PANAKEIA

Herramientas de ayuda para el ámbito sanitario basadas en modelos de Inteligencia Artificial

Sector
Salud
Inicio
01/07/2023
Fin
30/06/2024

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:

  1. Una que facilita el uso de modelos IA cuando la información de entrada se compone exclusivamente de datos tabulares.
  2. 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:

  1. Evitar reingresos hospitalarios no programados.
  2. Alertar sobre el potencial desarrollo de un cáncer de mama.
  3. 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.

Entidades financiadoras

Entidad:
IVACE - Instituto Valenciano de Competitividad Empresarial
Nº Expediente:
IMDEEA/2023/92

Noticias relacionadas

Premio a la Mejor Comunicación en el I Foro Iberoamericano de Neurociencia Clínica
eSalud, Realidad Aumentada 

El trabajo que ha presentado ITI junto a la Fundación SASM, titulado “Neurociencia y tecnologías inmersivas”, ha sido premiado por la “elevada calidad de contenid...

Tecnología que contribuye a la mejora de la salud mental
Realidad Aumentada, Salud 

Samuel Navas ha expuesto los avances y retos de ARCADIA2 en el MeetUp de AVRE y en una entrevista para A Punt Ràdio y la Fundación SASM ha visitado de la mano de Patric...

Eventos relacionados