Aproximación al diseño de herramientas con orientación para la exploración visual de datos clínicos longitudinales
DOI:
https://doi.org/10.26507/paper.3143Palabras clave:
análisis visual, estudios de cohortes, análisis exploratorioResumen
La evaluación de la efectividad de un determinado tratamiento o el desarrollo de un nuevo medicamento a menudo requiere evidencia basada en estudios longitudinales durante los cuales se sigue al mismo grupo de sujetos durante un tiempo determinado. A lo largo del seguimiento los sujetos se organizan en grupos y se miden variables de desarrollo en distintos momentos. Los resultados de los diferentes grupos, al final del proceso, se comparan entre sí para apoyar la toma de decisiones de los expertos. La generación de nuevo conocimiento a partir de los datos resultantes de estudios longitudinales requiere gestionar las complejidades de estos. Por ejemplo, la variabilidad a lo largo del tiempo, los datos que faltan y la ocurrencia de acontecimientos en el tiempo entre mediciones. En este artículo presentamos cómo el modelamiento de los datos longitudinales en términos de variables, etapas, eventos y temas de interés permite analizar los datos de manera estructurada. Este modelo de datos junto a una caracterización de las tareas de análisis, y una propuesta de herramientas de analítica con orientación por parte del sistema, son un primer paso en la búsqueda de facilitar el análisis por parte del experto. Para demostrar la utilidad del modelo de datos y las herramientas de orientación, presentamos un caso de uso con la implementación de un prototipo de una herramienta de análisis visual para analizar los datos de un estudio sobre el impacto del método Madre Canguro para cuidado del niño prematuro o de bajo peso al nacer, en una cohorte de sujetos cuidados con el método Madre Canguro, o con el método tradicional de incubadora en 1995 y de la cual se tienen datos clínicos a lo largo del primer año de edad corregida. La herramienta de analítica resultante ha sido evaluada por el equipo de expertos de la Fundación Canguro, con resultados positivos y prometedores.
Descargas
Citas
Angulo, D. A., Schneider, C., Oliver, J. H., Charpak, N., & Hernandez, J. T. (2016). A Multi-facetted Visual Analytics Tool for Exploratory Analysis of Human Brain and Function Datasets. Frontiers in Neuroinformatics, 10, 36. https://doi.org/10.3389/fninf.2016.00036
Cao, B., He, L., Kong, X., Yu, P. S., Hao, Z., & Ragin, A. B. (2014). Tensor-Based Multi-view Feature Selection with Applications to Brain Diseases. In 2014 IEEE International Conference on Data Mining (Vol. 2014, pp. 40–49). IEEE. https://doi.org/10.1109/ICDM.2014.26
Ceneda, D., Andrienko, N., Andrienko, G., Gschwandtner, T., Miksch, S., Piccolotto, N., … Tominski, C. (2020). Guide me in analysis: A framework for guidance designers. Computer Graphics Forum, 39(6), 269–288.
Collins, L. M. (2006). Analysis of longitudinal data: The integration of theoretical model, temporal design, and statistical model. Annual Review of Psychology, 57, 505–528.
de Ridder, M., Klein, K., & Kim, J. (2018). A review and outlook on visual analytics for uncertainties in functional magnetic resonance imaging. Brain Informatics, 5(2), 5.
Fitzmaurice, G. M., Laird, N. M., & Ware, J. H. (2012). Applied longitudinal analysis. Wiley.
Gomez, D. A., Charpak, N., Montealegre, A., & Hernandez, J. T. (2023). VALS: Supporting Visual Data Analysis in Longitudinal Clinical Studies. IEEE Access, 11(March). https://doi.org/10.1109/ACCESS.2023.3259972
Guo, Y., Guo, S., Jin, Z., Kaul, S., Gotz, D., & Cao, N. (2021). Survey on visual analysis of event sequence data. IEEE Transactions on Visualization and Computer Graphics.
Keiriz, J. J. G., Zhan, L., Ajilore, O., Leow, A. D., & Forbes, A. G. (2018). NeuroCave: A Web-based Immersive Visualization Platform for Exploring Connectome Datasets. Network Neuroscience, 1–19. https://doi.org/10.1162/NETN_a_00044
Keiriz, J. J. G., Zhan, L., Chukhman, M., Ajilore, O., Leow, A. D., & Forbes, A. G. (2017). Exploring the Human Connectome Topology in Group Studies. Retrieved from http://arxiv.org/abs/1706.10297
Liu, F., & Su, J. (2004). An Online Feature Learning Algorithm Using HCI-Based Reinforcement Learning (pp. 293–298). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-28647-9_50
Ribarsky, W., & Fisher, B. (2016). The human-computer system: Towards an operational model for problem solving. In 49th Hawaii International Conference on System Sciences (HICSS) (pp. 1446--1455).
Yeatman, J. D., Richie-Halford, A., Smith, J. K., Keshavan, A., & Rokem, A. (2018). A browser-based tool for visualization and analysis of diffusion MRI data. Nature Communications, 9(1), 940. https://doi.org/10.1038/s41467-018-03297-7
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2023 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Estadísticas de artículo | |
---|---|
Vistas de resúmenes | |
Vistas de PDF | |
Descargas de PDF | |
Vistas de HTML | |
Otras vistas |