SEVILLA, 25 May. (EUROPA PRESS) -
El catedrático de Sistemas de la Información e Informática de Gestión de la Universidad Pablo de Olavide (UPO) de Sevilla, el doctor José Luis Salmerón, ha creado una herramienta de aprendizaje automático aplicada al sector sanitario que "no solo contribuye al diagnóstico y tratamiento de enfermedades, sino que preserva la privacidad de los pacientes al no ser necesario compartir sus datos".
En un comunicado, la institución académica ha explicado que se trata de una herramienta diseñada para enfermos con cáncer y que actualmente se está adaptando para aplicarla en casos de Covid-19. Además, detalla que el aprendizaje automático o machine learning identifica patrones entre datos de diferente naturaleza y predice comportamientos a través de algoritmos con capacidad de aprender y evolucionar basándose en su propia experiencia.
En el ámbito de la salud, se trata de la capacidad que tienen los ordenadores de aprender y llegar a conclusiones, de aportar soluciones a problemas concretos y generar conocimiento a partir de la información proporcionada por ingentes cantidades de datos biológicos.
"La técnica desarrollada permite que los algoritmos de inteligencia artificial, es decir, el 'cerebro' de este software de aprendizaje artificial, aprendan de distintos centros hospitalarios sin necesidad de compartir los datos personales y médicos de los pacientes. Los modelos aprenden de los datos de los pacientes, pero esos datos no se comparten", explica el catedrático Salmerón.
Así, la información que sale de cada centro hospitalario no incluye los datos privados y personales, sino tan solo modelos locales parcialmente entrenados en los que la trazabilidad a pacientes concretos no es posible. De esta manera, se preserva la privacidad de los pacientes y se cumplen las limitaciones legales respecto a datos sensibles, a la vez que se obtiene una mayor precisión en el diagnóstico y tratamientos de enfermedades al disponer el sistema de un mayor número de casos para aprender.
"Hay que tener en cuenta que en un solo hospital normalmente no hay un volumen de datos suficiente para que los modelos de inteligencia artificial aprendan y predigan con la precisión requerida. No obstante, con esta técnica, podemos hacer que los modelos de inteligencia artificial aprendan de los datos de muchos hospitales con total seguridad", aclara.
