ESTUDIO PROSPECTIVO PARA LA APLICACIÓN DE PROGRAMAS DE INTELIGENCIA ARTIFICAL DE PROCESAMIENTO AFECTIVO EN LA EVALUACIÓN DE LA CALIDAD DE VIDA DE PACIENTES ONCOLÓGICOS. The happy care project Por implementar

Los extraordinarios avances alcanzados en las últimas décadas en el tratamiento del cáncer están dando lugar a un nuevo tipo de paciente que no solo desea vivir más, sino con una buena calida

  1. Introducción

    En la última década se han conseguido espectaculares avances en el diagnóstico y tratamiento del cáncer. Así, el mayor conocimiento de la biología de la enfermedad ha permitido el desarrollo de nuevas terapias, con un perfil de seguridad muy superior al de la quimioterapia tradicional y con mejores resultados en cuanto al control de la enfermedad. De esta manera, empezamos a encontrarnos pacientes con largas supervivencias que recibirán tratamientos antineoplásicos durante periodos muy prolongados de tiempo (en ocasiones varios años).

    En este contexto, es cada vez más importante ofrecer una buena calidad de vida a nuestros pacientes que no solo quieren vivir más, sino vivir mejor. Desgraciadamente el extraordinario desarrollo tecnológico en el diseño de fármacos antidiana no se ha visto acompañado de la creación de herramientas que nos permitan evaluar, de una forma objetiva y reproducible, su impacto en la calidad de vida.

    Nuestro estudio pretende aplicar una novedosa tecnología (la inteligencia artificial de reconocimiento de emociones) a la evaluación de la calidad de vida de las personas con cáncer. Esta original forma de abordar el problema, podría dar lugar a un nuevo paradigma en el que evaluemos no solo la aparición de síntomas sino, directamente y de una forma global, el grado de “felicidad” o satisfacción alcanzado por el propio paciente como un todo bio-psico-social.

    Dicha tecnología estaría disponible en soportes móviles (smartphones) permitiendo una alta adherencia. Además, al basar nuestras evaluaciones en el  “lenguaje natural” del cuerpo y la expresión de emociones, podríamos salvar las barreras tradicionales en cuanto a  diferencias lingüísticas y de nivel cultural o cognitivo que conllevan los métodos actuales.

  2. ¿Cuál es el problema? ¿Cuál es la solución?

    1. Problema actual

      La calidad de vida de los pacientes es un objetivo principal en oncología. (1) En general, este concepto cubre las percepciones subjetivas de los aspectos positivos y negativos de los síntomas de los pacientes con cáncer, incluidas las funciones físicas, emocionales, sociales y cognitivas, así como los efectos secundarios del tratamiento. (2)

      La mayoría de los médicos están de acuerdo en la relevancia de este tema e incluso las agencias reguladoras (FDA y EMA) consideran la calidad de vida un elemento clave en la aprobación de nuevos medicamentos contra el cáncer. (3) Lamentablemente, la cuantificación de este aspecto es muy complejo. 
      Algunos autores han comparado la evaluación de la calidad de vida realizada por los propios pacientes frente a una estimación realizada por sus médicos, identificando diferencias significativas entre ellos. Como ejemplo, Stephens et al. utilizando la “Lista de verificación de síntomas de Rotterdam”, encuestaron a más de 700 pacientes con cáncer de pulmón y los  médicos que les atendían. Ambos debían evaluar los mismos síntomas para cada período de estudio. Cuando se compararon, los médicos, con frecuencia, subestimaron el nivel funcional del paciente y el número de síntomas no informados. (4)
      El Grupo de calidad de vida de la Organización Europea para la investigación y tratamiento del cáncer (EORTC), adoptó en 1993 el cuestionario EORTC QLQ-C30, para recopilar detalles sobre diferentes dominios de la calidad de vida. Se ha traducido y validado en más de 100 idiomas y se ha empleado en más de 3,000 estudios en todo el mundo. (5) 
      Aunque se considera un estándar en el campo, desgraciadamente la utilidad real de este  cuestionario es muy baja. Como ejemplo, en el estudio de Kramer et al (sobre la evolución de la calidad de vida en pacientes con cáncer de mama avanzado), menos de dos tercios de los pacientes completaron la evaluación inicial, y la tasa de cumplimiento fue empeorando continuamente a partir de ese momento. Los investigadores concluyeron que la baja adherencia se debía a múltiples factores, subrayando la dificultad de recopilar datos de calidad de vida en estudios multinacionales con distintos idiomas. Además, obtener estos datos en pacientes con enfermedad avanzada y en progresión, puede ser aún más complejo debido a su mala situación general. (6)
      En este contexto, las aplicaciones informáticas con capacidad para procesar el reconocimiento de emociones multimodales y las sensaciones, suponen una aproximación innovadora que podría vencer muchas de estas limitaciones. (7-11)
      Nuestro grupo pretende desarrollar un algoritmo basado en inteligencia artificial capaz de evaluar mediante imágenes tomadas desde el propio smartphone del paciente, su calidad de vida.
      Esta aproximación, podría mejorar de forma notable la adherencia de los pacientes a la realización del test, aportando una información de calidad, fiable y fácil de interpretar por parte del médico.
      Además, al basarse directamente en el lenguaje natural, permitiría eliminar barreras tradicionales como la necesidad de adaptarse a los idiomas locales o el sesgo derivado de las diferencias en el nivel cultural de los pacientes. Las emociones humanas y su expresión son universales.
      En definitiva, pretendemos generar una evaluación más profunda de la calidad de vida, que no se limite a la mera cuantificación de efectos adversos y síntomas, sino que refleje el verdadero grado de “felicidad” o satisfacción global alcanzado por los pacientes.
      De tener éxito, esta herramienta permitiría incorporar, de una forma relativamente sencilla y fiable, un parámetro tan importante como la calidad de vida a la toma diaria de decisiones en la consulta de oncología.

    2. Solución

      Pretendemos desarrollar un método capaz de evaluar la calidad de vida de los pacientes con cáncer empleando la interpretación de las emociones mediante inteligencia artificial  partiendo de imágenes propias del sujeto obtenidas mediante un dispositivo móvil de uso común (smartphone).
      Este nuevo enfoque, que aplica sistemas de reconocimiento facial y redes neuronales convolucionales, conducirá a una forma revolucionaria y amigable de evaluar la calidad de vida de estas personas.

  3. ¿Por qué llevarlo a cabo?

    El presente trabajo pretende avanzar en la evaluación de uno de los parámetros más importantes en el manejo del paciente con cáncer: la calidad de vida.

    Las herramientas actuales se basan en complejos cuestionarios que frecuentemente consiguen una baja adherencia. De hecho es habitual que sean los familiares y no el propio paciente, los que contesten las preguntas.

    Además, las cuestiones planteadas son en muchos casos difíciles de interpretar, por lo que se generan sistemáticamente sesgos derivados del nivel cultural de los sujetos.

    Esto ha hecho que las evaluaciones de calidad de vida realizadas en ensayos clínicos resulten poco creíbles y sean mal valorados por la comunidad médica.

    En la consulta diaria este problema es aún mayor, por lo que el oncólogo no dispone en la actualidad de herramientas adecuadas para poder incluir un enfoque global sobre el estado del paciente en su toma de decisiones, más allá de su propia intuición.

    Nuestra tecnología permitiría resolver muchos de estos problemas de una forma relativamente sencilla, al basar las evaluaciones de la calidad de vida en imágenes adquiridas por los propios pacientes desde sus smartphones.

    Desde un punto de vista económico-sanitario nuestro trabajo permitiría obtener datos fiables y objetivos del impacto de las nuevas terapias en la calidad de vida de los pacientes. De este modo podríamos mejorar el proceso actual de aprobación de fármacos, principalmente basado en la mera ganancia de tiempo de vida. Así, los cuantiosos recursos invertidos en el desarrollo de nuevos fármacos, alcanzarían un verdadero impacto en la felicidad o satisfacción del paciente y todo su entorno, aliviando el enorme sufrimiento que el cáncer genera a nivel personal, familiar y social.

    Esta situación redundaría en un consumo menor de fármacos antidepresivos y psicotropos y una menor frecuentación hospitalaria y tasa de ingresos.

    Además, los datos generados en cada caso, podrían presentarse al oncólogo responsable en un formato sencillo, visual y atractivo (p.ej perfiles y gráficas mensuales con la evolución de la calidad de vida entre visitas, accesibles mediante APP). De esta forma podría identificar de una forma intuitiva qué factores impactan en mayor medida en el estado del paciente y tratar de corregirlos.

  4. ¿En qué consiste la innovación? Definición del proyecto en detalle

    METODOLOGÍA

    Descripción general del trabajo

    Nuestro grupo pretende desarrollar un estudio observacional prospectivo en el que una cohorte de 60 pacientes con cáncer avanzado que vayan a iniciar una nueva línea de tratamiento completará de forma sistemática el cuestionario EORTC QLQ-C30 en diferentes timepoints; en paralelo, obtendrán (con una frecuencia semanal) un video de 1 minuto de duración que será interpretado por nuestro sistema de IA y reconocimiento facial.

    Con esta estrategia podremos comparar en términos de adherencia, reproducibilidad intra e interoservador , ambas formas de medir la calidad de vida.

     

    Hipótesis

    El desarrollo de una aplicación móvil basada en inteligencia artificial de reconocimiento de emociones, podría obtener una evaluación más precisa y completa de la calidad de vida de los pacientes oncológicos que el estandar actual (cuestionario EORTC QLQ-C30).

    Además, al basarse en la obtención de imágenes desde un Smartphone, dicho sistema conseguirá una mayor adherencia por parte del paciente y sus resultados podrán presentarse de forma intuitiva y “amigable” al médico en la consulta asistencial.

    Así, esta aplicación no solo será una herramienta de medición más precisa, sino que permitirá al oncólogo responsable incluir la calidad de vida en su valoración de cada caso y la toma de decisiones diaria.

     

    Objetivo primario

    Comparar la adherencia de los pacientes a nuestra herramienta de reconocimiento de emociones basada en IA frente al cuestionario EORTC QLQ C30 versión 3.0.

     

    Objetivos secundarios

    -      Comparar las puntuaciones obtenidas en nivel de calidad de vida en nuestra herramienta y el cuestionario EORTC QLQ C30 versión 3.0 frente a la estimada por el cuidador principal y médico responsables mediante la Rotterdam Symptom Checklist (reproducibilidad interobservador).

     

    -      Analizar las puntuaciones obtenidas en nivel de calidad de vida en nuestra herramienta y el cuestionario EORTC QLQ C30 versión 3.0 en términos de reproducibilidad intraobservador en distintos estratos de nivel cultural: alto, medio, bajo (postulamos que nuestra herramienta presentará menor variabilidad y por tanto mayor precisión independientemente del estrato).

     

    -      Analizar las puntuaciones obtenidas en nivel de calidad de vida en nuestra herramienta y el cuestionario EORTC QLQ C30 versión 3.0 en términos de reproducibilidad intraobservador en distintos estratos de nivel lingüístico: alto, medio, bajo (postulamos que nuestra herramienta presentará menor variabilidad y por tanto mayor precisión independientemente del estrato).

     

    Diseño: estudio observacional prospectivo

     

    Población a estudio: Pacientes adultos atendidos por la Unidad de Tumores Ginecológicos  y Genitourinarios del Centro Integral Oncológico Clara Campal (CIOCC) que presenten enfermedad oncológica avanzada, vayan a iniciar una nueva línea de tratamiento y accedan por escrito al presente estudio.

     

    Descripción del sistema IA para el reconocimiento de emociones

     

    Emplearemos una aproximación basada en “machine learning” para diferenciar signos sutiles de cuatro emociones que se reflejan habitualmente en la expresión facial humana: felicidad, tristeza, cansancio y dolor.

     

    La metodología se basa en un aprendizaje profundo, empleando como entradas las denominadas  Unidades de Acción facial (UA). Estas UAs son un set de más de 30 acciones anatómicas dependientes de los músculos de la cara, que representan una medición relativamente precisa de las emociones. Existen numerosas UAs faciales bien conocidas procedentes del Facial Action Coding System (FACS).

    Las diferentes UAs se identificarán a partir de imágenes capturadas mediante Smartphone y serán interpretadas por redes neuronales convolucionales (Convolutional Neural Network o CNN). Esta tecnología es capaz de reducir los sesgos específicos de cada persona mediante herramientas como los filtros SIFT y Gabor. En un paso inicial, emplearemos varios bancos de datos públicos (GFT, BP4D, FERA2015, etc) que contienen más de 400,000 marcos codificados con al menos 12 UAs.

    También, compararemos CNNs tradicionales como AlexNet, GoogleNet, con arquitecturas más recientes como ResNet y U-Net.

    Para el testado clínico, el sistema final adoptará el formato de APP descargable en el smartphone de los pacientes.

     

    .Etapas de desarrollo

     

    El reclutamiento de pacientes se llevará a cabo entre el 1 de Enero de 2019 y 30 de Junio de 2019 en las consultas externas de la Unidad de Tumores Ginecológicos  y Genitourinarios del Centro Integral Oncológico Clara Campal (CIOCC). Dicha unidad cubre también la asistencia en el Hospital HM Puerta del Sur, Hospital HM Montepríncipe y HM Madrid, recibiendo más de 500 pacientes nuevos y más de 2000 consultas al año.

    Durante este período de tiempo y hasta 6 meses después de la inclusión del último caso,  la calidad de vida de los sujetos será evaluada mediante el cuestionario EORTC QLQ 30 (actualmente considerado estandar) y nuestro novedoso sistema basado en inteligencia artificial.

     

    Calendario de evaluaciones

    Se realizarán en paralelo y de forma sistemática tres evaluaciones en cada caso: el cuestionario EORTC QLQ 30 versión 3.0, nuestra herramienta basada en IA y el Rotterdam Symptom Checklist. Las dos primeras serán realizadas por el propio paciente y la última por su cuidador principal y su oncólogo responsable.

    De esta manera podremos comparar nuestra herramienta con el estándar actual y frente a dos evaluaciones externas (la del cuidador y el médico)

    A continuación se detalla el calendario de evaluaciones:

     

    Cuestionario EORTC QLQ 30 versión 3.0:

    -       Basal (día de inicio de la nueva línea de tratamiento

    -       Día +21-+30 (antes del Segundo ciclo de terapia)

    -       Mes 6 (a contar desde la visita basal)

    -       Fin de tratamiento (28 días después de completar la linea de tratamiento)

     

    Herramienta IA: basal (día de inicio de la nueva linea de tratamiento) y semanalmente hasta 6 meses desde la inclusión en el estudio o 28 días después de completar la línea de tratamiento (lo que ocurra antes).

     

    Rotterdam Symptom Checklist: será completada por el cuidador principal del paciente y su médico responsable en los mismos momentos que el cuestionario EORTC QLQ 30

     

    Plan estadístico

     

    El objetivo principal de este trabajo es comparar la adherencia de los pacientes oncológicos a dos sistemas distintos de medir la calidad de vida: el cuestionario V. 3 EORTC QLQ C30 y nuestra aplicación móvil de reconocimiento de emociones basado en inteligencia artificial. Para ello analizaremos el porcentaje de veces que cada sistema es completado por cada paciente y los compararemos mediante el test de la chi-cuadrado de Pearson.

     También evaluaremos, mediante una correlación de Spearman, la concordancia de las puntuaciones obtenidas mediante nuestra herramienta y el V. 3 EORTC QLQ 30 con los resultados del test denominado “The  Rotterdam  Symptom  Checklist”  completado por el cuidador principal y el médico responsable del paciente.

     A la hora de establecer la validez y consistencia interna de nuestra herramienta, emplearemos el coeficiente alpha de Cronbach. Se considerará como aceptable un resultado ≥  0.70.

     

    Cálculo del tamaño muestral

  5. Indicadores

    Tal y como se refiere en los distintos apartados de la propuesta, el presente proyecto puede representar un cambio no solo en la forma de medir la calidad de vida de los pacientes, sino que permitiría incluir un concepto mucho más amplio: su “felicidad” o satisfacción.

     

    De esta forma, podríamos avanzar hacia una oncología no solo centrada en el manejo de síntomas, sino en la atención al paciente como un todo bio-psico-social.

     

    Este verdadero cambio de paradigma impactaría tanto en el caso concreto como en su entorno, mejorando los resultados de las diferentes estrategias terapéuticas al servicio de la oncología.

     

    Igualmente, el médico podría acceder de forma sencilla e intuitiva a una valoración objetiva y reproducible de la evolución del paciente en el tiempo, mejorando el tratamiento de soporte que se le proporciona.

  6. Cierre

    El empleo de sistemas de inteligencia artificial adiestrados en el reconocimiento de emociones a través de imágenes, permitirá al médico adaptar las estrategias terapéuticas en base al  grado de felicidad global de cada paciente

  7. Anexos

  8. Bibliografía

    1.       Velikova G, Stark D, Selby P. Quality of life instruments in oncology. Eur J Cancer. 1999 Oct;35(11):1571-80. Review. PubMed PMID: 10673964.

    2.       Leplege A, Hunt S. The problem of quality of life in medicine.†JAMA1997;278:47    50

    3.       Tanaka T, Gotay CC. Physicians' and medical students' perspectives on patients' quality   of  life.†Acad  Med†1998;73:1003 1005.

    4.       Stephens RJ, Hopwood P, Girling DJ et al. Randomized trials with quality of  life  endpoints: are doctors' ratings of patients' physical symptoms interchangeable with patients' self-ratings?†Qual  Life  Res†1997;6:225 236.

    5.       Aaronson NK, Ahmedzai S, Bergman B et al. The European Organization for Research  and Treatment of Cancer QLQ-C30: a quality-of-life instrument  for  use  in  international  clinical trials in oncology.†J Natl Cancer Inst†1993;85:365   376.

    6.       Kramer JA, Curran D, Piccart M et al. Randomised trial of paclitaxel versus doxorubicin    as first-line chemotherapy for advanced breast cancer: quality of life evaluation using the EORTC QLQ-C30 and the Rotterdam symptom checklist.†Eur J Cancer†2000;36:1488    1497

    7.       Soujanya Poria, Erik Cambria, Rajiv Bajpai, Amir Hussain. A review  of  affective  computing: From unimodal analysis to multimodal   fusion.

    8.       Information Fusion 37 (2017) 98 125S. Sun , C. Luo , J. Chen , A review of natural  language processing techniques for opinion mining systems, Inf. Fusion 36 (10-25) (2017).

    9.       Yoshiko Arimoto and Kazuo Okanoya. Multimodal Features for Automatic Emotion. Estimation during Face to Face Conversation. Journal of the Phoneti Society of Japan, Vol.   19, No. 1. April 2015 pp.  53"67.

    10.   E. Cambria , H. Wang , B. White , Guest editorial: big social data analysis, Knowl.-Based Syst. 69 (2014) 1 2.

    11.   V. Rosas , R. Mihalcea , L.-P. Morency , Multimodal sentiment analysis of spanish online videos.

    12.   Mohsen Tavakol and Reg Dennick. Making sense of Cronbach's alpha. Int J Med Educ. 2011; 2: 53 55.

    13.   Nunnally J, Bernstein L. Psychometric theory. New York: McGraw-Hill  Higher,  INC;  1994.