COVID-19 Subgroup Discovery and Exploration Tool

Un equip d’investigadors del Biomedical Data Science (BDS) Lab-ÍTACA de la Universitat Politècnica de València (UPV), junt amb membres de l’Institut d’Investigació Sanitària INCLIVA de l’Hospital Clínic Universitari de València i l’Institut d’Investigació de l’Hospital Universitari 12 d’Octubre de Madrid i+12, desenvolupa actualment un sistema d’ajuda a la decisió clínica que oferirà un pronòstic robust per a cada pacient amb COVID-19 en el moment de l’ingrés.

Es tracta d’una nova eina basada en tècniques d’intel·ligència artificial (IA) i aprenentatge automàtic. Combinant informació sobre símptomes, comorbiditats i proves de laboratori, el sistema permet obtenir un pronòstic personalitzat per a cada individu i classificar-lo segons el nivell de gravetat a què podria arribar –per exemple, si, després d’alguns dies, la persona afectada pot patir una insuficiència respiratòria aguda, cas en què seria fonamental poder proporcionar-li un tractament precoç.

Qualitat de les dades

Un dels principals desafiaments per a l’aprenentatge automàtic en l’àmbit de la COVID-19 és aconseguir un nivell alt de qualitat de les dades, un repte al qual aquesta eina ajudarà a respondre.

Segons explica Juan Miguel García-Gómez, coordinador del BDSLab-ÍTACA de la UPV, l’aprenentatge automàtic té el potencial d’ajudar en aquesta tasca mitjançant l’aplicació de tècniques d’aprenentatge tant no supervisat com supervisat als registres de salut electrònics (EHR, per les sigles en anglès) dels hospitals.

Aquestes tècniques permeten extraure els patrons més significatius de l’historial de comorbiditat del pacient, els seus símptomes i proves de laboratori en el moment de l’ingrés, i les seues últimes dades de la unitat de vigilància intensiva (UVI), de manera que faciliten una estratificació primerenca del pacient i la predicció de la possible gravetat del seu estat.

No obstant això, hi ha proves sòlides que les dades reals (real world data, RWD) contingudes en els EHR dels hospitals estan lluny de ser perfectes, la qual cosa limita l’extracció de coneixement tant pels professionals mèdics com per les màquines que poden ajudar a fer el diagnòstic del pacient. A més, la variabilitat inherent a la pràctica clínica i la codificació de dades entre els hospitals, o fins i tot entre les poblacions destinatàries, poden esbiaixar qualsevol resultat extret de les dades.

“Per tant”, assenyala Carlos Sáez, investigador postdoctoral del BDSLab-ÍTACA de la UPV, “els mètodes d’aprenentatge automàtic i IA requereixen una avaluació i una explicació de la qualitat de les dades (DQ) associada tant a l’aprenentatge com a les noves prediccions per a garantir solucions correctes i pragmàtiques, i és a això que contribueix la metodologia que hem ideat, i que s’emprarà per primera vegada en aquesta eina”.

Projecte SUBCOVERWD-19

L’equip de la UPV, juntament amb experts de l’INCLIVA i de l’Institut d’Investigació de l’Hospital Universitari 12 d’Octubre de Madrid i+12, treballa avui en aquest desenvolupament en el marc del Projecte SUBCOVERWD-19.

Rafael Badenes, doctor del Grup d’Investigació en Anestèsia de l’INCLIVA, assegura que, des d’un punt de vista clínic, el fet de disposar d’eines d’IA que siguen capaces de predir, en fases primerenques de la malaltia, quin desenvolupament tindrà constitueix un element crucial en la lluita contra la COVID-19. “En els casos en què es preveja una major gravetat, podríem instaurar tractaments de manera més precoç, amb l’objectiu final de reduir la mortalitat i els ingressos a l’UCI", afig el Dr. Badenes, cap de secció d’Anestèsia de l’Hospital Clínic i Universitari de València i professor de la Universitat de València.

Tècniques avançades i molt sofisticades per a identificar patrons desconeguts

“L’heterogeneïtat i complexitat de la COVID-19”, afig el Dr. Agustín Gómez de la Cámara, cap de la Unitat d’Investigació i Suport Científic de l’Hospital 12 d’Octubre, “fa imprescindible l’ús de tècniques molt avançades i sofisticades d’anàlisi, a fi de poder identificar els patrons clínics i epidemiològics d’aquesta malaltia, que encara són molt desconeguts. Creiem que aquest projecte pot contribuir a aconseguir aquest objectiu”.

Aquest projecte, coordinat per Carlos Sáez, investigador de la UPV, ha sigut un dels seleccionats en la convocatòria del FONS SUPERA COVID-19, impulsada per CRUE Universitats Espanyoles, el Banco Santander ­–a través de Santander Universidades– i el Consell Superior d’Investigacions Científiques (CSIC).

Els casos de la Xina i Filipines

“La qualitat de les dades és crítica”, indica Sáez. “Especialment, en els entorns de compartició de dades en múltiples llocs, la variabilitat entre les fonts de dades és una possible font de biaixos inesperats en l’aprenentatge i l’ús posterior de models”, afirma el coordinador del projecte.

En aquest sentit, a fi de descobrir i classificar els subgrups de severitat de COVID-19 tot fent servir el conjunt de dades nCov2019, publicat fa poc en la revista Scientific Data, l’equip del BDSLab-Ítaca de la UPV ha descobert que els dos països amb major prevalença en aquestes dades (la Xina i les Filipines) es van dividir en subgrups separats amb manifestacions de gravetat diferents.

El treball i els seus resultats, en la nova eina

“La variabilitat de les fonts de dades pot comportar potencials biaixos per al procés d’aprenentatge automàtic de COVID-19, així com per a la generalització dels resultats en nous pacients i localitzacions. És crucial tenir la variabilitat i qualitat de dades en compte per a una IA robusta i de confiança”, conclou Sáez.

Tant aquest treball com els resultats corresponents s’han recollit en la nova eina COVID-19 Subgroup Discovery and Exploration Tool.