La inteligencia artificial es una materia en crecimiento hoy en día y se aplica en muchos sectores, como el de la salud. La IA puede ser de gran ayuda, por ejemplo, como herramienta de apoyo para la toma de decisiones médicas, ya que permite encontrar asociaciones complejas entre una multitud de datos y variables y, con ellas, adelantarse a eventos como el desarrollo de enfermedades.
En el área de Health Predictive Analytics (HPA) del Instituto de Ingeniería del Conocimiento (IIC) investigamos innovadoras técnicas basadas en IA y desarrollamos herramientas que puedan servir a los sanitarios en su día a día, desde ayudarlos en la toma de decisiones hasta planificar una mejor gestión de los recursos. En este artículo, recopilamos algunas de las publicaciones científicas que nuestro equipo de Salud ha llevado a cabo durante los últimos años.
Predicción de éxito en inducción del parto
El estudio “Development of a Predictive Model for Induction Success of Labour” (2017), llevado a cabo por un equipo multidisciplinar de expertos en datos de salud e investigadores en aprendizaje automático, tenía por objetivo predecir el éxito en la inducción del parto, como base para desarrollar una herramienta de apoyo a la decisión médica en el campo de la obstetricia (Induccess).
Los datos fueron proporcionados por el Hospital Universitario de Fuenlabrada, incluyendo más de 3.509 informes anonimizados. Se realizó un proceso de extracción de información utilizando técnicas de procesamiento de texto para obtener 21 variables relevantes para la predicción, previamente definidas por un experto médico. Los algoritmos basados en IA demostraron tener un error de clasificación significativamente más bajo (25,16%) que el sistema de reglas que los sanitarios usaban en ese momento (41,89%) y que se tomó como modelo de referencia.
Además, se emplearon técnicas de explicabilidad para facilitar la interpretación de los modelos predictivos desarrollados, haciendo que los resultados sean más comprensibles y útiles en el campo médico. El modelo final abre una nueva línea de trabajo que puede ser utilizada en la práctica clínica en tiempo real por personal médico experto, con el objetivo de apoyar la toma de decisiones respecto a la inducción del parto.
Predicción de la progresión de esclerosis múltiple
La esclerosis múltiple (EM) es una enfermedad inflamatoria del sistema nervioso central y la segunda causa más común de discapacidad en adultos jóvenes. Para que la terapia sea personalizada y eficiente, es esencial una predicción precisa de la respuesta al tratamiento por parte del individuo, donde la IA tiene mucho que aportar.
En el estudio “Model for Prediction of Progression in Multiple Sclerosis” (2019) se utilizaron técnicas de aprendizaje automático para desarrollar un modelo de predicción personalizada basado en la información demográfica, clínica y paraclínica de pacientes en la cohorte internacional MSBase. El modelo identificaba las variables clave que predicen la respuesta individual a distintas terapias modificadoras de la enfermedad, y se implementó en una aplicación web para apoyar a los neurólogos en tiempo real.
La validación del modelo mostró una alta precisión en la predicción de la no progresión de la enfermedad, con áreas bajo la curva (Area Under the Curve, AUC) de 0.8 y 0.82 en el primer y segundo año respectivamente. Este modelo representa un avance significativo hacia la personalización del tratamiento en la esclerosis múltiple, proporcionando una herramienta útil para ayudar a los expertos médicos en la toma de decisiones.
Predicción de diferentes facetas de la artritis psoriásica
Con una cohorte de pacientes de artritis psoriásica construida por la Fundación Española de Reumatología, se realizaron diferentes estudios sobre qué factores de riesgo tienen más relevancia a la hora de predecir algunas caracterizaciones de la enfermedad. Los investigadores pretendían mejorar la comprensión de las características clínicas que contribuyen a una mayor o menor gravedad de la artritis psoriásica en el futuro.
Para ello, se emplearon modelos de aprendizaje automático y técnicas de explicabilidad. Los resultados sugieren que el manejo temprano y adecuado de los factores identificados podría mejorar la evolución de la enfermedad en pacientes con artritis psoriásica.
1.- Predicción de la severidad de la enfermedad
El estudio “Severe Disease in Patients with Recent-Onset Psoriatic Arthritis. Prediction Model Based on Machine Learning” (2022) se centró en identificar y analizar los factores de riesgo asociados a la severidad de la artritis psoriásica. Se identificaron varias variables que tienen importancia en el presente de cara a predecir la severidad futura de la enfermedad. Estas incluyen:
- Dolor global del paciente
- Tratamiento con fármacos sintéticos
- Forma clínica en el momento del diagnóstico
- Nivel elevado de proteína C reactiva
- Hipertensión arterial
- Psoriasis que afecta el área del pliegue glúteo y/o perianal
2.- Predicción de artritis psoriásica de gran impacto
En el artículo “Characteristics associated with the perception of high-impact disease (PsAID ≥4) in patients with recent-onset psoriatic arthritis. Machine learning-based model” (2022), la variable objetivo a analizar fue la percepción del impacto de la enfermedad (Psoriatic Arthritis Impact Disease, PsAID) por parte de los pacientes que la padecen.
El estudio concluye que el dolor, el nivel educacional más bajo y la alta actividad física son factores asociados a un PsAID alto en el futuro. Estos hallazgos sugieren que los enfoques terapéuticos no sólo deben centrarse en el control de la inflamación, sino también en la gestión del dolor y la mejora de la calidad de vida general de los pacientes.
3.- Predicción de la artritis psoriásica moderada-alta
En el caso del estudio “Moderate-High Disease Activity in Patients with Recent-Onset Psoriatic Arthritis-Multivariable Prediction Model Based on Machine Learning” (2023) se utilizaron técnicas de estadística clásica, aprendizaje automático y explicabilidad algorítmica para identificar qué factores pueden predecir una artritis psoriásica moderada-alta en visitas de seguimiento futuras. Los resultados mostraron que los predictores clave son la percepción de alto impacto de la enfermedad (PsAID), el recuento de articulaciones dolorosas, la actividad física elevada y ser del sexo femenino.
4.- Predicción de la artritis psoriásica de actividad mínima
Los resultados del estudio “Minimal disease activity (MDA) in patients with recent-onset psoriatic arthritis: predictive model based on machine learning” (2022) implican que el manejo del dolor debería ser un objetivo clave en el tratamiento de la artritis psoriásica, puesto que ayudaría a prevenir el deterioro del paciente enfermo.
Generación de datos sintéticos para la detección de sepsis
En el estudio “Privacy-Preserving Statistical Data Generation: Application to Sepsis Detection” (2024) abordamos un problema crítico en el ámbito biomédico: la detección temprana de sepsis, una condición médica grave con alta tasa de mortalidad. Dado que la legislación sobre protección de datos y la regulación de la IA están en constante expansión, la generación de datos sintéticos se presenta como una solución prometedora para mantener la privacidad de los datos de los pacientes mientras se mejora la detección de enfermedades.
En este contexto, se propuso un método basado en la combinación de dos técnicas estadísticas para la generación de los datos sintéticos: el estimador de densidad Kernel (Kernel Density Estimator, KDE) y el modelo de K-Vecinos más Cercanos (K Nearest Neighbours, KNN). Este enfoque, denominado KDE-KNN, demostró ser efectivo no sólo en la preservación de la privacidad de los datos, sino también en la mejora de la detección de sepsis al equilibrar el conjunto de datos.
Los resultados del estudio mostraron que el uso de datos sintéticos generados mediante KDE-KNN puede mejorar significativamente la detección de sepsis en comparación con el uso exclusivo de datos reales. Esto se debe a que el conjunto de datos sintéticos está balanceado, a diferencia del conjunto de datos real, que estaba desequilibrado. Este enfoque preserva la privacidad de los datos, ya que la distancia entre los puntos de datos sintéticos y reales es considerable, lo que minimiza el riesgo de re-identificación de pacientes.
Predicción temprana de la parada cardíaca intra-hospitalaria
El estudio “Application of a machine learning model for early prediction of in-hospital cardiac arrests: Retrospective observational cohort study” (2024) se centró en desarrollar y analizar un modelo basado en IA para la predicción de paradas cardíacas intra-hospitalarias (PCI) con alrededor de 24 horas de antelación. Los análisis se realizaron con una cohorte de datos del Hospital Universitario Son Llàtzer, recogida entre 2009 y 2021.
Los resultados expusieron que el aprendizaje automático permite predecir las PCI con antelación en más del 80% de casos, lo cual es enormemente prometedor de cara a la implementación de sistemas de apoyo a la decisión clínica, puesto que la detección temprana de pacientes en riesgo ha demostrado mejorar significativamente sus pronósticos.
Adicionalmente, se emplearon técnicas de explicabilidad algorítmica para identificar los predictores más potentes de la parada cardíaca intra-hospitalaria, que resultaron ser el bajo nivel de conciencia, la hemoglobina baja, la glucosa y urea en sangre altas y la tensión sistólica baja.
En el IIC, dedicamos una parte importante de nuestro tiempo a la investigación, base de la mayoría de nuestras soluciones de inteligencia artificial. En el área de Salud, es además indispensable la colaboración con los profesionales médicos y expertos en las materias abordadas.