El proyecto BIGSALUD4 pretende llevar la Inteligencia Artificial (IA) a la práctica hospitalaria ofreciendo apoyo al personal sanitario en el proceso de toma de decisiones, haciendo posible un mejor pronóstico de complicaciones, un tratamiento más personalizado y eficaz de los pacientes y permitiendo a un hospital anticiparse a sus necesidades.
El uso de modelos predictivos de IA conlleva una serie de ventajas interesantes. Permiten manejar una cantidad de variables mucho mayor de lo que podría abordar una persona. También se pueden consultar de forma automatizada lo que permite una monitorización periódica de sus predicciones.
En BIGSALUD4, el objetivo es doble:
- Por una parte, construir los modelos predictivos con las mejores prestaciones posibles para dos enfermedades de interés: Leucemia Mieloide Aguda y Cáncer de mama.
- Por otra parte, avanzar en el desarrollo de dos herramientas de soporte a la decisión que permiten consultar los modelos predictivos y monitorizar sus predicciones. Herramientas que conocemos como ITI-GEN e ITI-BREAST.
En los casos de Cáncer de mama, el tejido denso es un indicador importante de riesgo de padecer esta enfermedad en el futuro. En esta línea, y en colaboración con el Institut Hospital del Mar d’Investigacions Mèdiques de Barcelona, hemos desarrollado un modelo de segmentación automático de mamografías digitales basado en aprendizaje profundo (Deep Learning) que identifica zonas de tejido denso de la mama. Para ello, realizamos un estudio comparativo de la segmentación del modelo automático con la de radiólogos expertos. Los resultados dejan la puerta abierta en utilizar estos modelos como segmentación preliminar, donde los radiólogos expertos ya solo intervendrán en las mamografías más ambiguas.
En leucemia mieloide aguda, anticipar las complicaciones como recaídas tempranas o enfermedad resistente a la inducción, tratamiento generalmente de quimioterapia, permite adaptar el tratamiento de los pacientes. El modelo construido, en este caso, está basado en aprendizaje automático (Machine Learning) y estima el riesgo de sufrir complicaciones tras diagnóstico en un horizonte temporal de tres meses. Lo hemos llevado a cabo gracias a la colaboración con el Hospital Universitario 12 de Octubre de Madrid y el Instituto de Investigación Sanitaria La Fe de Valencia, manejando datos clínicos, genéticos y de anomalías cromosómicas (citogenética).
Los modelos anteriores forman el corazón de dos herramientas de soporte a la decisión que permiten consultar sus predicciones:
- ITI-BREAST. Suite de herramientas que permite automatizar la segmentación de mamografías digitales y también su revisión manual.
- ITI-GEN. Herramienta que permite consultar un modelo predictivo cuando los datos son tabulares. La consulta se puede realizar mediante un formulario y se está trabajando en hacerlo de forma automatizada.
Con la colaboración del Hospital Universitari i Politècnic La Fe de Valencia, se pretende poner al servicio de los hospitales la capacidad y la información que se puede extraer de los modelos de la forma la más ágil posible. Se necesita entonces conectar estas herramientas con los sistemas de información de la entidad. Todo un reto dado el tamaño, la complejidad y la sensibilidad de los datos de un hospital. A lo largo del proyecto, los esfuerzos se están centrando en:
- Mejorar el proceso de automatización e industrialización del modelo para facilitar su instalación en un entorno de producción.
- La conexión con los sistemas de información de una entidad sanitaria. Por ejemplo, la comunicación con los servidores PACS (Picture Archiving and Communication System) para almacenar las imágenes médicas.
- Mejorar la experiencia de usuario. Por ejemplo, carga y manejo eficiente de imágenes médicas en ITI-BREAST, y visualización de resultados e información sobre el modelo en ITI-GEN.
A modo de conclusión, BIGSALUD4 intenta aportar valor en la lucha contra dos enfermedades como son cáncer de mama y leucemia mieloide aguda. Estos dos ejemplos dejan entrever el potencial inmenso de aplicación de estos modelos predictivos. Con datos de calidad y suficientes, se podría llegar a construir ecosistemas de modelos que ayuden al sistema de salud en muchas de sus misiones: diagnosticar, tomar decisiones terapéuticas, optimizar recursos, etc.
Aunque quede camino por recorrer, las semillas sembradas ya brotan. Ahora el rumbo está puesto en dos aspectos complementarios: mostrar la viabilidad de estos modelos para ayudar en la toma de decisiones de salud y conectarlos con los complejos sistemas de información de las entidades sanitarias.
