Predecir la pérdida de peso a largo plazo utilizando datos autoinformados, recopilados digitalmente y del mundo real...

Área de la Ciencia:

• Farmacología y Endocrinología.
• Salud digital y apoyo al paciente.
• Ciencia de datos y modelado predictivo.

Sus antecedentes:

• Predecir los cambios individuales en el peso corporal es crucial para un control efectivo del peso.
• Los datos del mundo real de los programas digitales de apoyo al paciente (PSP, por sus siglas en inglés) ofrecen información valiosa.
• La semaglutida subcutánea es un tratamiento para el control de peso.

Objetivo del estudio:

• Para probar si un algoritmo de predicción de peso de exposición-respuesta, desarrollado a partir de ensayos clínicos, puede predecir cambios a largo plazo en el peso corporal en usuarios de semaglutida del mundo real.
• Para validar el algoritmo utilizando datos autoinformados de un PSP digital.
• Para evaluar el rendimiento del algoritmo en la predicción de la pérdida de peso durante 6 y 12 meses.

Principales métodos:

• Aplicó un modelo de predicción de peso de exposición-respuesta de semaglutida a los datos del mundo real de un PSP basado en aplicaciones.
• Se usaron el sexo y el peso corporal al inicio, más la dosis y el peso autoinformados durante el tratamiento, como variables modelo.
• Evaluación de la precisión de la predicción mediante la comparación de las predicciones del modelo con los pesos autoinformados y el cálculo del área bajo la curva (AUC) para la pérdida de peso categórica.

Principales resultados:

• El estudio incluyó a 1797 usuarios, con un peso basal promedio de 105 kg.
• En el escenario de 6 meses, el modelo mostró un bajo sesgo (0,7-1,4 kg) y una alta precisión (AUC 0,74-0,95) para predecir la pérdida de peso.
• En el escenario de 12 meses, los usuarios perdieron un promedio de 21% (22,0 kg), con un sesgo igualmente bajo (-0,6 a 0,6 kg) y una alta precisión de predicción (AUC 0,75-0,92).

Conclusiones:

• El algoritmo de predicción de peso de exposición-respuesta se aplicó con éxito a datos autoreportados del mundo real.
• La integración de tales predictores en los PSP digitales puede ayudar a los pacientes y proveedores de atención médica en la gestión de la pérdida de peso.
• Los hallazgos apoyan el uso de algoritmos predictivos para establecer y monitorear los objetivos de tratamiento de control de peso.