RESUMO
Los métodos de inteligencia artificial utilizando herramientas de aprendizaje no supervisado pueden apoyar la resolución de problemas al establecer patrones de agrupación o clasificación no identificados, que permiten tipificar subgrupos para manejos más individualizados. Existen pocos estudios que permiten conocer la influencia de síntomas digestivos y extradigestivos en la tipificación dispepsia funcional; esta investigación realizó un análisis de aprendizaje no supervisado por conglomerados basándose en dichos síntomas, para discriminar subtipos de dispepsia y comparar con una de las clasificaciones actualmente más aceptadas. Se realizó un análisis exploratorio de conglomerados en adultos con dispepsia funcional según síntomas digestivos, extradigestivos y emocionales. Se conformaron patrones de agrupación de tal manera que dentro de cada grupo existiera homogeneidad en cuanto a los valores adoptados por cada variable. El método de análisis de conglomerados fue bietápico y los resultados del patrón de clasificación se compararon con una de las clasificaciones más aceptadas de dispepsia funcional. De 184 casos, 157 cumplieron con criterios de inclusión. El análisis de conglomerados excluyó 34 casos no clasificables. Los pacientes con dispepsia de tipo 1 (conglomerado uno), presentaron mejoría al tratamiento en el 100% de los casos, solo una minoría presentaron síntomas depresivos. Los pacientes con dispepsia de tipo 2 (conglomerado dos) presentaron una mayor probabilidad de falla al tratamiento con inhibidor de bomba de protones, padecieron con mayor frecuencia trastornos de sueño, ansiedad, depresión, fibromialgia, limitaciones físicas o dolor crónico de naturaleza no digestiva. Esta clasificación de dispepsia por análisis de clúster establece una visión más holística de la dispepsia en la cual características extradigestivas, síntomas afectivos, presencia o no de trastornos de sueño y de dolor crónico permiten discriminar el comportamiento y respuesta al manejo de primera línea.
Artificial intelligence methods using unsupervised learning tools can support problem solving by establishing unidentified grouping or classification patterns that allow typing subgroups for more individualized management. There are few studies that allow us to know the influence of digestive and extra-digestive symptoms in the classification of functional dyspepsia. This research carried out a cluster unsupervised learning analysis based on these symptoms to discriminate subtypes of dyspepsia and compare with one of the currently most accepted classifications. An exploratory cluster analysis was carried out in adults with functional dyspepsia according to digestive, extra-digestive and emotional symptoms. Grouping patterns were formed in such a way that within each group there was homogeneity in terms of the values adopted by each variable. The cluster analysis method was two-stage and the results of the classification pattern were compared with one of the most accepted classifications of functional dyspepsia. Of 184 cases, 157 met the inclusion criteria. The cluster analysis excluded 34 unclassifiable cases. Patients with type 1 dyspepsia (cluster one) presented improvement after treatment in 100% of cases, only a minority presented depressive symptoms. Patients with type 2 dyspepsia (cluster two) presented a higher probability of failure to treatment with proton pump inhibitor, suffered more frequently from sleep disorders, anxiety, depression, fibromyalgia, physical limitations or chronic pain of a non-digestive nature. This classification of dyspepsia by cluster analysis establishes a more holistic vision of dyspepsia in which extradigestive characteristics, affective symptoms, presence or absence of sleep disorders and chronic pain allow discriminating behavior and response to first-line management.
