Fenotipo profundo de la obesidad: estudio de modelado temporal basado en registros electrónicos de salud

Área de la Ciencia:

• Informática biomédica
• Medicina de precisión
• Investigación sobre la obesidad

Sus antecedentes:

• La obesidad afecta al 40% de los adultos estadounidenses y al 15-20% de los niños, imponiendo cargas significativas.
• Las respuestas individuales a los medicamentos antiobesidad varían ampliamente.
• El fenotipo profundo y la medicina de precisión son cruciales para el tratamiento eficaz de la obesidad.

Objetivo del estudio:

• Evaluar los registros electrónicos de salud (EHR) como fuente de datos para el fenotipo profundo de la obesidad.
• Investigar la viabilidad, los requisitos de datos y los patrones de agrupación de fenotipos profundos basados en EHR.
• Identificar los desafíos en el uso de datos de EHR para el fenotipo de la obesidad.

Principales métodos:

• Análisis de 53.688 períodos previos al AOM de 32.969 pacientes.
• Se utilizaron 92 mediciones de laboratorio/vitales y 79 códigos CCS derivados de la CIE.
• Se aplicó un autoencoder profundo longitudinal multimodal (GRU-D-AE) y el modelado de mezcla gaussiana (GMM) para el agrupamiento.

Principales resultados:

• Se identificaron al menos 9 grupos de pacientes, de los cuales 5 mostraron una clara relevancia clínica.
• Los patrones de agrupación fueron estables en múltiples pliegues de entrenamiento.
• La superposición observada con los fenotipos de las estrategias tradicionales.

Conclusiones:

• Los datos longitudinales de EHR son valiosos para el fenotipo profundo del período previo al AOM.
• Se han identificado grupos clínicamente significativos con implicaciones potenciales para la selección de AOM.
• Se necesita más investigación para validar los hallazgos en cohortes más grandes y explorar las correlaciones de respuesta AOM.