Alianzas, Institucional
- Ambas entidades colaborarán en actividades de I+D+i, asesoramiento científico y promoción de nuevos conocimientos y tecnologías de la información y comunicaciones ...
PANAKEIA
Herramientas de ayuda para el ámbito sanitario basadas en modelos de Inteligencia Artificial
Sector
Salud
Inicio
01/07/2023
Fin
30/06/2024
Resultados
Presentación
PANAKEIA pretende desarrollar herramientas de ayuda para el ámbito sanitario basadas en modelos de Inteligencia Artificial. Se dispone de dos aplicaciones software que se ajustan a dos tipologías diferentes:
- Una que facilita el uso de modelos IA cuando la información de entrada se compone exclusivamente de datos tabulares.
- Otra que ofrece funcionalidad para el tratamiento de información que nos llega en forma de imagen y sobre la que también nos interesa aplicar modelos IA. Ambas herramientas se ofrecen en diversos formatos de integración, para facilitar su incorporación en la infraestructura hospitalaria. Por ejemplo, aunque ambas disponen de una interfaz gráfica para un uso interactivo, también es posible realizar una instalación dirigida a un procesamiento desatendido, bien sea mediante la ejecución de lotes de trabajo de forma puntual o bien mediante la ejecución periódica de una rutina de proceso que puede ser programada para que se dispare cada cierto tiempo.
En cuanto a las enfermedades investigadas mediante IA, se pretende profundizar en la comprensión de tres ámbitos de aplicación:
- Evitar reingresos hospitalarios no programados.
- Alertar sobre el potencial desarrollo de un cáncer de mama.
- Anticipar las complicaciones que podrían aparecer si se administra un tratamiento de inducción a un paciente de leucemia.
En los tres casos de uso indicados, y en colaboración con diversas entidades sanitarias, ITI pretende diseñar y construir modelos basados en IA que usados mediante las herramientas antes mencionadas ofrecen ayuda a los equipos clínicos de diversas formas. Por ejemplo, realizando estimaciones personalizadas del riesgo de que una persona sufra un reingreso no programado o de que aparezcan complicaciones tras un tratamiento de inducción en Leucemia, o también, en el caso de cáncer de mama, es posible usar un modelo que realice automáticamente la lectura de una mamografía, estableciendo el área de tejido denso y calculando su porcentaje.
Objetivos
Debido a las diferencias existentes en el almacenamiento y tratamiento de datos de diferente índole, como lo son los datos clínicos y las imágenes médicas, se han identificado los siguientes objetivos generales.
OG1 - Marco ML datos clínicos. Mejora del marco de trabajo para aplicación de técnicas de Machine Learning a datos sanitarios (clínicos, ómicos, ambientales, etc.).
OG2 - Marco ML imagen médica. Creación de un marco de trabajo para la aplicación de técnicas de Machine Learning a imagen médica.
Para la consecución de estos objetivos generales, se articulan los siguientes ejes:
OE1 - Consolidación metodología de adaptación de datos sanitarios. La consolidación de un flujo de trabajo común entre equipos médicos y analistas de datos para intercambiar, entender y transformar los datos sanitarios para su uso mediante técnicas de Machine Learning. Este planteamiento es común a OG1 y OG2, dando lugar al siguiente objetivo específico.
Cómo realizar análisis de datos mediante técnicas de Machine Learning depende, en gran medida, de la naturaleza de estos. En este sentido, se identifican los siguientes objetivos específicos:
OE2 - Producir modelos predictivos para diferentes tareas. Entre las que se identifican, el reingreso en menos de 30 días, riesgo de complicaciones para pacientes con leucemia mieloide aguda o la detección de áreas de interés en mamografías digitales y la estimación del riesgo de padecer cáncer de mama.
OE3 - Mejora continua de los modelos en producción. Se pretende establecer un procedimiento de reentrenamiento de modelos con los nuevos registros etiquetados obtenidos con el uso del modelo y donde sabemos cuantificar en qué medida se estaba equivocando el modelo.
OE4 - Mejora del proceso de automatización e industrialización del modelo. Se pretende optimizar y automatizar el actual proceso de despliegue teniendo en cuenta su uso en este tipo de entornos y en base a las necesidades específicas del mismo.
OE5 – Mejora de la experiencia de usuario. La carga y manejo de imágenes de gran tamaño supone un reto en cuanto a su visualización y la aplicación de cualquier modificación sobre la misma. Se pretende analizar diversas posibilidades para que la experiencia de usuario al respecto sea óptima.
OE6 – Internacionalización del modelo y herramientas. La audiencia de las aplicaciones software pueden no estar localizadas en una sola región, lo cual implica diferentes culturas e idiomas. Con la internacionalización de las herramientas se pretende eliminar los obstáculos a la distribución internacional o entre regiones que utilicen diferentes idiomas atendiendo a las preferencias culturales en dicha región.
OE7 – Integración con sistemas origen. Los hospitales, clínicas o cualquier empresa disponen de sistemas propios y muy diversos que complican el despliegue de una herramienta si esta utiliza los datos almacenados en esos sistemas. Debido a esto, es importante buscar la forma de facilitar esa integración para poder realizar la transferencia a esas empresas. Se pretende analizar la mejor manera de realizar esa integración de forma general.
Resultados obtenidos
- Consolidación de una metodología de adaptación de datos sanitarios para la aplicación de las técnicas de Machine Learning mediante la comprensión de los datos, a través de la interactuación con los equipos médicos y la aplicación de criterios de calidad, imputaciones faltantes, búsqueda de posibles sesgos, etc
- Producción de modelos predictivos para pacientes leucemia, diabetes y cáncer de mama. En los pacientes de leucemia con la puesta en marcha de un modelo de prueba de riesgo de complicaciones a 90 días reducido a 4 variables y accesible a través de ITI-GEN y prueba preliminar de modelo de supervivencia para estimar la evolución del riesgo de complicaciones tras su diagnóstico. El modelo predictivo para pacientes de diabetes incluye dos predictores XGBoost (cada uno correspondiente a un grupo de variables disponibles, ambientales o clínicas) que replican los resultados obtenidos en la fase de experimentación. Este modelo es seleccionable por medio de una variable de entrada que no participa en la predicción de riesgo y se ha empaquetado y desplegado en ITI-GEN. Entre los modelos en cáncer de mama se ha conseguido un modelo de imagen con 4 vistas que alcanzó un AUC de 0.74, que asciende a 0.78 al excluir los cánceres de intervalo y un modelo tabular que consigue un AUC de 0.74, además de la obtención de un modelo híbrido (imagen + datos tabulares) que consigue un AUC de 0.75.
- Mejora continua de los modelos en producción. Con el modelo desplegado de leucemia en ITI-GEN, por ejemplo, los facultativos han introducido datos de 20 nuevos pacientes para obtener predicciones de riesgo, que nos han proporcionado junto a sus etiquetas reales por un canal seguro. Mejora continua de los modelos de cáncer de mama juntos a clínicos, desplegando en ITI-BREAST. Creación de la herramienta ITI-Breast Light, que incluye los modelos de segmentación de mama y de tejido denso, y el de estimación de riesgo de desarrollar cáncer de mama para transferencia rápida, con url pública y fácil manejo para empresas colaboradoras.
- Mejora del proceso de automatización e industrialización del modelo a través de un nuevo método de distribución e integración contínua CI/CD aplicable a herramientas web.
- Mejora de la experiencia de usuario, analizando diversas alternativas para que la visualización, manejo y posible modificación por parte del usuario sobre las imágenes que se presentan en la herramienta prototipo ITI-Breast Analyse sea satisfactoria.
- Para la Internacionalización (i18n) del modelo y herramientas ITI-Breast e ITI-Gen se ha implementado generación dinámica de textos para traducciones partiendo de los modelos creados y su mantenimiento en la en la herramienta de Gestión de aplicaciones.
- Integración con sistemas origen. Registro de las ejecuciones de modelos, para el que se ha creado un servicio independiente (PIPELINE) de explotación de modelos para integrarlo fácilmente en cualquier entorno.
Entidades financiadoras
Entidad:
IVACE - Instituto Valenciano de Competitividad Empresarial
Nº Expediente:
IMDEEA/2023/92
Financiación:
248.782,27€
Noticias relacionadas
Interacción Persona-Ordenador, Pro...
El proyecto ha permitido validar una solución inmersiva de asistencia remota en fábricas gracias a robótica móvil y redes de baja latencia
Proyectos I+D+I
El centro tecnológico privado especializado en TIC trabaja en proyectos relacionados con las salud mental, donde desarrollan soluciones para llevar la terapia más allá...
