1. Telemedicine and Data Analytics
Jordi Rovira Simón

2.  Mals hàbits de la població occidental
 La població està envellint ràpidament
 Comorbilitats
 Les mes prevalents, costoses i letalss
 Insuficiència Cardíaca
 Diabetes
 Malaltia Pulmonar Obstructiva Crònica (MPOC)
 Càncer
 Despesa del 6% GDP
El problema de les malalties
cròniques

3. Telemonitorització de pacients
Oportunitat emergent
Millora del seguiment
Evitar descompensacions

4. Típic esquema

5. Dispositius habituals

6. Adopció de la telemonitorització a
nivel de l’Estat

7. Telèmac amb 200 patients
iCOR amb 50 pacients
United4Health amb 200
pacients
Atlantic amb 100 pacients
CRONEX amb 100 pacients
Valcrònic amb 500 patients
Rioja amb 50 pacients
SESCAM amb 100 pacients
Pilots en funcionament

8. Projecte CRONEX
Extremadura

9. Projecte CRONEX
Extremadura
 Seguiment de 100 pacients amb MPOC
 Criteri inclusió: Pacients que han tingut una
hospitalització l’últim any degut a una
exacerbació/agudització
 DADES: Es mesura temperatura periférica, pols,
saturació, fev1 i fev6
 Es reben alertes de qüestionaris: alerta 1, alerta 2,
alerta 3

10. Projecte CRONEX
Exacerbacions en MPOC

11. State of the art
 According to Hilary Pinnock et al reporting a trial of
COPD telemonitoring (BMJ 2013), “developing
predictive algorithms with clinically useful levels of
sensitivity and specificity is a priority for the future
development of telemonitoring of COPD”.
 Primers treballs utilitzant classificadors i xarxes
bayesianes a partir de qüestionaris i biomesures

12. State of the art

13. State of the art

14. Motivació del Projecte
Post-grau
Es podrien arribar a preveure
aquests episodis tan severs amb
tan sols les dades biomètriques?

15. 1. DATA GATHERING
Plantegem un projecte
exploratiu

16. 2 mesos!
1. DATA GATHERING

17. 1. DATA GATHERING
31 pacients amb “6 mesos” de dades

18. 2. CLEANING

19. Problemes principals
 Període de les dades
 Freqüència de mostreig
 Repeticions i missing values
 Errors en les mesures, outliers

20. DEC
GEN
FEB MAIG
MAIG
MAIG
Període

21. Problemes principals
 Període de les dades
 Freqüència de mostreig sèrie temporal
 Repeticions i missing values
 Errors en les mesures, outliers

23. Problemes principals
 Període de les dades
 Freqüència de mostreig
 Repeticions i missing values
 Errors en les mesures, outliers

25. Fet aquesta harmonització,
primeres visualitzacions

28. Problemes principals
 Període de les dades
 Freqüència de mostreig
 Repeticions i missing values
 Errors en les mesures, outliers

29. Outliers

30. Outliers

31. ABANS DESPRÉS
Outliers

32. ABANS DESPRÉS
Outliers

33. 4. Visualització
Podríem visualitzar canvis en les
mesures quan hi ha una alerta
d’exacerbació?

34. alert3
alert3

35. alert3

36. Podríem veure diferències
importants si comparem els dos
grups més extrems alineats?
Grup alertes 3 vs Grup sense
alertes

38. Conclusions
 Amb les dades que tenim encara que intuim que alguna
cosa està passant, no podem dir que podem predir les
exacerbacions
 No tenim suficients dades per entrenar un classificador
o fer regressió

39. Properes passes
 Amb més dades (més pacients) podríem…
 Explorare tècniques de REGRESSIÓ per
predir aguditzacions
 Utilitzarem classificadors per classificar
aquests episodis
 Utilitzar clustering per identificar grups de
pacients i caraterístiques

40. El futur inmediat de la
telemonitorització passa pel paper
dels Wearables i el Data Analytics

41. Els wearables generaran
informació continua de
qualitat i reactiva que
permetrà la creació de
nou models precisos

42. Moltes gràcies!