Publicado en el Journal of the American Medical Informatics Association, el trabajo ofrece nuevas claves para la aplicación de la Inteligencia Artificial de forma confiable al seguimiento y gestión de la COVID-19
Un estudio de la Politècnica de València, referencia internacional para la aplicación de la Inteligencia Artificial al seguimiento de la COVID-19
Publicado en el Journal of the American Medical Informatics Association, en el artículo, el equipo de la UPV demuestra las limitaciones que la variabilidad o heterogeneidad de datos, cuando éstos provienen de múltiples fuentes como, por ejemplo, de varios hospitales o países, pueden tener para la aplicación de la Inteligencia Artificial de forma fiable. El equipo de la UPV expone también, las claves de potenciales soluciones a estas limitaciones. Además, partiendo de su estudio, ha desarrollado nuevas herramientas que ayudan a describir y clasificar a los pacientes con COVID-19.
“Los resultados de nuestro estudio y de la aplicación de estas herramientas pueden ayudar potencialmente en la evaluación clínica del paciente y facilitar la clasificación temprana automatizada -por nivel de riesgo- antes del ingreso hospitalario y tras el mismo. Incluso pueden ayudar a planificar la asignación de recursos, favoreciendo especialmente a aquellos pacientes que vayan a ser ingresados en la UCI”, apunta Carlos Sáez, investigador del grupo BDSLab-ITACA de la Universitat Politècnica de València y coordinador del estudio.
Investigadores de la Universitat Politècnica de València (UPV) que han llevado a cabo el estudio.
Nuevos modelos predictivos
Los investigadores del BDSLab-ITACA de la UPV, con la colaboración del Instituto INCLIVA del Hospital Clínico Universitario de Valencia y el Instituto iMas12 del Hospital 12 de octubre de Madrid, han desarrollado también un modelo de Inteligencia Artificial para la predicción temprana de mortalidad, dentro de los primeros 30 días desde el ingreso en urgencias, centrando su aplicación en el estudio a la población adulta mayor de 50 años. Y una aplicación de Aprendizaje Profundo (o Deep Learning) que ayuda a predecir la gravedad en todos los grupos de edad con la ventaja de poder funcionar incluso con información incompleta de los pacientes, ofreciendo así una IA robusta y confiable frente a problemas de calidad de datos.
“Los modelos predictivos desarrollados pueden ayudar a la selección del tratamiento más óptimo para cada paciente en función de su riesgo de mortalidad, así como a la planificación y gestión de recursos en escenarios de baja disponibilidad de los mismos, y todo ello de forma robusta a potenciales incertezas en la información disponible”, apunta Carlos Sáez.
Todo este trabajo se enmarca dentro del proyecto SUBCOVERWD-19, financiado por el Fondo Supera COVID-19, impulsado por CRUE Universidades Españolas, Banco Santander, a través de Santander Universidades y el Consejo Superior de Investigaciones Científicas (CSIC).
Estudio en México
Por último, los investigadores de la UPV han desarrollado también una nueva técnica de investigación de subfenotipos -división de poblaciones de pacientes en grupos con significado propio a partir de características clínicas. Lo han hecho a partir de un estudio con cerca de 800.000 casos de COVID-19 aportados por el Gobierno de México, y en colaboración con investigadores de la Unidad Nayarit del Centro de Investigación Científica y de Educación Superior de Ensenada (México).
Esta técnica se basa en una IA exploratoria de 'meta-clustering', que permite obtener de forma automática una gran cantidad de resultados a distintos niveles socio-demográficos -por grupos de edad, por sexo, y su combinación- favoreciendo la no-discriminación y que, de otra manera, habría que realizar manualmente con un mayor esfuerzo, además de presentarlos al usuario de una forma intuitiva y detallada para su exploración.
De la aplicación de esta técnica en los casos de México, el equipo de la UPV concluye que la edad cronológica no puede emplearse como factor de riesgo de gravedad por sí sola, sino que ha de ir acompañada siempre de comorbilidades e incluso hábitos (edad fisiológica).
“Vimos también que, con unas condiciones clínicas equivalentes, las mujeres tienen una mayor tasa de recuperación que los hombres y, entre la población de edad avanzada, son los mayores de cien años los que mejor se recuperan. Y constatamos, además, que existe una importante variabilidad en tasas de recuperación entre los diferentes estados de México y también, en función de la institución clínica”, concluye Carlos Sáez.
Todos los modelos desarrollados por los investigadores de la UPV y los resultados de sus aplicaciones están disponibles en http://covid19sdetool.upv.es y en https://covidcalculator.upv.es.
Referencias:
Carlos Sáez, Nekane Romero, J Alberto Conejero, Juan M García-Gómez. Potential limitations in COVID-19 machine learning due to data source variability: A case study in the nCov2019 dataset. Journal of the American Medical Informatics Association, Volume 28, Issue 2, February 2021, Pages 360–364, https://doi.org/10.1093/jamia/ocaa258
Lexin Zhou, Nekane Romero, Juan Martínez-Miranda, J Alberto Conejero, Juan M García-Gómez, Carlos Sáez.
Subphenotyping of COVID-19 Patients at Preadmission To Anticipate Severity Stratification: Analysis of 778,692 Mexican Patients Using an Age-Sex Unbiased Meta-Clustering Technique. JMIR Public Health and Surveillance. https://doi.org/10.2196/30032
