BARÍTONO
BARÍTONO
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 .
El proyecto 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.
Financiación
Proyectos de Transición Ecológica y Transición Digital 2021. Expediente Nº
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.
- Determinar el máximo de datos clínicos relacionados con ARADs de fuentes hospitalarias para permitir su integración, interoperabilidad y explotación en un datalake clínico.
- Identificar patrones fenotípicos longitudinales clínicos de los ARAD para una clasificación más precisa dentro de cada enfermedad específica.
- Diseñar una estrategia de aumentar proporcionalmente para exportar los desarrollos tecnológicos a otros hospitales acreditados por ARADs del Sitema Sanitari.
- Definir futuros estudios ómicos derivados de fenotipos clínicos para avanzar hacia la medicina personalizada y de precisión con mayores posibilidades de éxito de diagnóstico.
- 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.
- 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.
- 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.
- Creación de un gráfico de conocimiento sanitario para extraer valor de las entidades detectadas en la historia clínica electrónica de los pacientes.
- 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.
- Integración de los sistemas desarrollados en datalake hospitalario teniendo en cuenta la escalabilidad y usabilidad de los modelos de Inteligencia Artificial generados.