BIGSALUD4

Los procesos y metodologías desarrollados, utilizados y/u optimizados en el marco de estos retos clínicos, tendrán aplicación posterior a otras enfermedades en las que aparezcan problemáticas similares. En caso de que los colaboradores sanitarios del proyecto detecten la oportunidad de trabajar en otras enfermedades de interés general en el marco de este proyecto, podrían abordarse retos no contemplados en los ejemplos previamente mostrados en el presente documento.

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 (remisión a largo plazo) 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 y anticipar la recaída ayudaría a los especialistas a determinar el tratamiento más adecuado para cada paciente

• 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.

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. Mejorar y evolucionar las herramientas actuales de ITI-Breast e ITI-Gen, que son los prototipos obtenidos de la I+D de los proyectos BIGSALUD previos, así como en el proceso de empaquetado y distribución utilizado, en base a los feedback recogidos por los usuarios tras su uso en las anualidades anteriores. El análisis e investigación se centrarán en: la optimización del rendimiento y los tiempos de respuesta ante determinadas acciones, la compatibilidad con algunos estándares de autenticación ya existentes y la mejora de la experiencia de usuario de las herramientas existentes.