BIGSALUD3

Combinando de forma innovadora servicios de infraestructura para tratamiento de información, tanto a nivel de almacenamiento como de procesamiento distribuido, con Inteligencia Artificial, se espera aportar soluciones novedosas a los problemas relacionados con la medicina de precisión, como los mencionados anteriormente. Con ello se pretende mejorar la calidad de vida con una medicina donde los tratamientos se ajusten a cada paciente y donde un hospital pueda anticiparse mejor a sus necesidades.

Como resumen de los objetivos del proyecto, se pueden destacar los siguientes ejes:

1.       Consolidación de una metodología de adaptación de datos sanitarios. Consolidar un flujo de trabajo común entre equipos médicos y analistas de datos para intercambiar, entender y transformar los datos sanitarios (imágenes médicas, información genómica, información clínica, etc.) de manera optimizada para su análisis con técnicas Machine Learning.

2.       Análisis de datos sanitarios mediante técnicas de Machine Learning. Perfeccionar las técnicas de Aprendizaje Automático (Machine Learning) para extraer características discriminativas de imágenes médicas, identificar las variables relevantes de un conjunto de datos sanitarios, producir modelos predictivos con el fin de emitir pronósticos que apoyan la decisión clínica. Estas mismas técnicas serían aplicables en cualquier otro ámbito de interés para un hospital.

3.       Infraestructura y software de apoyo clínico. Optimizar la infraestructura de análisis de datos a las necesidades de un hospital. Extender un servicio predictivo donde un médico pueda introducir en un sistema basado en Inteligencia Artificial los datos de un paciente para obtener una estimación en tiempo real e integrarlo con los servicios y aplicaciones que éste pueda disponer y que se consideren relevantes para la ejecución de los modelos de ML implementados.

A continuación, se enumera el interés de cada uno de los ejemplos identificados, así como el impacto que la aplicación de metodologías IA podría tener sobre los mismos.

·         Reingreso no programado.
Entre el 9% y el 50% de los episodios de rehospitalización en menos de 30 días desde el alta hospitalaria, son prevenibles. Los actuales modelos de predicción para esta tarea tienen una baja capacidad predictiva, y el poder aumentarla tendría un impacto directo tanto en la economía y gestión del hospital como en la percepción de calidad del sistema sanitario por parte de los pacientes.

·         Leucemia Mieloide Aguda.
El porcentaje de cura de esta patología tras un tratamiento estándar de quimioterapia está en torno al 40-45% en adultos jóvenes. El panorama es muy distinto en aquellos pacientes en los que se presenta una recaída o una resistencia al tratamiento, en los que la tasa de supervivencia apenas alcanza el 10%. La capacidad de predecir la respuesta al tratamiento ayudaría a los especialistas a determinar el tratamiento más adecuado para cada paciente

·         COVID19.
En el último año, esta enfermedad ha afectado a más de 141 millones de personas mundialmente acabando con la vida de, al menos, 3 millones. Además, esta pandemia ha desestabilizado los sistemas de salud de muchos países debido a los recursos necesarios de UCI para tratar a estos pacientes. Poder anticiparse a la necesidad de cuidados intensivos de un paciente a través de sus registros clínicos, sería de gran ayuda a la hora de optimizar los recursos de los que disponen los hospitales.

·         Cáncer de mama.
El cáncer de mama es el más extendido entre las mujeres de España, y aunque la tasa de mortalidad disminuye gracias a los avances médicos, la incidencia sigue aumentando. Los sistemas de detección precoz de cáncer de mama requieren de un gran número de horas de radiólogos evaluando mamografías digitales en busca de indicios de la patología. El poder realizar esa evaluación de forma automática, reduciría sustancialmente la dedicación de los especialistas en esta tarea contribuyendo a una atención más rápida en los servicios de radiología.