Machine Learning una solución para mejorar la percepción del dolor en pacientes de dolor oncológico al predecir y mejorar la gestión de este síntoma en la práctica médica actual

Abstract

Introducción: Con la creciente prevalencia del cáncer a nivel mundial, se ha incrementado el interés del control de las complicaciones y síntomas derivados de esta patología, en especial del dolor oncológico, el cual es el síntoma más común experimentado por estos pacientes y, teniendo en cuenta que el dolor oncológico es una condición crónica, de características mixtas y multifactorial, lo que hace que este síntoma sea muy complejo de manejar, ya que requiere para su tratamiento un abordaje multidisciplinario, así como el uso de analgesia que va más allá de las estrategias analgésicas estandarizadas, lo cual es costoso para los sistemas de salud a nivel mundial, surge la necesidad de encontrar herramientas innovadoras y costo efectivas que puedan ayudar a mejorar el abordaje de este síntoma de manera eficaz. Por lo anterior, se considera la respuesta a esta problemática pudiera estar en el uso y desarrollo de herramientas de machine learning. Objetivo: la presente revisión sistemática pretende determinar si es posible a través de herramientas de machine learning optimizar la gestión de la percepción del dolor oncológico y predecir la respuesta al tratamiento del dolor en pacientes con cáncer, susceptibles de ser utilizadas en la práctica clínica actual. Metodología: Se realizó una revisión de la literatura en las bases de datos PubMed y Cochrane entre los meses de marzo a abril de 2024 y se aplicaron los criterios de lectura crítica CASPe para la selección de los artículos. Resultados: Se obtuvieron un total de 21 artículos de los cuales uno fue una revisión sistemática encontrando que en los últimos 6 años es donde se han venido explorando estas herramientas de aprendizaje automático para la gestión del dolor oncológico, siendo sus usos principales la identificación de predictores o de factores de riesgo que condicionan la aparición de dolor oncológico y la predicción de requerimientos de tratamiento del dolor o sus exacerbaciones. Conclusiones: gracias a la presente revisión de la literatura se pudo observar que el learning machine en el campo de la gestión del dolor oncológico, es incipiente, pero con un gran potencial para el desarrollo de herramientas útiles para hacer mas eficiente el diagnóstico, seguimiento y tratamiento de este padecimiento en los pacientes con cáncer.

Introduction: With the increasing prevalence of cancer worldwide, interest has increased in the control of complications and symptoms derived from this pathology, especially cancer pain, which is the most common symptom experienced by these patients and, taking into account that cancer pain is a chronic condition, with mixed and multifactorial characteristics, which makes this symptom very complex to manage, since it requires a multidisciplinary approach for its treatment, as well as the use of analgesia that goes beyond the standardized analgesic strategies, which is costly for health systems worldwide, the need arises to find innovative and cost-effective tools that can help improve the approach to this symptom effectively. Due to the above, it is considered that the answer to this problem could lie in the use and development of machine learning tools. Objective: The present systematic review aims to determine if it is possible, through machine learning tools, to optimize the management of the perception of oncological pain and predict the response to pain treatment in patients with cancer, susceptible to being used in current clinical practice. Methodology: A review of the literature was carried out in the PubMed and Cochrane databases between the months of March and April 2024 and the CASPe critical reading criteria were applied for the selection of the articles. Results: A total of 21 articles were obtained, one of which was a systematic review, finding that in the last 6 years these machine learning tools have been explored for the management of oncological pain, their main uses being the identification of predictors or risk factors that determine the appearance of cancer pain and the prediction of pain treatment requirements or its exacerbations. Conclusions: Thanks to this review of the literature, it was observed that machine learning in the field of cancer pain management is incipient, but with great potential for the development of useful tools to make diagnosis, follow-up and more efficient treatment of this condition in cancer patients.