Optimización de la evaluación clínica de lesiones cervicales con Data Science y Machine Learning

El dolor de cuello, que afecta a casi dos tercios de la población general, es un problema de salud cada vez mayor al menos una vez en la vida. Las causas comunes de esta afección pueden incluir un latigazo cervical, un golpe en la cabeza o condiciones laborales extenuantes. Por ejemplo, los profesionales como cirujanos y dentistas pasan muchas horas encorvados trabajando y suelen sufrir de dolor de cuello. También pueden correr riesgo quienes utilizan cascos protectores pesados, como deportistas, pilotos de aviones y bomberos.

Muchas de las técnicas que el personal médico usa para evaluar las lesiones cervicales presentan importantes inconvenientes porque se basan en observaciones subjetivas del rango de movimiento, lo que dificulta medir la magnitud de una lesión o realizar un seguimiento del progreso durante la terapia. Algunos también requieren procedimientos manuales que demandan mucho trabajo e implican el uso de un puntero láser adherido a la cabeza del paciente, lo que genera resultados subjetivos.

Nuestro equipo ha desarrollado hardware y software para simplificar y automatizar la evaluación clínica de las lesiones cervicales con métricas objetivas. La tecnología, que originalmente se investigó en la Universidad de Reikiavik, ha sido comercializada por la startup NeckCare. La tecnología consiste en un casco con una unidad de medición inercial (IMU) incorporada, junto con algoritmos de análisis de datos y Machine Learning desarrollados en MATLAB^®. Los algoritmos procesan señales de la IMU (Figura 1) y generan métricas 3D objetivas y cuantificables sobre el movimiento del cuello. Al comparar los datos del sensor IMU de pacientes sanos con datos de pacientes con dolor, por latigazo cervical o conmociones cerebrales, los algoritmos también pueden clasificar con precisión los casos asintomáticos e identificar a aquellos que sufren causas comunes de lesiones cervicales.

Prueba de la mariposa

Usando el casco IMU junto con MATLAB, podemos realizar una amplia variedad de evaluaciones, que cubren las tres dimensiones principales de la cinemática humana: rango de movimiento, propiocepción (la capacidad de sentir el movimiento y la orientación de las partes del cuerpo) y control neuromuscular. De éstas, las evaluaciones neuromusculares suelen ser las más valiosas para el diagnóstico y entre las más difíciles de realizar cuantitativamente con las técnicas existentes.

Para evaluar el control neuromuscular de un individuo, inventamos y patentamos un procedimiento especializado denominado prueba de mariposa. Durante esta prueba, un paciente se coloca el casco IMU y se sienta frente a un monitor de computadora. Se le pide que siga visualmente el movimiento de un punto a medida que se mueve en el monitor, siguiendo tres trayectorias diferentes, que van de fácil a difícil (Figura 2).

Durante la prueba, la IMU mide continuamente los cambios en la orientación de la cabeza a medida que el paciente sigue el punto en movimiento (Figura 3). En concreto, registra los ángulos de balanceo, cabeceo y guiñada 60 veces por segundo, así como la velocidad angular y la aceleración de la cabeza en estas dimensiones. Estos datos registrados son los que procesamos en MATLAB utilizando técnicas estadísticas y de Machine Learning.

Análisis estadístico y visualización

El software que hemos desarrollado y analizado con MATLAB está diseñado para medir objetivamente la capacidad de un paciente para controlar la cabeza y cuello mientras sigue el punto en movimiento en la prueba de mariposa. Como primer paso, el software proyecta los ángulos de rotación capturados por la IMU sobre el plano 2D coincidente con la superficie de la pantalla del monitor. Utilizando esta proyección, el software puede luego comparar la trayectoria del punto con la trayectoria trazada por el paciente. Al superponer gráficamente estas trayectorias, es fácil ver las diferencias en el desempeño de un paciente de prueba asintomático y un paciente de prueba con una lesión cervical (Figura 4).

Además de generar visualizaciones, el software también calcula varias métricas estadísticas para cuantificar mejor las diferencias entre pacientes asintomáticos y sintomáticos. Una métrica clave es la precisión de amplitud, o la diferencia promedio entre el punto objetivo y el cursor de control del paciente durante la totalidad de la prueba. El software también calcula tiempo en el objetivo, que es el porcentaje de tiempo que el cursor está sobre el objetivo o cerca de él. Esto incluye tanto los subimpulsos como los sobreimpulsos (la proporción de tiempo transcurrido por detrás o por delante del objetivo, respectivamente). Finalmente, el software calcula la suavidad del movimiento, un parámetro que cuantifica la sacudida basándose en la integración de la suma cuadrática de la tercera derivada de las coordenadas espaciales trazadas por el paciente normalizadas contra la misma cantidad trazada por el objetivo.

Los análisis realizados con el software muestran sistemáticamente diferencias estadísticamente significativas entre pacientes asintomáticos y pacientes con latigazo cervical en prácticamente todas las métricas calculadas, a menudo con valores p menores que 0,001 (Figura 5).

Clasificación con Machine Learning

Recientemente hemos explorado el uso de Machine Learning para clasificar a los pacientes de prueba en categorías asintomáticas, con latigazo cervical y con conmoción cerebral en función de los resultados de sus pruebas. Con la app Classification Learner de Statistics and Machine Learning Toolbox™, entrenamos una variedad de modelos de Machine Learning con un conjunto de datos que consta de 15 variables de pruebas de mariposa, 30 variables de pruebas de rango de movimiento y 28 variables de pruebas de reubicación de cabeza y cuello. Después de entrenar modelos con un conjunto de datos limitado, descubrimos que un modelo Naive Bayes que clasificaba a los pacientes con una precisión del 100 % o cercana a ella funcionaba mejor (Figura 6).

También utilizamos las prestaciones de clasificación de características de la app Classification Learner para identificar las más importantes para la clasificación (Figura 7). Determinamos que las clasificaciones basadas únicamente en las siete características principales (clasificadas mediante análisis de varianza o ANOVA) proporcionaban la misma precisión que las clasificaciones basadas en todas las características (Figura 8). Ahora estamos ampliando los datos de entrenamiento para incluir un número mucho mayor de pacientes y estamos desarrollando modelos que clasificarán aún más a los pacientes según la gravedad de su afección.

Aplicaciones clínicas

Estamos trabajando activamente en la adopción clínica de nuestra tecnología, para que los médicos puedan tratar mejor a los pacientes con lesiones cervicales. Actualmente, el casco está registrado como dispositivo médico de Clase I ante la Administración de Alimentos y Medicamentos de EE. UU. Además, continuamos desarrollando algoritmos de MATLAB para dar soporte a un número cada vez mayor de aplicaciones de software. Una de estas aplicaciones es la teleasistencia sanitaria y atención médica a domicilio, donde los pacientes pueden utilizar nuestra tecnología en su casa para realizar ejercicios terapéuticos. Otra es evaluar si un atleta está lo suficientemente en forma para competir después de una lesión en la cabeza. La tecnología también puede proporcionar una forma de verificar Reclamación de seguro de salud y por incapacidad realizados por pacientes con latigazo cervical. Finalmente, estamos planeando ampliar el uso de nuestra tecnología más allá de las evaluaciones de la columna cervical a otras partes del cuerpo humano.