Ha sido uno de los proyectos seleccionados en la convocatoria del Fondo Supera COVID-19 para ayudar en el control de la pandemia por coronavirus, enmarcada en el Proyecto SUBCOVERWD-19. Un Sistema de Ayuda a la Decisión Clínica que permitiría, mediante la combinación de síntomas, comorbilidades y pruebas de laboratorio conocer el posible nivel de gravedad del paciente, pudiendo intervenir así anticipadamente ante la previsión. El Dr. Rafael Badenes, del grupo de Investigación en Anestesia de INCLIVA, y jefe de la Sección de Anestesia del Hospital Clínico de Valencia, además de profesor de la UV, ha asegurado que, “desde un punto de vista clínico, el contar con herramientas de Inteligencia Artificial que sean capaces de predecir, en fases tempranas de la enfermedad, cuál va a ser el devenir de la misma, constituye un elemento crucial en la lucha contra la enfermedad”. Un nuevo sistema que podría instaurar tratamientos más precoces, lo que podría suponer la reducción de ingresos en UCI y mortalidad.

Para este nuevo sistema de Inteligencia Artificial han participado profesionales de diversas áreas, como médicos especialistas en medicina preventiva, ingenieros, anestesiología, reanimacion, biólogos y bioestadísticos, un sistema en el que el aprendizaje automático y la calidad de los datos es crucial, ya que hablamos de unas técnicas que permiten extraer los patrones más significativos del historial de comorbilidad del paciente, síntomas, pruebas de laboratorio, y hasta datos de la Unidad de Cuidados Intensivos.

Sin embargo, hay fuertes evidencias de que los datos reales (real world data, RWD) almacenados en los Registros de Salud Electrónicos de los hospitales están lejos de ser perfectos, limitando su extracción de conocimiento tanto por los profesionales médicos como por las máquinas que pueden ayudar al diagnóstico del paciente, además de que la variabilidad inherente a la práctica clínica y la codificación de datos entre los hospitales, o incluso entre sus poblaciones destinatarias, puede sesgar cualquier resultado extraído de los datos.

Por lo que, “los métodos de aprendizaje automático y de IA requieren una evaluación y explicación de la Calidad de los Datos (DQ) asociada tanto al aprendizaje como a las nuevas predicciones para garantizar así soluciones correctas y pragmáticas y esto es a lo que contribuye la metodología que hemos ideado, que será empleada, por primera vez, en esta herramienta”, ha señalado Carlos Sáez, investigador postdoctoral del BDSLab-ITACA de la UPV y coordinador del proyecto.