Según los últimos informes publicados por el Global Burden of Disease, las enfermedades musculoesqueléticas, junto con los trastornos mentales, ostentan el título de grupo de patologías con mayor tasa de discapacidad, afectando al individuo en distintos ejes: social, mental y económico, mermando así su calidad de vida.
Estos informes llegan en un momento de cambio de paradigma en el sector sanitario, en el que los indicadores de salud pasan a estar orientados al paciente y se empieza a dar más importancia a la cuantificación de la calidad de vida y sus distintos componentes (discapacidad y dolor) que a otras variables sociodemográficas comúnmente usadas, como la tasa de mortalidad. Este cambio de paradigma responde a la necesidad del paciente de adquirir un rol proactivo en las decisiones sobre la gestión de su salud.
En este contexto, investigadores del Grupo de Minería de Datos y Simulación (MIDAS) de la Universidad Politécnica de Madrid (UPM) en colaboración con el Grupo de Patología Musculoesquelética del Instituto de Investigación Sanitaria San Carlos (IdISSC), adscrito al Hospital Clínico San Carlos, en España todas estas entidades, han llevado a cabo un estudio para identificar predictores asociados con la calidad de vida de pacientes con enfermedades musculoesqueléticas, entendiendo la calidad de vida como la combinación de dos componentes: discapacidad y dolor.
Para ello, los investigadores han tenido en cuenta la posibilidad de coexistencia de múltiples enfermedades de esta tipología, así como la presencia de otras comorbilidades, tratamientos y datos demográficos, con los que determinar qué factores pueden influir en el bienestar del paciente. Esto ha sido posible gracias al uso de la historia clínica electrónica del Servicio de Reumatología del Hospital Clínico San Carlos, a partir de la cual, los investigadores han tenido acceso a datos longitudinales recogidos en un periodo de diez años, durante la práctica clínica habitual.
Con la ayuda de modelos de regresión penalizados para hacer una selección e identificación de variables y de algoritmos de clustering como Kamila para validar los resultados, los investigadores obtuvieron un conjunto de enfermedades, tratamientos y características demográficas relacionadas con la calidad de vida.
