Estimación algorítmica de la densidad de masa ósea en mujeres posmenopáusicas mediante técnicas de inteligencia artificial

Abstract

La osteoporosis es una enfermedad que se desarrolla sin mostrar síntomas y puede pasar desapercibida para aquellos que la padecen durante mucho tiempo. Se caracteriza por una reducción de la masa ósea así como por la pérdida de integridad del hueso trabecular. Es, en esencia, un trastorno debilitante y progresivamente incapacitante que determina un aumento en el riesgo de fracturas, en especial de las caderas, columna vertebral y muñecas. Se trata pues, de una enfermedad de nuestro tiempo que afecta fundamentalmente a las mujeres debido a su menor masa ósea y a la mayor pérdida de la misma que se produce por el déficit de estrógenos que supone la menopausia. En la actualidad, es bien conocida la existencia de una serie de factores de riesgo individuales (sexo femenino, envejecimiento, constitución delgada, menopausia precoz, fracturas anteriores, antecedentes familiares de la enfermedad, etc.) que se pueden relacionar con valores inferiores de la densidad de masa ósea (DMO) y por tanto con el riesgo de osteoporosis. También es conocida la existencia de una serie de factores de riesgo que se relacionan con la dieta y estilo de vida. Por medio del presente trabajo, se han encontrado relaciones entre el valor de la DMO de las mujeres posmenopáusicas y sus hábitos alimenticios y de vida. Dicha relación ha sido obtenida por medio del empleo de técnicas avanzadas de análisis de datos. Los datos de partida se obtuvieron a través de la aplicación de un cuestionario de frecuencia de consumo de alimentos y por medio de tomografías computerizadas procesadas mediante técnicas de visión artificial. En la presente tesis se emplean técnicas de Inteligencia Artificial tales como las redes neuronales. Una red neuronal artificial es un grupo interconectado de neuronas artificiales que usan un modelo matemático para el procesamiento de la información. La red neuronal es un sistema adaptativo que cambia su estructura interna en función de la información que fluye a través de ella. Las redes neuronales también son modelos estadísticos no lineales y potentes herramientas de decisión que se pueden emplear para buscar relaciones complejas entre variables o bien para la búsqueda de patrones de comportamiento dentro de conjuntos de datos. Con el empleo de dichas técnicas se ha hecho posible el conocimiento de la relación simultánea entre distintas variables de un modo que no hubiera sido posible realizar aplicando las técnicas estadísticas tradicionales. El conocimiento de dichas relaciones entre variables ha permitido la selección de aquellas que presentaban una influencia más notable sobre la DMO. Finalmente se utilizaron las variables seleccionadas para la realización de modelos predictivos de los valores de la DMO de las mujeres posmenopáusicas en función de las variables halladas como más importantes. Para ello, las técnicas aplicadas han sido la de los modelos lineales regresivos no paramétricas (LOESS) así como las redes neuronales artificiales. El interés de los modelos desarrollados en la presente tesis es la consecución de una herramienta adicional que puede ser usada para predecir qué pacientes tienen más probabilidades de presentar una baja densidad de masa ósea antes de someterlas a pruebas de densitometría. Es decir, se ha creado una herramienta que en la actualidad es única y que podrá emplearse en el futuro para determinar a priori qué mujeres deberían someterse a un estudio por densitometría y cuáles no, atendiendo a su probabilidad de riesgo.