Chronic pain classification: a machine learning perspective
- Autores: Alex Novaes de Santana
- Directores de la Tesis: Pedro José Montoya Jiménez (dir. tes.)
- Lectura: En la Universitat de les Illes Balears ( España ) en 2021
- Idioma: inglés
- Tribunal Calificador de la Tesis: Beatriz Rey Solaz (presid.), Inmaculada Riquelme Agulló (secret.), Miguel Ángel Muñoz García (voc.)
- Programa de doctorado: Programa de Doctorado en Neurociencias por la Universidad de las Illes Balears
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
- español
El dolor crónico es un problema complejo y multifactorial que afecta a 1 de cada 5 europeos; la gran mayoría sufre dolor durante 7 años o más y el 34% de ellos describe la experiencia del dolor como severo. Como consecuencia, los pacientes con dolor crónico tienen su calidad de vida deteriorada y sus posibilidades de desempleo aumentan. Un diagnóstico y tratamiento tempranos del dolor crónico pueden mejorar la calidad de vida y reducir el tiempo de recuperación. Así, la atención primaria tiene un papel central ya que el 70% de los pacientes con dolor crónico se manejan en atención primaria. Por otro lado, los profesionales de atención primaria han demostrado actitudes y creencias inapropiadas sobre el dolor y su tratamiento incluso después de participar en programas educativos continuos. Como consecuencia, los médicos de atención primaria no se sienten seguros para proporcionar un diagnóstico de dolor crónico. Esto puede afectar el tiempo que un paciente tiene que esperar para obtener un diagnóstico adecuado, con un 20,9% de pacientes esperando más de 10 años. Por lo tanto, los profesionales de atención primaria y los pacientes podrían beneficiarse de métodos objetivos para respaldar la decisión de diagnóstico. En la última década, el aprendizaje automático se ha utilizado ampliamente en diferentes campos, especialmente por su capacidad para trabajar con datos complejos. Con el apoyo de técnicas de aprendizaje automático, diferentes estudios han estado utilizando enfoques basados en datos para comprender mejor algunos síndromes como el deterioro cognitivo leve, la enfermedad de Alzheimer y la esquizofrenia. En esta tesis evaluamos la sensibilidad de diferentes algoritmos y conjuntos de datos aplicados al diagnóstico del dolor crónico. Junto con esta evaluación, destacamos pasos metodológicos importantes que deben tenerse en cuenta cuando se realiza un experimento con aprendizaje automático. Como resultado, podemos diagnosticar el dolor crónico con una precision de regular a buena utilizando datos subjetivos y autoinformados (cuestionarios y QST), así como datos más objetivos de imágenes de resonancia magnética funcional en estado de reposo. Además, analizando imágenes cerebrales, observamos que una red neuronal convolucional superó a modelos menos costosos y adoptados con mayor frecuencia, como las máquinas de vectores de soporte (SVM) y RFC. Por otro lado, utilizando cuestionarios y QST, observamos que los métodos basados en conjuntos muestran el mejor desempeño. Además, el rendimiento de un algoritmo está estrechamente relacionado con los hiper-parámetros y se debe utilizar una buena estrategia para la optimización de los hiper-parámetros para extraer el máximo de los algoritmos. Finalmente, la contribución más importante de esta tesis es una explicación de las predicciones del aprendizaje automático que diagnostican el dolor crónico. Esa explicación destaca que los algoritmos toman su decisión basándose en la evidencia científica existente en la literatura. Estas explicaciones son importantes para aumentar la confianza de los pacientes y profesionales sobre las predicciones de las máquinas. Esta tesis respalda la noción de que el aprendizaje automático puede ser una herramienta poderosa para mejor diagnosticar las condiciones de dolor crónico y aumentar las capacidades de los profesionales de la salud para controlar el dolor crónico.
- English
Chronic Pain is a complex multifactorial problem that affects 1 in 5 Europeans with the great majority suffering from pain for 7 years or more and 34% of them describing the pain experience as severe. As a consequence, chronic pain patients have their quality of life deteriorated and their chances of unemployment increased. An early diagnosis and treatment of chronic pain can improve the quality of life and reduce the recovery time. Thus, primary care has a central role as 70% of patients with chronic pain are managed in primary care. On the other side, primary care professionals have demonstrated inappropriate attitudes and beliefs about pain and its treatment even after participating in continuous educational programs. As a consequence, primary care physicians do not feel confident to provide a chronic pain diagnosis. This may affect the time a patient has to wait for a suitable diagnosis with 20.9% of patients waiting for more than 10 years. Thus, primary care professionals and patients could benefit from objective methods to support the diagnosis decision. In the last decade, machine learning has been widely used in different fields, especially because of its capacity to work with complex data. With the support of machine learning techniques, different studies have been using data-driven approaches to better understand some syndromes like mild cognitive impairment, Alzheimer's disease, and schizophrenia. In this thesis we assessed the sensitivity of different algorithms and datasets diagnosing chronic pain syndromes. Together with this assessment, we highlighted important methodological steps that should be taken into account when an experiment using machine learning is conducted. As a result, we are able to diagnose chronic pain with a fair to good accuracy using both self-reported and subjective data (questionnaire and QST) as well as more objective data from resting-state functional magnetic resonance images. Also, analyzing brain images, we observed that a convolutional neural network outperformed less costly and more commonly adopted models such as support vector machines (SVM) and RFC. On the other hand, using questionnaires and QST, we observed that ensemble-based methods show the best performance. Additionally, the performance of an algorithm is strongly related to the hyper-parameters and a good strategy for hyper-parameter optimization should be used to extract the most from the algorithms. Finally, the most important contribution of this thesis is an explanation for machine learning predictions diagnosing chronic pain. That explanation highlights that algorithms make their decision based on scientific evidence existing in the literature. These explanations are important to increase the trust of patients and professionals about machine predictions. This thesis supports the notion that machine learning can be a powerful tool to better diagnose chronic pain conditions and to augment the abilities of health care professionals to manage chronic pain.
- català
El dolor crònic és un problema multifactorial complex que afecta a 1 de cada 5 europeus amb una gran majoria que pateixen dolor durant 7 anys o més i el 34% descriu l'experiència del dolor com a greu. Com a conseqüència, els pacients amb dolor crònic deterioren la seva qualitat de vida i augmenten les seves possibilitats d'atur. Un diagnòstic i tractament precoços del dolor crònic pot millorar la qualitat de vida i reduir el temps de recuperació. Per tant, l’atenció primària té un paper central ja que el 70% dels pacients amb dolor crònic es gestionen a l’atenció primària. D’altra banda, els professionals d’atenció primària han demostrat actituds i creences inadequades sobre el dolor i el seu tractament fins i tot després de participar en programes educatius continus. Com a conseqüència, els metges d’atenció primària no tenen confiança en proporcionar un diagnòstic de dolor crònic. Això pot afectar el temps que un pacient ha d’esperar per obtenir un diagnòstic adequat, amb un 20,9% dels pacients esperant més de 10 anys. Per tant, els professionals i pacients d’atenció primària podrien beneficiar-se de mètodes objectius per donar suport a la decisió del diagnòstic. En l’última dècada, l’aprenentatge automàtic s’ha utilitzat àmpliament en diferents camps, sobretot per la seva capacitat de treballar amb dades complexes. Amb el suport de tècniques d’aprenentatge automàtic, diferents estudis han utilitzat enfocaments basats en dades per entendre millor algunes síndromes com el deteriorament cognitiu lleu, la malaltia d’Alzheimer i l’esquizofrènia. En aquesta tesi hem avaluat la sensibilitat de diferents algoritmes i conjunts de dades que diagnostiquen síndromes de dolor crònic. Juntament amb aquesta avaluació, hem destacat importants passos metodològics que s’haurien de tenir en compte quan es realitzi un experiment amb aprenentatge automàtic. Com a resultat, som capaços de diagnosticar el dolor crònic amb una precisió justa a bona mitjançant dades tant autoinformades com subjectives (qüestionari i QST), així com dades més objectives d’imatges de ressonància magnètica funcional en estat de repòs. A més, analitzant imatges cerebrals, vam observar que una xarxa neuronal convolucional va superar els models menys costosos i adoptats amb més freqüència, com ara màquines vectorials de suport (SVM) i RFC. D'altra banda, mitjançant qüestionaris i QST, hem observat que els mètodes basats en conjunts mostren el millor rendiment. A més, el rendiment d’un algoritme està fortament relacionat amb els hiperparàmetres i s’hauria d’utilitzar una bona estratègia per a l’optimització dels hiperparàmetres per extreure el màxim dels algorismes. Finalment, la contribució més important d’aquesta tesi és una explicació de les prediccions d’aprenentatge automatic que diagnostiquen dolor crònic. Aquesta explicació posa de manifest que els algoritmes prenen la seva decisió basant-se en evidències científiques existents a la literatura. Aquestes explicacions són importants per augmentar la confiança de pacients I professionals sobre les prediccions de màquines. Aquesta tesi dóna suport a la noció que l'aprenentatge automàtic pot ser una eina poderosa per diagnosticar millor les afeccions del dolor crònic i augmentar les capacitats dels professionals de la salut per gestionar el dolor crònic.
- español
