Investigadores de la Universidad Politécnica de Valencia (UPV), junto con el Instituto de Investigación Sanitaria (INCLIVA) del Hospital Clínico Universitario de Valencia y el Instituto de Investigación del Hospital Universitario 12 de Octubre de Madrid (i+12), trabajan en una nueva herramienta que ayudará a dar un pronóstico robusto para cada paciente con COVID-19 en el momento del ingreso. Se trata de un Sistema de Ayuda a la Decisión Clínica basado en técnicas de inteligencia artificial y aprendizaje automático. Combinando información sobre síntomas, comorbilidades y pruebas de laboratorio, permite obtener ese pronóstico personalizado para cada individuo y clasificarlo según el nivel de gravedad al que pudiera llegar.
Uno de los principales desafíos para el aprendizaje automático en la COVID-19 es la calidad de los datos; reto al que esta herramienta del Biomedical Data Science Lab-ITACA de la UPV, ayudará a responder.
Uno de los principales desafíos para el aprendizaje automático en la COVID-19 es la calidad de los datos; reto al que esta herramienta del Biomedical Data Science Lab-ITACA de la UPV
Según explica Juan Miguel García-Gómez, coordinador del BDSLab-ITACA de la UPV, el aprendizaje automático tiene el potencial de ayudar en esta tarea mediante la aplicación de técnicas de aprendizaje no supervisado y supervisado a los Registros de Salud Electrónicos (EHR) de los hospitales. Estas técnicas permiten extraer los patrones más significativos del historial de comorbilidad del paciente, los síntomas y las pruebas de laboratorio en el momento del ingreso, hasta sus últimos datos de la Unidad de Cuidados Intensivos (UCI), que pueden conducir a una estratificación temprana del paciente y a la predicción de su gravedad.
Sin embargo, hay fuertes evidencias de que los datos reales (real world data, RWD) contenidos en los Registros de Salud Electrónicos de los hospitales están lejos de ser perfectos, lo que limita su extracción de conocimiento tanto por los profesionales médicos como por las máquinas que pueden ayudar al diagnóstico del paciente. Además, la variabilidad inherente a la práctica clínica y la codificación de datos entre los hospitales, o incluso entre sus poblaciones destinatarias, puede sesgar cualquier resultado extraído de los datos.
Estas técnicas permiten extraer los patrones más significativos del historial de comorbilidad del paciente, los síntomas y las pruebas de laboratorio en el momento del ingreso, hasta sus últimos datos de la Unidad de Cuidados Intensivos (UCI)
"Por lo tanto, los métodos aprendizaje automático y de Inteligencia Artificial (IA) requieren una evaluación y explicación de la Calidad de los Datos (DQ) asociada tanto al aprendizaje como a las nuevas predicciones para garantizar soluciones correctas y pragmáticas y esto es a lo que contribuye la metodología que hemos ideado, que será empleada por primera vez en esta herramienta", concluye Carlos Sáez, investigador postdoctoral del BDSLab-ITACA de la Universidad Politécnica de Valencia.