Un equipo de VRAIN-UPV genera algoritmos de IA para analizar datos de enfermedades genéticas y crear nuevas terapias

Equipo de investigadores Better
Equipo de investigadores Better - UPV
Publicado: sábado, 14 septiembre 2024 11:31

   VALÈNCIA, 14 Sep. (EUROPA PRESS) -

   Un grupo de investigadores e investigadoras del Instituto Universitario Valenciano de Investigación en Inteligencia Artificial (VRAIN) de la Universitat Politècnica de València (UPV) está generando algoritmos de inteligencia artificial para analizar datos de enfermedades genéticas y crear nuevas terapias.

   En concreto, están creando algoritmos de aprendizaje automático (Machine Learning) federado (MLF), que analizarán la información masiva de datos clínicos de diferentes centros médicos y pacientes con enfermedades genéticas para crear nuevas terapias en el marco del proyecto europeo BETTER, según ha indicado la institución académica en un comunicado.

   El objetivo de este equipo es utilizar la IA para mejorar los resultados en tres patologías concretas: la discapacidad intelectual pediátrica, las distrofias hereditarias de retina y el trastorno del espectro autista. Todo ello garantizando la privacidad de los pacientes.

    Para llevar a cabo este cometido se está desarrollando una plataforma (Better rEal- world health-daTa distributEd analytics Research platform- BETTER) que analizará, a través de tecnología distribuida, dispersa en diferentes centros médicos, y bajo el cumplimiento de la Ley de Protección de Datos de cada país, información de los pacientes para investigación médica.

   En la actualidad, solo se analizan los datos de un determinado centro médico y cuando se quieren combinar varios centros es necesario centralizar los datos en un nodo, exponiéndolos así a vulnerabilidades relacionadas con la privacidad de la información.

   Este hecho limita la obtención de los mejores resultados. Sin embargo, la plataforma BETTER contará con una infraestructura descentralizada que permite a los investigadores y profesionales explotar este conjunto de datos de los nueve países que participan en el proyecto, a través de técnicas de MLF.

   En este proyecto, participan siete centros médicos de los nueve países, de la UE y fuera de ella, entre los que se encuentran el Hospital Universitario La Fe (IIS La Fe), la Fundació Mutua de Terrassa y la Fundació y Hospital Sant Joan de Deu, en España.

   Para cumplir con la actual Ley de Protección de Datos de cada País, la plataforma utiliza el principio de Tren Sanitario Personal (Personal Health Train PHT). Este concepto consta de estaciones (centros médicos), trenes (algoritmos de IA) y una estación central que se encarga de coordinar cómo viajan los trenes entre estaciones.

COMPRENSIÓN DE LOS FACTORES DE RIESGO

   De este modo, para resolver una determinada tarea, un tren visita distintos nodos y ejecuta el análisis en local sobre los datos anonimizados, sin que salgan de esa estación (centro médico). Finalmente se agregan todos los análisis realizados entre los distintos nodos y se obtiene el resultado final.

   Este análisis federado e integrado de los datos clínicos, incluidos los datos genómicos, hace que los investigadores avancen en la comprensión de los factores de riesgo de las enfermedades, las causas y el desarrollo de un tratamiento óptimo en las diferentes fases de la enfermedad.

   El investigador principal de este proyecto en VRAIN de la UPV, Óscar Pastor, ha explicado que, además con esta plataforma también vinculan a "expertos en medicina, científicos de datos e ingenieros de software de diversos países en un proyecto común, que procesa de forma inteligente, integrada y original datos de procedencia diversa garantizando su privacidad, amplía el conocimiento clínico compartido de las enfermedades analizadas a y lo aplica a la mejora de la salud de las personas".

   BETTER es un proyecto financiado por el programa Horizonte de la Unión Europea, en el que participan 15 entidades de 9 países, con una duración de 42 meses que se inició en diciembre de 2023.

Contador

Leer más acerca de: