El proyecto BIGSALUD4 pretende llevar la Inteligencia Artificial (IA) a la práctica hospitalaria ofreciendo apoyo al personal sanitario en el proceso de toma de decisiones, haciendo posible un mejor pronóstico de complicaciones, un tratamiento más personalizado y eficaz de los pacientes y permitiendo a un hospital anticiparse a sus necesidades.
El uso de modelos predictivos de IA conlleva una serie de ventajas interesantes. Permiten manejar una cantidad de variables mucho mayor de lo que podría abordar una persona. También se pueden consultar de forma automatizada lo que permite una monitorización periódica de sus predicciones.
En BIGSALUD4, el objetivo es doble:
- Por una parte, construir los modelos predictivos con las mejores prestaciones posibles para dos enfermedades de interés: Leucemia Mieloide Aguda y Cáncer de mama.
- Por otra parte, avanzar en el desarrollo de dos herramientas de soporte a la decisión que permiten consultar los modelos predictivos y monitorizar sus predicciones. Herramientas que conocemos como ITI-GEN e ITI-BREAST.
En los casos de Cáncer de mama, el tejido denso es un indicador importante de riesgo de padecer esta enfermedad en el futuro. En esta línea, y en colaboración con el Institut Hospital del Mar d’Investigacions Mèdiques de Barcelona, hemos desarrollado un modelo de segmentación automático de mamografías digitales basado en aprendizaje profundo (Deep Learning) que identifica zonas de tejido denso de la mama. Para ello, realizamos un estudio comparativo de la segmentación del modelo automático con la de radiólogos expertos. Los resultados dejan la puerta abierta en utilizar estos modelos como segmentación preliminar, donde los radiólogos expertos ya solo intervendrán en las mamografías más ambiguas.
En leucemia mieloide aguda, anticipar las complicaciones como recaídas tempranas o enfermedad resistente a la inducción, tratamiento generalmente de quimioterapia, permite adaptar el tratamiento de los pacientes. El modelo construido, en este caso, está basado en aprendizaje automático (Machine Learning) y estima el riesgo de sufrir complicaciones tras diagnóstico en un horizonte temporal de tres meses. Lo hemos llevado a cabo gracias a la colaboración con el Hospital Universitario 12 de Octubre de Madrid y el Instituto de Investigación Sanitaria La Fe de Valencia, manejando datos clínicos, genéticos y de anomalías cromosómicas (citogenética).
