Nivel técnico del artículo

El proyecto BIGSALUD estudia técnicas de análisis de datos e inteligencia artificial principalmente basadas en Aprendizaje Automático (Machine Learning) para la mejora de los mecanismos de pronóstico, en primer lugar, del reingreso no programado de pacientes potencialmente crónicos a los 30 días del alta hospitalaria y, en segundo lugar, de la detección de neumonía asociada a COVID-19.

Para ello, se emplean datos procedentes de una alianza estratégica con el hospital La Fe de Valencia que ha permitido analizar la evolución de gran número de pacientes, respetando siempre con exquisita pulcritud la ley de protección de datos.

Las enfermedades crónicas son la principal causa de mortalidad y morbilidad en Europa y este proyecto está orientado a optimizar la gestión de estas enfermedades a través de la investigación en técnicas software basadas en Machine Learning, o Aprendizaje  Automático, con el propósito de servir de ayuda al personal clínico en el proceso  de toma de decisiones, haciendo posible un mejor pronóstico de complicaciones y evitando el reingreso no programado de pacientes durante los 30 días inmediatos al alta hospitalaria y, en su caso, la detección precoz de neumonía por COVID-19.

En BIGSALUD, se combinan conjuntos de datos procedentes de diversas fuentes como son la historia clínica, imagen, farmacia, hábitos de vida, etc.

Este estudio se complementa con el uso de servicios de infraestructura para tratamiento de información que lleve las soluciones a la práctica hospitalaria.

Los objetivos del proyecto se articulan en tres ejes:

  1. El primero consiste en consolidar un flujo de trabajo común entre equipos médicos y analistas de datos para intercambiar, entender y transformar los datos sanitarios, definiendo las variables y características necesarias para la construcción de modelos de Aprendizaje Automático.
  2. El segundo objetivo es seleccionar y ajustar las técnicas aplicadas para construir modelos predictivos con el fin de emitir pronósticos que ayuden a predecir el reingreso de pacientes hasta 30 días después del alta y, por otro lado, la detección de neumonía. Estas mismas técnicas, convenientemente adaptadas, serían aplicables a cualquier acción que permita a un hospital anticiparse a sus necesidades.

El modelo de reingreso ha tenido como objetivo predecir los episodios de rehospitalización no programados en un plazo de 30 días. Para ello se ha evaluado un conjunto de modelos de Machine Learning (como Logistic Regression o Random Forest) utilizando datos clínicos, farmacológicos y de morbilidades de los pacientes, entre otros. Cabe destacar que es un problema muy desbalanceado, ya que el porcentaje de pacientes que no reingresa es mucho mayor que el que reingresa. Este hecho se ha tenido en cuenta a la hora de la construcción y evaluación de los modelos. En cuanto a las morbilidades, se ha entrenado modelos agrupando las enfermedades por «Major Disease Categories» o por comorbilidades de Chalson. Entre las próximas tareas a abordar, se encuentra el ajuste fino de los parámetros de los modelos y la implementación de una matriz de coste para optimizar el punto de funcionamiento del modelo (figura 1).

Por otro lado, se ha trabajado en la detección de neumonía e infiltración en radiografías de tórax. Se espera que estos resultados puedan ser trasladados a casos de neumonía por COVID-19. En este caso, se han entrenado redes neuronales tanto para la detección como para la segmentación de los pulmones en la imagen. Aunque los resultados son prometedores, se ha realizado un análisis de sesgos sobre el conjunto de datos que sugieren prudencia. Las pruebas realizadas sugieren que variables externas a la neumonía, como el dispositivo utilizado para realizar la radiografía, pueden estar influyendo en la precisión de los modelos. En la actualidad, la investigación se está centrando en la mejora de la segmentación y en tratar de detectar y reducir la influencia de sesgos, ampliando el estudio a otras bases de datos (figura 2).

  1. Y el tercero consiste en optimizar la infraestructura de análisis de datos adecuándola a las necesidades de un hospital, extendiendo un servicio predictivo donde un médico puede introducir en un sistema basado en Inteligencia Artificial los datos de un paciente para obtener una estimación de posible reingreso en tiempo real (figura 3).

En concreto, se ha trabajado en la creación de una arquitectura flexible y robusta que permitiera la ejecución de modelos Machine Learning, abstrayendo a estos de cualquier aspecto fuera de su contexto: gestión de seguridad, carga, usuarios, etc.

Esta arquitectura se basa en la conjunción entre dos conceptos complementarios, como son la utilización de servicios web que exponen su funcionalidad a través de una WebAPI, y la utilización de una arquitectura Serverless, donde solo se hace uso en cada momento de los recursos necesarios para la ejecución de una determinada petición.

Todo ello se ha enmarcado dentro de un servicio del dato que:

  • Optimiza el uso de los recursos disponibles
  • Simplifica el despliegue de la infraestructura
  • Estandariza la ejecución de los modelos generados para la obtención de resultados

Además, se ha trabajado en la elaboración de una web demostrativa o plataforma lanzadera que agrupa un conjunto de aplicaciones y que permite al usuario ejecutar, en función de su configuración, los distintos modelos asociados a estas para obtener un resultado y, en función del caso, visualizar la imagen original/resultante en un visor de DICOMs.

Figura 1: Predicción de reingreso

Figura 2: Segmentación automática de pulmones.

Figura 3:  Arquitectura.

 

Conclusión.

En el proyecto BIGSALUD, se ha pretendido desarrollar un modelo preciso, flexible, escalable y orientado hacia un escenario de atención integrada que consideramos absolutamente necesario para el abordaje del grupo de pacientes al que va dirigido el proyecto.

A partir de aquí…

Son dos los tipos de empresas que pueden beneficiarse de los resultados del presente proyecto:

  • Empresas del sector TICs que incorporen las tecnologías resultantes del proyecto para desarrollar nuevos productos y servicios relacionados o potenciar los ya existentes mejorando la oferta para sus clientes y las empresas demandantes,
  • O sea, las empresas del sector sanitario que pueden incorporar los resultados desarrollados en el proyecto bien directamente o a través de las empresas del sector TICs.

El modelo de transferencia a las empresas de estas tecnologías por parte de ITI es muy flexible y se adapta a la casuística de necesidades de la empresa y del mercado, pasando por acuerdos de transferencia y explotación ad hoc que garanticen la sostenibilidad del resultado.

En resumen, BIGSALUD persigue obtener nuevo conocimiento que pueda ser implementado en herramientas y plataformas TIC, que sean transferibles a los hospitales y a las empresas tecnológicas, para que puedan implantarlas de forma amplia en centros sanitarios, a nivel nacional e internacional, redundando en la mejora de la eficiencia y sostenibilidad de los sistemas de salud y en la optimización de los procesos asistenciales. Este mejor servicio a los pacientes supone, en última instancia, una mejor calidad de vida de las personas.

Agradecimientos:

  • Laura Arnal, técnica del departamento de I+D dentro de la línea de Percepción, Reconocimiento, Aprendizaje e Inteligencia Artificial (PRAIA) de ITI.
  • María Blasco, directora del área de servicios para desarrollo de soluciones Big Data & Analytics de ITI.
Autor
Santiago Gálvez Setier - ITI
Santiago Gálvez Setier | Project Manager, Área de Gestión de Proyectos de I+D de ITI

Posts relacionados