La investigación sobre IA y salud tiene como objetivo aplicar algunas de las técnicas de IA del IIIA al campo de la atención médica. Específicamente, se centra en el diseño de algoritmos novedosos para proporcionar soluciones capaces de incorporar capacidades descriptivas, diagnósticas, predictivas y prescriptivas avanzadas a los Sistemas de Soporte a la toma de Decisiones Clínicas (CDSS)
Contacto: Eva Armengol
La tendencia actual de avanzar hacia una medicina más Predictiva, Preventiva, Personalizada y Participativa, conocida como Medicina 4P, está cambiando el paradigma asistencial. Las tecnologías digitales están jugando un papel importante en este paradigma 4P generando un volumen y variedad de información nunca antes vista. La Inteligencia Artificial está contribuyendo proporcionando herramientas para la gestión y explotación de esta ingente cantidad de datos.
La prescripción de tratamientos altamente personalizados aumenta la complejidad de los conocimientos y decisiones a considerar. La inteligencia artificial y el aprendizaje automático tienen como objetivo desarrollar sistemas innovadores de apoyo a la toma de decisiones para acelerar el descubrimiento y la consolidación de nuevas pruebas.
Análisis de series temporales
Muchas fuentes de información en salud tienen una dimensión temporal. La explosión de sensores biométricos y dispositivos portátiles es un ejemplo de su relevancia y también de su naturaleza ruidosa. Proporcionar algoritmos robustos y eficientes para manejar esta cantidad de datos es un desafío en el que estamos centrados actualmente.
Aprendizaje Perofundo
El aprendizaje profundo permite que los modelos computacionales que se componen de múltiples capas de procesamiento aprendan representaciones de datos con múltiples niveles de abstracción. Estos métodos han mejorado drásticamente el estado del arte en el reconocimiento de voz, el reconocimiento de objetos visuales, la detección de objetos y muchos otros dominios, como el descubrimiento de fármacos y la genómica.
Razonamiento Basado en Casos
Los sistemas CBR son capaces de resolver problemas nuevos utilizando el conocimiento del dominio y la experiencia adquirida en la resolución de problemas precedentes (casos). CBR es una metodología poderosa que permite la creación de prototipos incrementales y ciclos de diseño cortos. Nuestro grupo es un referente internacional en CBR con contribuciones de alto impacto tanto en investigación como en aplicaciones.
Modelos Gráficos Probabilistas
Los modelos gráficos probabilísticos son un marco poderoso para representar dominios complejos utilizando distribuciones de probabilidad, con numerosas aplicaciones en el aprendizaje automático, la visión por computador, el procesamiento de lenguaje natural y la biología computacional. Los modelos gráficos reúnen la teoría de grafos y la teoría de la probabilidad, y proporcionan un marco flexible para modelar grandes colecciones de variables aleatorias con interacciones complejas.
Razonamiento Causal
Distinguir entre co-ocurrencia y causalidad es uno de los principales desafíos en la atención médica. Determinar relaciones causales y diseñar modelos causales robustos a partir de datos generalmente requiere la combinación de fuentes de datos múltiples y heterogéneas. Nuestra investigación se ha explotado en proyectos de transferencia de tecnología.
Aprendizaje Semisupervisado
Una de las principales características de los conjuntos de datos sanitarios es que suelen estar parcialmente anotados. Anotar y seleccionar la información es uno de los aspectos clave para obtener conjuntos de datos de alta calidad. Esta tarea requiere un esfuerzo titánico y fácilmente se vuelve inasequible. Las técnicas semisupervisadas se centran en minimizar la cantidad de información etiquetada, es decir, los recursos de expertos, al tiempo que maximizan los modelos generados.
Explicabilidad,
Confianza y Responsabilidad
La adopción de algoritmos complejos de IA/ML para tomar decisiones críticas choca con el requisito de comprender por qué estos sistemas recomiendan sus decisiones, cuál es su solidez y las consecuencias éticas de estas decisiones. Estos sistemas no tendrán éxito en el área de la salud si no incorporan capacidades de explicabilidad.
