Page 45 - 80_02

María
Isabel
Jiménez
Serranía,
Ramona
Mateos

variables
categóricas,
donde
las
líneas
más
gruesas
indican
que
los
términos

enlazados
están
fuertemente
relacionados
(30).
Las
variables
incluidas
en
este

análisis
son
los
principios
activos
sospechosos
(o
sospechosos
por
interacción)
y

las
reacciones
adversas
(términos
preferentes
de
RAM
-­-MedDRA-­-),
respetando
el

orden
de
notificación
de
mayor
a
menor
sospecha
y
gravedad
respectivamente.
Las

frecuencias
de
correlación
más
altas
también
se
extraen
en
tablas
(ver
Apéndice).

En
los
casos
de
monoterapia
exploramos
las
correlaciones
entre
el
principio

activo
sospechoso
-­-‘PRINCIPIO
ACTIVO’-­-
y
la
reacción
adversa
de
mayor
gravedad
-­-
‘reacción
adversa
(término
Preferente
MedDRA),
posición
1’-­-.
En
los
casos
de

politerapia,
debido
a
una
mayor
incidencia
de
RAM
con
el
aumento
de
los
fármacos

administrados,
se
exploran
las
correlaciones
entre
los
dos
principios
activos
más

sospechosos
-­-‘PRINCIPIO
ACTIVO,
POSICIÓN
1’
y
‘PRINCIPIO
ACTIVO,
POSICIÓN
2’-­-

y
las
dos
reacciones
adversas
de
mayor
gravedad
-­-‘reacción
adversa
(Término

Preferente
MedDRA),
posición
1’
y
‘reacción
adversa
(Término
Preferente

MedDRA),
posición
2’-­-.

MODELOS
DE
SEGMENTACIÓN.
Permiten
identificar
registros
similares
y

clasificarlos
según
el
grupo
al
que
pertenecen.
Este
procedimiento
se
realiza
sin

ningún
conocimiento
previo
de
los
grupos
y
sus
características.
Sólo
puede

aplicarse
en
casos
en
los
que
el
resultado
específico
se
desconoce,
como
ocurre

cuando
se
quieren
identificar
nuevos
patrones
o
grupos
de
interés
(31,
32).
Se

basan
en
la
medida
de
las
distancias
entre
los
registros
(casos)
y
entre
los
grupos.

Los
casos
se
asignan
a
los
grupos
de
tal
manera
que
se
tiende
a
minimizar
la

distancia
entre
los
casos
pertenecientes
al
mismo
grupo
(31).
Este
tipo
de

aprendizaje
no
supervisado,
no
dispone
de
una
referencia
externa
con
la
que

juzgar
la
clasificación
realizada
por
el
modelo,
sino
que
su
la
validez
se
determina

según
su
capacidad
de
recoger
agrupamientos
interesantes
de
los
datos
y

proporcionar
descripciones
útiles
de
esos
grupos
(31,
32).
Dentro
de
este
tipo
de

modelos
se
incluye
el
modelo
de
redes
de
Kohonen.

Modelo
de
redes
de
Kohonen.
Basado
en
un
modelo
preliminar
denominado

mapa
auto-­-organizado
(Self-­-Organizing
Map,
SOM)
(33),
en
el
actual
modelo
de

redes
de
Kohonen
se
genera
un
tipo
de
red
neuronal
que
agrupa
los
registros
de

una
base
de
datos
en
diferentes
grupos
cuya
existencia
no
se
conoce
al
inicio.

El

mapa
de
salida
es
una
red
o
cuadrícula
bidimensional
de
neuronas,
sin
conexiones

entre
las
unidades
(31,
32).

La
técnica
para
construir
estos
modelos
se
denomina
aprendizaje
o

modelado
automático
(10),
y
consiste
en
una
presentación
de
cada
registro
en
la

capa
de
entrada
y
una
propagación
competitiva
hacia
el
mapa
de
salida
(Figura
2).

Esto
se
repite
con
cada
registro
y
cuando
la
red
está
completamente
‘entrenada’,

los
registros
de
dentro
de
un
grupo
se
consideran
similares
y
deben
aparecer
más

cercanos
en
el
mapa
de
salida,
mientras
que
los
registros
entre
grupos
se

282