María Isabel Jiménez Serranía, RamonaMateos
282
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
ordendenotificacióndemayor amenor sospechaygravedadrespectivamente. Las
frecuenciasdecorrelaciónmásaltas tambiénseextraenentablas (verApéndice).
En los casosdemonoterapiaexploramos las correlaciones entreel principio
activosospechoso -‐‘PRINCIPIOACTIVO’-‐ y lareacciónadversademayorgravedad-‐
‘reacción adversa (término Preferente MedDRA), posición 1’-‐. En los casos de
politerapia, debidoaunamayor incidenciadeRAMconel aumentode los fármacos
administrados, se exploran las correlaciones entre los dos principios activos más
sospechosos -‐‘PRINCIPIOACTIVO, POSICIÓN1’ y ‘PRINCIPIOACTIVO, POSICIÓN2’-‐
y las dos reacciones adversas de mayor gravedad -‐‘reacción adversa (Término
Preferente MedDRA), posición 1’ y ‘reacción adversa (Término Preferente
MedDRA), posición2’-‐.
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 lamedida 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 incluyeelmodeloderedesdeKohonen.
Modelode redesdeKohonen. Basadoenunmodelopreliminardenominado
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
mapade salida es una redo cuadrícula bidimensional deneuronas, sin conexiones
entre lasunidades (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
capade entrada yunapropagación competitivahacia elmapade salida (Figura2).
Esto se repite con cada registro y cuando la red está completamente ‘entrenada’,
los registros de dentrode un grupo se consideran similares y deben aparecermás
cercanos en el mapa de salida, mientras que los registros entre grupos se
