BARITONE 

BARITONE

Boosting digital tRansItiOn iN healthcarE: integración de clínicas fechas y AI tecnologías para high accurace phenotyping of complex diseases (BARITONE)
Impulsando la transición digital en la salud: integración de datos clínicos y tecnologías de Inteligencia Artificial por el fenotipado de alta precisión de enfermedades complejas (BARITONE)

Bienvenidos a BARITONE

El proyecto BARITONE pretende impulsar la digitalización de la cadena de valor de la asistencia sanitaria, poniendo especial énfasis en la explotación de datos por parte del personal clínico, investigador y científico de Inteligencia Artificial, para mejorar la atención a los pacientes .

BARITONE se centrará en las enfermedades autoinmunes minoritarias del adulto, en las que la digitalización de los datos servirá como valiosa prueba de concepto. La infraestructura tecnológica utilizada se utilizará para otras investigaciones y aplicaciones clínicas diversas, beneficiando a los diferentes actores de la cadena de valor de la salud.

El proyecto se ha publicado en la red Orphanet de enfermedades minoritarias, un recurso único que reúne y mejora el conocimiento sobre las enfermedades minoritarias para mejorar el diagnóstico, atención y tratamiento de los pacientes que las padecen.

Financiación

Proyectos de Transición Ecológica y Transición Digital 2021. Expediente Nº TED2021-129974B-C21

Duración del proyecto: 2 años

IP del proyecto en el I3PT: Dr. Jordi Gratacós, Servicio de Reumatología, Hospital Universitario Parc Taulí

Dotación económica: € 287.500

Centros participantes

 

Parc Taulí Research and Innovation Institute (I3PT)

SUBPROYECTO 1 IP: Jordi Gratacós (coordinador del proyecto)

TÍTULO: Optimización de un datalake clínico mediante la incorporación de herramientas digitales validadas para mejorar el fenotipado de alta precisión de enfermedades complejas.

Centro de Supercomputación de Barcelona (BSC)

SUBPROYECTO 2 IP: Martin Krallinger

TÍTULO: Desarrollo de una infraestructura interoperable de tecnologías de digitalización de datos de salud en español basadas en procesamiento del lenguaje e inteligencia artificial.

Hipótesis

El uso de algoritmos de Inteligencia Artificial para integrar todos los datos sanitarios en un on-premise datalake facilitará un perfil clínico preciso de los pacientes.

Por tanto, se plantea la hipótesis de que el uso de algoritmos de aprendizaje automático en un datalake clínico para enfermedades autoinmunes minoritarias del adulto (ARADs) optimizará la clasificación de estas enfermedades.

Esta implementación tecnológica es esencial para aumentar la probabilidad de encontrar nuevos biomarcadores predictivos y pronósticos para facilitar la evolución hacia la medicina personalizada y mejorar el bienestar de la sociedad.

Objetivos y metodología

El objetivo principal de BARITONE es adaptar una infraestructura digital (es decir, uno datalake) mediante herramientas de Inteligencia Artificial (IA) por mejorar el perfil clínico de enfermedades complejas tales como las ARADs.

La transformación hacia un sistema digitalizado eficiente requiere la colaboración entre distintas disciplinas. Por eso, ambos socios contribuirán con su experiencia para alcanzar con éxito los siguientes objetivos:

Subproyecto 1. El I3PT contribuirá con la experiencia de los sistemas de información clínica y asistencial.
  1. Determinar el máximo de datos clínicos relacionados con ARADs de fuentes hospitalarias para permitir su integración, interoperabilidad y explotación en un datalake clínico.
  2. Identificar patrones fenotípicos longitudinales clínicos de los ARAD para una clasificación más precisa dentro de cada enfermedad específica.
  3. Diseñar una estrategia de aumentar proporcionalmente para exportar los desarrollos tecnológicos a otros hospitales acreditados por ARADs del Sitema Sanitari.
  4. Definir futuros estudios ómicos derivados de fenotipos clínicos para avanzar hacia la medicina personalizada y de precisión con mayores posibilidades de éxito de diagnóstico.
  5. Incorporar los resultados comunicados por el paciente para obtener su estado de salud sin interpretación alguna de la respuesta (colaboración con Fundación29).
Subproyecto 2. BSC se encargará de desarrollar las herramientas de IA necesarias para facilitar los modelos de minería de datos (minería) para su explotación y análisis.
  1. Desarrollo de herramientas avanzadas de anotación semántica de aprendizaje automático (Aprendizaje automático (Machine learning & LLM)) para la identificación de entidades con relevancia para la detección de ARAD en EHR.
  2. Generación de modelos de normalización de entidades de IA capaces de mapear entidades clínicas con terminologías médicas que proporcionen interoperabilidad semántica a los datos textuales de EHR.
  3. Creación de un gráfico de conocimiento sanitario para extraer valor de las entidades detectadas en la historia clínica electrónica de los pacientes.
  4. Generación de datos sintéticos para proporcionar a la comunidad datos representativos y anónimos sobre ARADs que se puedan utilizar para promover la investigación en este campo.
  5. Integración de los sistemas desarrollados en datalake hospitalario teniendo en cuenta la escalabilidad y usabilidad de los modelos de Inteligencia Artificial generados.
Preferencias de privacidad

Cuando visitas nuestro sitio web, el navegador puede almacenar información de servicios específicos, normalmente en forma de cookies. Aquí puedes cambiar tus preferencias de privacidad. Hay que tener en cuenta que el bloqueo de algunos tipos de cookies puede afectar tu experiencia en nuestro sitio web y los servicios que ofrecemos.

Activar / desactivar el código de seguimiento de Google Analytics
Activar / desactivar Google Fonts
Activar / desactivar Google Maps
Activar / desactivar el vídeos incrustados
Este sitio web utiliza cookies, principalmente de servicios de terceros. Puedes editar tus preferencias de privacidad y / o aceptar el uso de las cookies.