Modelos Predictivos sobre el Perfil Psicosocial, la Fatiga y la Calidad del Sueño

La fibromialgia (FM) es una afección caracterizada por dolor musculoesquelético crónico, cuya fisiopatología sigue sin estar clara. Además, este trastorno se asocia frecuentemente con alteraciones del sueño, fatiga pronunciada, rigidez matutina, mala calidad de vida, alteraciones cognitivas (principalmente problemas relacionados con la memoria) y trastornos psicológicos, incluyendo depresión, ansiedad y estrés.

La FM es significativamente más prevalente en mujeres, con una proporción estimada de mujeres a hombres de aproximadamente 3:1. Su prevalencia en la población adulta se estima en un 2-3%, aumentando con la edad y alcanzando su punto máximo entre los 45 y 65 años. La carga socioeconómica y sanitaria de esta afección es sustancial, ya que la FM se asocia con altas tasas de consultas médicas, desempleo, incapacidad laboral y necesidad de apoyo económico por discapacidad.

La FM se ha relacionado con niveles más altos de afecto negativo, definido como un estado general de malestar que abarca emociones aversivas como tristeza, miedo, ira y culpa. Los pacientes con FM comúnmente presentan niveles elevados de ansiedad, depresión, catastrofización del dolor y estrés, que se asocian con el empeoramiento de los síntomas, incluyendo deterioros cognitivos.

En los últimos años, las técnicas de aprendizaje automático, minería de datos e inteligencia artificial (IA) se han aplicado con éxito al desarrollo de sistemas de diagnóstico asistido por ordenador (CAD) para la identificación de condiciones de salud complejas, logrando buenos niveles de precisión y eficiencia al reconocer patrones potencialmente significativos en datos relacionados con la salud. En consecuencia, estas tecnologías proporcionan herramientas poderosas para el análisis de datos multivariable, permitiendo predicciones basadas en modelos y ofreciendo una clara ventaja en la evaluación de riesgos en una amplia gama de enfermedades. Además, estos enfoques no solo apoyan el desarrollo de modelos predictivos clínicos, sino que también mejoran la capacidad de los clínicos para interpretar y aplicar sus resultados en la práctica.

Los modelos de aprendizaje automático explicables permiten a los expertos clínicos tomar decisiones basadas en datos y ofrecer tratamientos personalizados manteniendo un alto estándar de atención. Estos modelos se enmarcan en el campo de la inteligencia artificial explicable (XAI), que tiene como objetivo desarrollar modelos interpretables que preserven una alta precisión predictiva mientras mejoran la transparencia, comprensión y confiabilidad de los resultados del modelo.

Una publicación anterior de nuestro grupo de investigación demostró, utilizando modelos de aprendizaje automático, una fuerte asociación entre factores de salud mental —particularmente ansiedad y depresión— y la gravedad de la fibromialgia, con una influencia mayor que la intensidad del dolor en sí. Otros síntomas prevalentes de la fibromialgia, como la fatiga y las alteraciones de la calidad del sueño, también son considerados por los pacientes como contribuyentes importantes a la reducción de la calidad de vida, a menudo percibidos como más impactantes que el dolor.

En consecuencia, el presente estudio tiene como objetivo desarrollar modelos predictivos de la gravedad de la fibromialgia utilizando técnicas de aprendizaje automático e inteligencia artificial explicable, incorporando la fatiga y la calidad del sueño como variables novedosas en el análisis.

Comprender la relevancia individual y combinada de estos componentes psicosociales en la determinación del estado clínico de los pacientes puede contribuir a una mejor gestión de la enfermedad y estrategias de tratamiento más personalizadas, mejorando en última instancia la calidad de la atención.