La UPM crea una IA que mejora la predicción clínica sin dejar de respetar la privacidad de los pacientes

Un equipo de investigadores de la Universidad Politécnica de Madrid (UPM) ha desarrollado un sistema de inteligencia artificial (IA) que "mejora la predicción clínica mediante el aprendizaje federado y datos sintéticos", y ello "sin intercambiar historiales reales y respetando la privacidad de los pacientes".

"Más allá del avance técnico, el trabajo apunta a una necesidad muy concreta del sistema sanitario, colaborar sin renunciar a la privacidad", ha señalado la miembro del centro académico, Patricia A. Apellániz, en el contexto de que la herramienta aplicada a la Medicina puede ayudar a estimar cómo evolucionará un paciente.

No obstante, los profesionales se encuentran en la práctica con un obstáculo, y es que los hospitales no siempre pueden compartir datos clínicos reales. Además, muchas enfermedades generan conjuntos de datos pequeños, incompletos y muy distintos entre sí, como es el caso de las patologías raras.

SISTEMA 'FEDSDS'

Por ello, los expertos han creado 'FedSDS', que es una nueva estrategia pensada para el análisis de supervivencia. De este modo, busca predecir el tiempo que transcurrirá hasta que se produzca un evento clínico relevante, como una recaída, una complicación o el fallecimiento de un paciente.

Los resultados, publicados en la revista especializada 'Computers in Biology and Medicine', "indican un mejor rendimiento que modelos federados anteriores", han indicado desde la UPM, al tiempo que han expuesto que la herramienta y otras "podrían facilitar que hospitales de distintos tamaños entrenen modelos predictivos más robustos sin centralizar la información sensible de sus pacientes, algo especialmente valioso en enfermedades raras o en entornos con pocos casos disponibles".

Así, 'FedSDS' evita mover los historiales médicos entre centros, y es que en lugar de compartir datos reales, cada uno puede trabajar con información sintética generada localmente, que reproduce patrones estadísticos útiles sin exponer directamente los datos de los pacientes. Junto a ello, incorpora un mecanismo que selecciona, entre las referencias sintéticas, las más parecidas a la realidad de cada hospital, lo que permite adaptarse mejor a contextos en los que los datos son escasos o están desequilibrados.