Laboratorio de Señales
- Presentación
- Servicios
- Recursos
- proyectos destacados
El Laboratorio de Señales Biomédicas impulsa la investigación y la innovación biomédica mediante el desarrollo de soluciones de ingeniería avanzadas en procesamiento de señales biomédicas e inteligencia artificial aplicada al análisis de datos fisiológicos. Opera como plataforma científica y tecnológica transversal en el Instituto de Investigación e Innovación Parc Taulí (I3PT-CERCA), ofreciendo apoyo especializado a los grupos de investigación del I3PT ya instituciones nacionales e internacionales en los ámbitos de la salud y la ingeniería biomédica.
La misión del Laboratorio es generar soluciones de ingeniería clínicamente relevantes mediante el procesamiento avanzado de señales, la modelización de datos y la inteligencia artificial, con el objetivo de mejorar la monitorización de pacientes, apoyar la toma de decisiones clínicas y avanzar en la medicina de precisión en cuidados críticos. Su actividad abarca todo el ciclo traslacional: desde la adquisición de señales fisiológicas y el desarrollo de algoritmos hasta su validación clínica y su implementación en tiempo real en entornos hospitalarios.
El laboratorio mantiene un firme compromiso con la ciencia abierta y los principios FAIR, gestionando bases de datos fisiológicas anonimizadas, diseñadas para apoyar el desarrollo de algoritmos robustos, reproducibles y clínicamente transferibles. También contribuye activamente a la formación de la próxima generación de ingenieros biomédicos y científicos de datos mediante la supervisión de investigación de grado, master y doctorado.
- Adquisición, integración y procesamiento de señales fisiológicas de pacientes monitorizados.
- Creación y gestión de bases de datos fisiológicas anonimizadas y generación de datos sintéticos.
- Procesamiento y análisis avanzados de señales biomédicas continuas.
- Extracción de características fisiológicas, biomarcadores y variables derivadas.
- Análisis exploratorio, visualización e interpretación de datos fisiológicos.
- Desarrollo, validación y evaluación de algoritmos de procesamiento de señales biomédicas e inteligencia artificial.
- Adaptación e implementación en tiempo real de algoritmos de procesamiento fisiológico previamente desarrollados en entornos offline.
- Integración de algoritmos de monitorización y análisis fisiológico en arquitecturas streaming y sistemas clínicos en tiempo real.
- Apoyo metodológico y asesoramiento científico-técnico en proyectos de investigación relacionados con señales biomédicas, monitorización clínica e inteligencia artificial.
Infraestructura y equipamiento
- Formación especializada en sistemas de monitorización y conectividad de pacientes (BC-Link).
- Base de datos fisiológica RAMIC-I — Real-time Agnostic Monitoring for Intensive Care (DOI: https://doi.org/10.34810/DATA2509): conjunto de datos de alta resolución y conformidad FAIR de pacientes con ventilación mecánica en la UCI, que apoya la investigación sobre interacciones paciente-ventilador, modelización predictiva y optimización de la ventilación mecánica invasiva.
Infraestructura computacional
- Windows Server 2022 Datacenter; 2 × Intel® Xeon® Gold 6348 @ 2,60 GHz; 32 GB RAM; 500 GB de almacenamiento local; 5 TB NARIZ.
Entornos de desarrollo y análisis
- MATLAB, Python, PostgreSQL, pgAdmin, BetterCare, Spyder, Visual Studio Code, Jupyter Notebook.
IntelliLung
Estudio observacional prospectivo multicéntrico con centros de Alemania, España y Polonia, que desarrolla una herramienta digital basada en IA para la generación automatizada de información personalizada para pacientes y familiares en la UCI, y valida IntelliLung, un sistema de soporte a la decisión clínica basado en IA para la optimización de la ventilación mecánica y otros tratamientos.
Financiación: Horizon Europe (101057434)
Entropy Care
Desarrollo de una estación de trabajo clínica offline para la optimización del proceso de retirada de la ventilación mecánica y la prevención de autoextubaciones en pacientes críticos, mediante técnicas avanzadas de análisis no lineal e inteligencia artificial para detectar interacciones complejas paciente-ventilador, en colaboración con el Hospital Althaia (Manresa).
Financiación: Departamento de Salud (SLT017/20/000153)
Caracterización del Flow Starvation
Estudio multicéntrico que evalúa, mediante inteligencia artificial, la incidencia del elevado esfuerzo inspiratorio en pacientes críticos. El proyecto combina datos retrospectivos de la UCI del Hospital Universitario Parc Taulí con datos prospectivos de la UCI del Hospital Clínic de Barcelona, e incluye la implementación en tiempo real de algoritmos de detección automática de esfuerzo inspiratorio elevado durante la ventilación mecánica.
Financiación: AES ISCIII (PI24/01268)