Computación de altas prestaciones embebida y eficiente para salud personalizada

En la era de la medicina de precisión, la inteligencia artificial (IA) debería representar un gran avance en la evaluación personalizada de los pacientes. Los modelos predictivos para la medicina personalizada deben abordar varios retos específicos distintos de los comunes a otras áreas de aplicación del aprendizaje automático. En primer lugar, los modelos deben recopilar e integrar diversas fuentes de datos multimodales de una manera cuantitativa que ofrezca predicciones clínicas inequívocas (radiómica). En segundo lugar, los modelos también deben ser fácilmente interpretables desde un punto de vista clínico para permitir el análisis de los factores clínicos que inciden en la decisión clínica. En tercer lugar, las predicciones deben ser robustas con respecto a las incertidumbres de los datos debido al impacto de las condiciones de recogida (como los parámetros de adquisición o la variabilidad en las anotaciones manuales) y la presencia de casos raros y/o periféricos, que se convierten en altamente influyentes para las clases minoritarias que conducen a un sobreajuste. Por último, los algoritmos deben ejecutarse en tiempo real con recursos informáticos posiblemente limitados y un acceso fluctuante a Internet, lo que desaconseja la computación en nube. Este proyecto aborda el desarrollo de métodos predictivos multivista capaces de modelar la incertidumbre de los datos clínicos y su implementación en plataformas informáticas heterogéneas para lograr el procesamiento en tiempo real de los datos recogidos dinámicamente de las interacciones del usuario y los sensores multimodales. Estos sistemas ciberfísicos se han probado en dos escenarios de aplicación médica: 1. Diagnóstico precoz personalizado del cáncer de pulmón. Se ha desarrollado una metodología híbrida que combina descriptores radiómicos de textura con la potencia de las redes neuronales, optimizadas para asegurar una máxima reproducibilidad de resultados. Un estudio retrospectivo con datos de 2 hospitales ha validado el sistema como predictor de la malignidad de las lesiones en un programa de cribado de cáncer de pulmón. 2. Evaluación del estado cognitivo mediante bioseñales. Se han entrenado y seleccionado las arquitecturas más adecuadas para el procesado de señales de electroencefalograma para determinar la carga de trabajo mental. Se han desarrollado varios serious games para obtener datos anotados sin incertidumbre que sirvan para entrenar y seleccionar las arquitecturas, que se han testeado en datos obtenidos en simuladores de vuelo dentro del proyecto europeo ePilots. 3. Evaluación del estado físico mediante sensores inerciales. Se han utilizado tanto sistemas comerciales (sobre el cinturón) como sistemas wearables desarrollados en el proyecto (plantillas) así como las aplicaciones de prueba con pacientes con los correspondientes módulos de automatización de pruebas que anteriormente se realizaban de forma manual para determinar el grado de equilibrio de un paciente de edad avanzada, con médicos de atención primaria de IDIAP Jordi Gol (ICS) y el grado de rehabilitación después de una cirugía de cadera, con médicos de CHUGA (Francia).