UPV participa en el desarrollo de “COVID-19 Subgroup Discovery and Exploration Tool”

Un equipo de investigadores del Biomedical Data Science (BDS) Lab-ITACA de la Universidad Politécnica de Valencia (UPV), junto a miembros del 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, está desarrollando un sistema de ayuda a la decisión clínica que ofrecerá un pronóstico robusto para cada paciente con COVID-19 en el momento del ingreso.

Se trata de la nueva herramienta, COVID-19 Subgroup Discovery and Exploration Tool, basada en técnicas de inteligencia artificial (IA) y aprendizaje automático. Combinando información sobre síntomas, comorbilidades y pruebas de laboratorio, el sistema permite obtener un 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 el ámbito de la COVID-19 es alcanzar un nivel alto en cuanto a la calidad de los datos, reto al que esta herramienta ayudará a responder.

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, por su sigla en inglés) 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, y sus últimos datos de la unidad de cuidados intensivos (UCI), facilitando una estratificación temprana del paciente y la predicción de la posible gravedad de su estado.

Sin embargo, hay fuertes evidencias de que los datos reales (real world data, RWD) contenidos en los EHR de los hospitales están lejos de ser perfectos, lo que limita la extracción de conocimiento tanto por parte de 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.

“Por lo tanto”, señala Carlos Sáez, investigador postdoctoral del BDSLab-ITACA de la UPV, “los métodos de aprendizaje automático e 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”.

Fuente: UPV