - Registros entre semana - Variables del Modelo 6 En la Figura 5.4, se examina que aquellos sujetos que no han logrado el éxito son, los que, en los 3 primeros meses de tratamiento, han consumido mayor cantidad de alcohol, concretamente los fines de semana. Y conjuntamente con lo obtenido en el modelo 6, se considera que es perjudicial la ingesta superior a 128.8 kcal a fin de conseguir el propósito del programa. Tabla resultante de ejercicio En la Figura 5.5, se examina que aquellos sujetos que no han logrado el éxito, son los que menos kcal han quemado en el transcurso de su progreso. Por tanto, se razona que cumplir con la prescripción de ejercicio, es necesario a fin de alcanzar la finalidad del programa. Registros fin de semana Figura 5.4. Alcohol ingerido en los 3 primeros meses. Figura 5.5. Kcal quemadas en los tres primeros meses. RESULTADOS - 74 - 5.2. Conjunto de reglas de decisión Posteriormente, respetando las pautas actuales de nutrición y actividad física, avaladas por la comunidad médica, se han evaluado e interpretado los resultados obtenidos en el apartado 4 y las tablas resultantes anteriores. Y, junto con el equipo experto se han determinado el siguiente conjunto de reglas de decisión: Reglas de nutrición En la Tabla 5.1, se especifican las reglas de decisión, a partir de las cuáles se enviaría una recomendación de nutrición personalizada entre semana. Tabla 5.1. Conjunto de reglas de nutrición entre semana. Modelo Regla 2 ✓ vegetables_kcal_Mean < 72 kcal 4 ✓ trash_kcal_Mean > 106 kcal ✓ proteins_Mean <= 60 g 6 ✓ dairy_kcal_Mean <= 171kcal En la Tabla 5.2, se especifican las reglas de decisión a partir de las cuáles se enviaría una recomendación de nutrición personalizada en fin de semana. Tabla 5.2. Conjunto de reglas de nutrición en fin de semana. Modelo Regla 1 ✓ good_fats_percentage_Mean < 61 % y Age_GROUP<=3 ✓ good_fats_percentage_Mean < 61 % y Some Personal disease in treatment = 1 3 ✓ fruits_units_Mean < =0 5 ✓ Age_group =2 o Age_group =4 y Alcohol_kcal_Mean >128.8 kcal Figura 5.3 ✓ Trash_kcal_Mean > 150 kcal RESULTADOS - 75 - Reglas de ejercicio En la Tabla 5.3, se especifican las reglas de decisión a partir de las cuáles se les enviaría una recomendación de nutrición personalizada en fin de semana. Tabla 5.3. Conjunto de reglas de ejercicio. Modelo Regla 7 ✓ kcal_burned_semanal_media_Sum <= 1215 kcal ✓ registros_semanales_media_Sum <6 5.3. Sistema de recomendaciones personalizadas Finalmente, se propone un sistema de recomendaciones basado en conocimiento. Este sistema, mediante una función de similitud calcularía en que cantidad, los valores de nutrición, ejercicio y datos personales de cada paciente coinciden con alguna de las reglas de decisión detalladas en las Tablas 5.1, 5.2 y 5.3, a fin de proporcionar recomendaciones individualizas y generales, tal y como se muestra en la Figura 5.6. Así cómo, se necesitaría disponer de técnicas de aprendizaje para asegurar la eficacia del sistema. Estas recomendaciones, se adaptarían a las necesidades de cada paciente, y serían de tipo informativas, con el fin de aconsejarles platos, alimentos, actividades, así como aportarles información del ámbito de nutrición, el deporte y estilos de vida saludables, y en caso conveniente, advertencias referidas a un estilo de vida insano, que siempre irían acompañadas de una recomendación para contrarrestar. Figura 5.6. Sistema de recomendación personalizado. RESULTADOS - 76 - Existirían dos momentos para el envío de las recomendaciones, unas proporcionadas entre semana y otras específicas de fin de semana, pero ambas tendrían el propósito de que el sujeto pueda aprender más sobre la nutrición y el deporte, se motivara, mantuviera las ganas de mejorar sus costumbres día a día y fuese adquiriendo unos hábitos de vida saludable. Las recomendaciones estarían compuestas por diferentes tipos de información, sujetas a unos determinados requisitos, y para ello se contaría con una base de datos, generada por expertos en nutrición y actividad física para personas con obesidad, que contendría un amplio repositorio de recomendaciones diferentes a fin de asegurar que, aunque un sujeto repitiera los mismos requisitos durante todo el progreso, no recibiera la misma recomendación en ningún momento. Así cómo, esta base de datos se iría actualizando cada cierto periodo de tiempo con el propósito de proporcionar a los usuarios conocimiento o recomendaciones lo más actualizadas posibles. Recomendaciones entre semana Los tipos de recomendaciones proporcionadas entre semana, serían 3 y se encontrarían sujetas a los requisitos que se muestran en la Tabla 5.4 Tabla 5.4. Recomendaciones personalizadas entre semana. Tipo de recomendación Requisitos Categorías de información enviada Específica Cumple alguna de las reglas de decisión, especificadas en las Tablas 5.1 y 5.3. ✓ Beneficios y propiedades de algún tipo concreto de alimento y/o práctica del deporte. ✓ Sugerencias de platos o alimentos, así como, deportes para realizar. ✓ Advertencias de alimentos perjudiciales que ha consumido y/o el peligro de la inactividad en base al incumplimiento con los límites, junto con recomendaciones a fin de contrarrestar. RESULTADOS - 77 - Generalizada I No cumple ninguna regla de decisión, pero tiene algún valor de nutrición y/o ejercicio que incumple los límites recomendados. ✓ Beneficios y propiedades de aquellos alimentos y/o ejercicio incumplido. ✓ Sugerencia de algún plato o alimento y/o alguna determinada práctica de deporte para reducir o aumentar aquellos valores incumplidos. ✓ Advertencias de alimentos perjudiciales que ha consumido y/o el peligro de la inactividad en base al incumplimiento con los límites, junto con recomendaciones a fin de contrarrestar. Generalizada II No cumple ninguna regla de decisión y tiene todos los valores dentro de los límites recomendados. ✓ Información/recomendaciones generalizadas de nutrición y deporte: - Falsos mitos alimenticios - Errores alimenticios frecuentes - Beneficios del deporte Por último, para las notificaciones del tipo generalizadas I, en caso que el usuario presentase varios valores de incumplimiento, se insertaría una sola recomendación referida a la nutrición y una referida al deporte. Al contar con numerosos y diferentes valores en el apartado de nutrición, se establecería un orden de prioridad, para valores incumplidos por exceso y otro para los valores incumplidos por carencia. Así pues, la recomendación enviada sería referida al valor más prioritario, pero en caso que la semana siguiente se volviese a repetir este valor, si hubiese otros, se confeccionaría la recomendación a partir del segundo valor más prioritario, y así sucesivamente. RESULTADOS - 84 - CONCLUSIONES - 85 - 6. CONCLUSIONES Una vez finalizado el desarrollo del trabajo, es imprescindible valorar y analizar las conclusiones a las que se han llegado. En primer lugar, se analizan las actividades desarrolladas más importantes en dirección hacia la consecución del objetivo de este Trabajo Final de Grado y posteriormente se realiza una valoración global. Contexto del problema Este proyecto queda enmarcado en el ecosistema tecnológico del que formaría parte: la plataforma Predircam (Plataforma Inteligente para la Monitorización, Tratamiento y Prevención Personalizados de la Diabetes Mellitus, el Riesgo CardioMetabólico y la Insuficiencia Renal). Así pues, el primer paso consistió en conocer de cerca la problemática, como es el síndrome metabólico, a la que se encuentra asociada, así como, cada uno de sus módulos y su sistema de recomendaciones. Por tanto, el objetivo ha sido comprender cada una de las funcionalidades de la plataforma, así como, las variables de nutrición y ejercicio que se registran en ella, las cuáles, conforman la base de datos de análisis. Para ello, fue necesario el estudio de trabajos y artículos específicos, además, se contó con la ayuda del equipo experto de esta herramienta. De esta manera, se ha podido estar en contacto con profesionales médicos y nutricionistas, lo que ha permitido adquirir unos conocimientos y unas pautas en el ámbito de la nutrición y la actividad física que son de gran utilidad, para el posterior análisis de los datos. Así cómo, se ha tomado conciencia de la importancia de estilos de vida saludables y de la gran amenaza que suponen los factores de riesgo del síndrome metabólico. Proceso de extracción de conocimiento Este apartado ha supuesto la parte más importante y extensa del trabajo, así pues, un[1]a vez comprendido y estudiado el entorno, se llevó a cabo el análisis de la base de datos disponible. Para ello, fue necesario formarse en el proceso de extracción de conocimiento, por lo que, se examinó bibliografía concreta, así como, se estudiaron las diferentes técnicas predictivas y descriptivas de minería de datos. Todas los métodos estudiados y revisados fueron empleados en la creación de varios modelos predictivos, a partir de los cuales, se considera que de entre todos los grupos de alimentos, la cantidad de proteínas, vegetales y lácteos ingeridas durante los 3 primeros meses, son variables significativas en el tratamiento de pérdida de peso, así como, el consumir más de un específico valor de alimentos no saludables, es determinante para no conseguir el éxito. Por otra parte, se ha obtenido que aquellos sujetos que no consiguen el propósito del tratamiento, poseen unos hábitos característicos durante el fin de semana. Concretamente, se ha examinado que estos sujetos pertenecen al grupo de edad más joven, y estos hábitos, se basan en disminuir la cantidad de frutas, de grasas buenas y de aumentar la ingesta de alcohol. CONCLUSIONES - 86 - Diseño de un sistema de recomendación personalizado Finalmente, partiendo del sistema de recomendación actual de la plataforma, y de los criterios obtenidos de los modelos realizados, se han elaborado un conjunto de reglas en las que se fundamenta el diseño de un sistema de recomendación personalizado basado en conocimiento. Asimismo, se ha realizado una propuesta de modificación del sistema de recomendación que dispone la plataforma. Conclusiones generales Algunos de los resultados obtenidos coinciden con lineamientos existentes en guías clínicas, y otros se espera que aporten información extra que permita mejorar los resultados de pacientes semejantes a los involucrados en el estudio clínico de Predircam. Así pues, con el apoyo de una plataforma tecnológica, ha sido posible recabar datos y realizar el análisis de los mismos para apoyar la toma de decisiones, tanto a nivel de autogestión de la salud, como en el seguimiento médico. Y, se considera que el uso de esta, en el progreso del tratamiento y el cumplimiento de la prescripción de actividad física y de nutrición, es determinante a fin de conseguir el propósito del programa. En este trabajo se ha realizado un análisis de un subset de datos, utilizando la herramienta IBM SPSS Modeler y esto representa una primera aproximación hacia la obtención de modelos predictivos que podrán seguir perfeccionándose para su aplicación en un conjunto más amplio de datos, a fin de extraer conocimiento en forma de reglas, que podrán mejorar el sistema de recomendaciones de la plataforma. Por último, para que la realización de este trabajo haya sido posible, han resultado de gran utilidad todas aquellas asignaturas cursadas durante la carrera que han tenido una especial aplicación durante toda esta etapa, siendo en este caso las asignaturas relacionadas con los sistemas de información y comunicaciones en la sanidad, así como con la biología y la estadística. También, la realización simultánea de las prácticas en la empresa PRONAF, han sido de gran provecho, debido a que permitieron experimentar con el análisis de la base de datos de pacientes con sobrepeso y obesidad del proyecto de investigación que realizó esta empresa. Así pues, gracias a la ejecución de este trabajo y a las prácticas, se ha ampliado el entendimiento en el área de minería de datos, debido al estudio del proceso de extracción de conocimiento. Además, se han asimilado una gran cantidad de conocimientos en las técnicas de análisis y concretamente en la generación de modelos predictivos con la herramienta de IBM SPSS Modeler, lo que ha supuesto un logro personal el que, sin apenas información y documentación, se ha conseguido llevar a cabo un análisis de los datos, pudiendo obtener unas determinadas reglas y diseñar un sistema de recomendaciones personalizadas. Finalmente, se puede considerar que se han cubierto los objetivos del trabajo Fin de Grado y, puede afirmarse que, con el desarrollo del presente trabajo, se ha obtenido conciencia de la importancia de diseñar e implementar herramientas que faciliten al usuario adquirir hábitos de vida saludables y le proporcionen información de interés, ayudándole así a mejorar su estado de salud. TRABAJOS FUTUROS - 87 - 7. TRABAJOS FUTUROS Tal y como se ha comentado, este proyecto se ha basado en realizar una primera aproximación a partir de un subconjunto de la base de datos, debido a que el estudio clínico, mediante el uso de la plataforma Predircam, se encuentra sin finalizar. Por tanto, es objeto de futuros trabajos el análisis de la base de datos completa, es decir, un análisis en el que se incluya los registros de todas las visitas, así como, se realice el análisis de aquellos campos que no han sido tratados en el desarrollo de este proyecto, como son: campos de texto libre, tabla de notificaciones, progreso de los valores de analíticas, evaluación de los cuestionarios, etc. Todo ello a fin de obtener un modelo predictivo con mayor precisión, así como, entrenar los modelos, obtenidos en la elaboración de este trabajo, con diferentes conjuntos de datos, y comprobar, re-evaluar y, posiblemente, reconstruirlos, a fin de extraer conocimiento. Asimismo, se propone como posible mejora el diseño y desarrollo de un sistema de recomendaciones híbrido. Un sistema que combinase el conocimiento, es decir, que se base en unas reglas de decisión adquiridas a partir del análisis de los datos, y, además, sea colaborativo, lo que significa que a partir de los valores del usuario activo le recomiende aquello que ha resultado positivo en usuarios similares, es decir, que le recomiende los campos de usuarios semejantes, "correlacion entre personas". TRABAJOS FUTUROS - 88 - BIBLIOGRAFÍA - 89 - 8. BIBLIOGRAFÍA 8.1. Referencias bibliográficas [1] Organización Mundial de la Salud (OMS). (2017). Enfermedades no transmisibles [Online]. Disponible en: http://www.who.int/mediacentre/factsheets/fs355/es/ [2] Organización mundial de la salud (OMS), “Informe sobre la situación mundial de las enfermedades no transmisibles”, 2011. [Online]. Disponible en: http://www.who.int/nmh/publications/ncd_report_summary_es.pdf [3] Organización de Naciones Unidas, “Proyecto de resolución presentado por el Presidente de la Asamblea General. Declaración Política de la Reunión de Alto Nivel de la Asamblea General sobre la Prevención y el Control de las Enfermedades No Transmisibles”, 16 de septiembre de 2011. [Online]. Disponible en: http://www.who.int/fctc/reporting/party_reports/spain_annex27_political_declaratio n.pdf [4] Barrera MP, Pinilla AE, Cortés E, Mora G y Rodríguez MN, “Síndrome metabólico: una mirada interdisciplinaria”, Revista Colombiana de Cardiologia, vol. 15, no. 3, 2008. [Online]. Disponible en: http://www.scielo.org.co/pdf/rcca/v15n3/v15n3a4.pdf [5] Alberti KGM.M, Zimmet PZ y Shaw JE, “The metabolic syndrome: a new world-wide definition from the International Diabetes Federation consensus”, The Lancet, 2005. [Online]. Disponible en: http://www.thelancet.com/journals/lancet/article/PIIS0140- 6736(05)67402-8/fulltext [6] K.G.M.M. Alberti, Robert H. Eckel and others, “Harmonizing the metabolic syndrome: a joint interim statement of the International Diabetes Federation Task Force on Epidemiology and Prevention; National Heart, Lung, and Blood Institute; American Heart Association; World Heart Federation; International Atherosclerosis Society; and International Association for the Study of Obesity”, Amer. Heart Assoc. , 2009. [Online]. Disponible en: http://circ.ahajournals.org/content/120/16/1640 [7] Fundación española del corazón. Hipertensión y riesgo cardiovascular. [Online]. Disponible en: http://www.fundaciondelcorazon.com/prevencion/riesgocardiovascular/hipertension-tension-alta.html [8] Cuídate plus .(2016). Obesidad [Online]. Disponible en: http://www.diabetes.org/es/vivir-con-diabetes/tratamiento-y-cuidado/el-control-de- la-glucosa-en-la-sangre/hiperglucemia.html [9] Simmons RK, Alberti KG, Gale AM, Colagiuri S, Tuomilehto J, Qiao Q, et al, “The metabolic syndrome: useful concept or clinical tool?”, 2009. [Online]. Disponible en: https://link.springer.com/article/10.1007%2Fs00125-009-1620-4 BIBLIOGRAFÍA - 90 - [10] Salim Yusuf, Srinath Reddy, Stephanie Ôunpuu and Sonia Anand, “Global Burden of Cardiovascular Diseases: Part I: General Considerations, the Epidemiologic Transition, Risk Factors, and Impact of Urbanization”, Amer. Heart Assoc. , 2001. [Online]. Disponible en: http://circ.ahajournals.org/content/104/22/2746/tab-figures-data [11] Sociedad Española de Cardiología (SEC). (2016). La enfermedad cardiovascular encabeza la mortalidad en España .[Online]. Disponible en: https://secardiologia.es/comunicacion/notas-de-prensa/notas-de-prensa-sec/7266-la- enfermedad-cardiovascular-encabeza-la-mortalidad-en-espana [12] Sociedad Espanola de Arteriosclerosis (SEA), “Las enfermedades cardiovasculares y sus factores de riesgo en Espana: hechos y cifras”, 2007. [Online]. Disponible en: http://www.se-arteriosclerosis.org/assets/informe-sea-2007.pdf [13] Secchi JD, “Historia de la actividad física y su relación con la salud: La influencia Jeremiah Morris & Ralph Paffenbarger”, Revista Brisas de Salud, N°2, pp.12-15, 2012. [14] Miguel A. Aguirre-Urdanetaa, Joselyn J. Rojas-Quinteroa,c, Marcos M. Lima- Martínezb,d, “Actividad física y síndrome metabólico: Citius-Altius-Fortius”, Diabetologia, Venezuela, 2012. [Online].Disponible en: http://www.elsevier.es/esrevista-avances-diabetologia-326-articulo-actividad-fisica-sindrome-metabolico-citius- altius-fortius-S1134323012001433 [15] World Health Organization, “Global Strategy on Diet, Physical Activity and Health. Obesity and Overweight”, 2008. [Online]. Disponible en: http://www.who.int/dietphysicalactivity/M&E-2008-web.pdf [16] WHO (World Health Organization), “Telemedicine. Opportunities and developments in member states” , 2010. Disponible en: http://www.who.int/goe/publications/goe_telemedicine_2010.pdf [17] Ministerio de Sanidad y Consumo INSALUD, “ Plan de telemedicina del INSALUD”, Madrid, 2000. [Online]. Disponible: http://www.ingesa.msssi.gob.es/estadEstudios/documPublica/pdf/telemedicina.pdf [18]J. Tapia, J. M. Iniesta, V. Alcántara, G. García, G. Navarro, C. González y Mª Elena Hernando, “PREDIRCAM 2. Plataforma Tecnológica para la Prevención de la Diabetes Tipo 2 y el Riesgo CardioMetabólico”, en XXXIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, Madrid, 2015. [18] González C, Herrero P, Cubero JM, Iniesta JM, Hernando ME, García-Sáez G, Serrano AJ, Martinez-Sarriegui I, Perez-Gandia C, Gómez EJ, Rubinat E, Alcantara V, Brugués E, Chico A, Mato E, Bell O, Corcoy R y de Leiva A, “PREDIRCAM eHealth platform for individualized telemedical assistance for lifestyle modification in the treatment of obesity, diabetes, and cardiometabolic risk prevention: a pilot study (PREDIRCAM 1)”, Julio, 2013. [19] J. Tapia, “Diseno y desarrollo de una aplicacion movil multiplataforma para la autogestion de la dieta y la promocion de estilos de vida saludables”, Trabajo Final de Grado, Madrid, 2015. [20] J.M. Rodríguez, Cómo hacer inteligente su negocio: Business Intelligence a su alcance, 1ªed., Patria, México, 2014. BIBLIOGRAFÍA - 91 - [21] J. Hernández, Mª. J. Ramírez, y C. Ferri, Introducción a la Minería de Datos. Pearson Prentice Hall, España, 2004, pp. 3-39. [22] D. Jannach, M. Zanker, A. Alexander y G. Friedrich, Recommender System. New York, NY, USA: Cambridge University Press, 2011. Disponible en: https://books.google.es/books?id=eygTJBd_U2cC&printsec=frontcover&dq=recomme nder+systems&hl=en&ei=kuiNTKRDhc2zBtiR0csB&sa=X&oi=book_result&ct=result&re dir_esc=y#v=onepage&q&f=false 8.2. Bibliografía de consulta -Web oficial de IBM SPSS Modeler. Disponible en: https://www.ibm.com/eses/marketplace/spss-modeler -Manual nodos de origen, proceso y salida de IBM SPSS Modeler 18.0, 2016. -Manual nodos de modelado de IBM SPSS Modeler 18.0, 2016. - J. Hernández, Mª. J. Ramírez, y C. Ferri, Introducción a la Minería de Datos. Pearson Prentice Hall, España,2004. -C.Pérez Lopez, Data Mining con herramientas de IBM SPSS Modeler. BIBLIOGRAFÍA - 92 - ANEXOS - 93 - 9. ANEXOS 9.1. IBM SPSS Modeler IntroducciónIBM SPSS Modeler. IBM SPSS Modeler, es un conjunto de herramientas de minería de datos que permite desarrollar modelos predictivos precisos de forma rápida y proporcionar inteligencia predictiva al usuario. Proporciona un rango de algoritmos avanzados y técnicas de análisis, para mejorar la toma de decisiones. Con un diseño que sigue el modelo CRISPDM, estándar del sector, IBM SPSS Modeler admite el proceso completo de minería de datos, desde los propios datos hasta obtener los mejores resultados. Este software ofrece una gran variedad de métodos de modelado procedentes del aprendizaje automático, la inteligencia artificial y el estadístico. Los métodos disponibles en la paleta de modelado permiten derivar nueva información procedente de los datos y desarrollar modelos predictivos. Cada método tiene ciertos puntos fuertes y es más adecuado para determinados tipos de problemas. IBM SPSS Modeler es una herramienta integrada de Big Data, business intelligence y minería de datos que incluye diversas fuentes de datos (ASCII, XLS, ODBC…), una interfaz visual basada en procesos/flujos de datos (streams), distintas herramientas de minería de datos (correlación, reglas de asociación, regresión, segmentación, redes neuronales, árboles de decisión…), manipulación de datos (muestreo, combinación y separación…), combinación de modelos, visualización de datos, exportación de modelos a distintos lenguajes (C, SPSS, SAS…), exportación de datos integrada a otros programas (XLS) y generación de informes. El entorno de Modeler está basado en nodos, iconos y formas que representan operaciones individuales de sus datos, que se van disponiendo y conectando para formar un flujo o stream, también conocido como ruta (Figura 9.1). Los streams pueden almacenarse en ficheros separados o en proyectos que engloban a varios de ellos que se puede cargar, guardar, modificar, reejecutar o reorganizar utilizando las opciones del menú Archivo de la pantalla de entrada de IBM SPSS Modeler y que son independientes de las fuentes de datos. Figura 9.1. Ruta básica con 4 nodos interconectados. ANEXOS - 100 - Modelos de asociación. Los modelos de asociación (Figura 9.11), encuentran patrones en los datos en los que una o más entidades se asocian con una o más entidades, es decir, los modelos construyen conjuntos de reglas que definen estas relaciones. Aquí los campos de los datos pueden funcionar como entradas y destinos. Se podrían encontrar estas asociaciones manualmente, pero los algoritmos de asociaciones lo hacen mucho más rápido, y pueden explorar patrones más complejos. Figura 9.11. Nodos de asociación. Modelos de segmentación. Los modelos de segmentación (Figura 9.12), dividen los datos en segmentos o clústeres de registros que tienen patrones similares de campos de entrada. Cómo sólo se interesan por los campos de entrada, los modelos de segmentación no contemplan el concepto de campos de salida o destino. Estos modelos de agrupación en clústeres se centran en la identificación de grupos similares y en el etiquetado de registros según el grupo al que pertenecen. Y su valor viene determinado por su capacidad de capturar agrupaciones interesantes en los datos y proporcionar descripciones útiles de dichas agrupaciones. Figura 9.12. Nodos de segmentación. Evaluación. En la quinta fase, la fase de evaluación, se evalúa el modelo, no desde el punto de vista de los datos, sino del cumplimiento de los criterios de éxito del problema. Se debe revisar el proceso seguido, teniendo en cuenta los resultados obtenidos, para poder repetir algún paso en el que, a la vista del desarrollo posterior del proceso, se hayan podido cometer errores. Si el modelo generado es válido en función de los criterios de éxito establecidos en la primera fase, se procede a la explotación del modelo. Normalmente los proyectos de Data Mining no terminan en la implantación del modelo (sexta fase), sino que se deben documentar y presentar los resultados de manera comprensible en orden a lograr un incremento del conocimiento. Además, en la fase de explotación se debe de asegurar el mantenimiento de la aplicación y la posible difusión de los resultados.