Ciència de Dades Biomèdiques

 Amb el temps, s'acumula informació valuosa sobre l'activitat biològica dels fàrmacs i dades clíniques dels pacients en fitxers corporatius i públics. Aquests conjunts de dades, en conjunt, poden ser suficients per proporcionar noves pistes terapèutiques, i les noves tecnologies d'anàlisi de dades són prou madures per accelerar el descobriment i el desenvolupament de fàrmacs.

Al mateix temps, amb l'arribada de la salut digital, els nostres telèfons i tauletes s'han convertit en una part integral de les nostres vides, controlant-ho tot, des de la ingesta diària fins al pols dels nostres clients i els seus hàbits de comportament. La pandèmia de la COVID-19 ha augmentat la consciència del potencial de les telecomunicacions, remodelant la nostra comprensió de la salut i les relacions humanes.

L'equip de Ciència de Dades Biomèdiques d'ISGlobal busca desenvolupar i traduir mètodes d'anàlisi de dades importats d'altres disciplines, com la física, la visió per computador i l'aprenentatge automàtic. Adoptem un enfocament intervencionista a la recerca, centrant-nos en mètodes que tenen com a objectiu explicar i predir fenòmens biomèdics alhora que ofereixen impacte social.

Tot i que l'aplicació de xarxes neuronals artificials per estudiar grans conjunts de dades s'està convertint en una eina consolidada de classificació i predicció, aquesta tecnologia manca en gran manera de la interpretabilitat necessària per a les aplicacions biomèdiques i la implementació clínica. El nostre laboratori se centra en el desenvolupament d'eines analítiques que aportin resultats interpretables a través de la Intel·ligència Artificial Explicable (XAI), oferint noves perspectives sobre els factors biològics de les malalties i facilitant el descobriment de nous biomarcadors per al diagnòstic precoç de malalties. L'objectiu d'aquest treball és possibilitar intervencions efectives i millorar els resultats de salut.

Principals àrees de recerca

• Anàlisi i classificació d'imatges mèdiques i microscòpiques per donar suport a la presa de decisions clíniques en neurodegeneració, envelliment i càncer.
• Integració de dades heterogènies i històries clíniques electròniques (EHR) per a l'avaluació automatitzada del risc dels resultats de salut de la població.
• Aplicacions explicatives de la Intel·ligència Artificial (IA) en l'àmbit biomèdic. Cerca de nous biomarcadors per a la detecció precoç i la gestió de les malalties no transmissibles.

Projectes en curs 

Diagnòstic precoç de la malaltia hepàtica

LIVERAIM aborda la necessitat urgent de detecció i tractament precoç de malalties hepàtiques, com la fibrosi, la cirrosi i el càncer de fetge, que sovint es diagnostiquen massa tard. Aquesta eina digital està dissenyada per facilitar el diagnòstic precoç de la fibrosi hepàtica mitjançant la integració de variables clíniques, demogràfiques, de biomarcadors i d'estil de vida. Mitjançant l'aplicació d'algoritmes avançats d'aprenentatge automàtic, LIVERAIM millora la nostra comprensió de les patologies hepàtiques proporcionant factors de risc explicables. Utilitzant aplicacions de salut digital i wearables, admet estratègies de seguiment personalitzades, garantint intervencions oportunes i precises per obtenir millors resultats dels pacients. Projecte LIVERAIM finançat per l'Innovative Health Initiative Joint Undertaking (IHI JU) en virtut de l'acord de subvenció núm. 101132901. Membre de l'equip: Angélica Atehortúa.

L'impacte a llarg termini de la COVID

El projecte EndVoC investiga l'associació entre infeccions prèvies de COVID-19 i vacunes amb canvis en l'índex de massa corporal (IMC) i salut endocrina, especialment centrant-se en l'obesitat. Aprofitant mètodes estadístics clàssics i tècniques avançades d'aprenentatge automàtic, el nostre projecte específic dins d'EndVoC analitza les fluctuacions de l'IMC a la població espanyola durant la pandèmia de la COVID-19, explorant les relacions entre l'IMC, el diagnòstic de la COVID-19 i l'estat de vacunació. Les nostres troballes proporcionaran coneixements crítics sobre com la pandèmia ha afectat la salut de la població, guiant les estratègies de salut pública per gestionar l'obesitat i millorar els resultats de salut en poblacions vulnerables. Aquesta recerca està finançada pel programa de recerca i innovació Horizon 2020 de la Unió Europea en virtut del conveni de subvenció núm. 874719. Membres de l'equip: Paula Sol Ventura i Gina Saranti.

Aprenentatge profund per comprendre l'envelliment de les cèl·lules mare

Aquest projecte pretén comprendre els factors biològics clau de l'envelliment de les cèl·lules mare hematopoètiques (HSC) mitjançant microscòpia avançada i anàlisis basades en IA. Concretament, se centra a identificar els canvis relacionats amb l'edat en les característiques de la cromatina dins del nucli dels HSC joves i vells mitjançant la microscòpia confocal combinada amb la visió per ordinador.

Estem dissenyant un model d'aprenentatge profund que classifica imatges de microscòpia en 3D per proporcionar una "puntuació de rejoveniment", que avalua els efectes de diversos tractaments farmacològics sobre les HSC envellides. Aquesta investigació contribueix a una plataforma avançada d'anàlisi d'imatges amb aplicacions en el cribratge de fàrmacs i teràpies destinades a revertir l'envelliment i millorar els resultats de salut. Aquest projecte es realitza en col·laboració amb la Dra. Carolina Florián de l'IDIBELL, que lidera la investigació del programa Mecanismes Moleculars i Teràpia Experimental en Oncologia, centrat en la interacció entre l'envelliment i el càncer. El projecte està finançat per la beca de doctorat INPhINIT de “La Caixa”, que dóna suport a iniciatives innovadores de recerca doctoral. Membre de l'equip: Pablo Iañez.

La IA en el descobriment de fàrmacs

ZeCardioAI combina models de peix zebra amb intel·ligència artificial per identificar biomarcadors i desenvolupar teràpies dirigides per a les miocardiopaties dilatades i hipertròfiques. En col·laboració amb l'empresa de descobriment de fàrmacs de Barcelona ZeCardio Therapeutics, capturem dades de vídeo cardíac d'alta resolució i utilitzem algorismes d'aprenentatge automàtic per analitzar la funció i l'estructura del cor en el peix zebra. Aquest enfocament innovador accelera el descobriment de biomarcadors precisos i de noves teràpies, millorant la nostra comprensió dels mecanismes que impulsen la progressió de la malaltia. Membre de l'equip: Ferran Arqué, Doctor Industrial de ZeCardio Therapeutics.

Diagnòstic precoç mitjançant tecnologies d'ultrasons

Un dels principals interessos del nostre equip és l'aplicació de la tecnologia d'ultrasò d'alta resolució per millorar la capacitat de diagnòstic de diverses afeccions mèdiques. El nostre equip col·labora amb Kriba, una empresa de dispositius mèdics amb seu a Barcelona, ​​per aprofitar la intel·ligència artificial i la tecnologia d'ultrasò d'alta resolució per detectar diverses malalties infeccioses com la meningitis i la uveïtis.

Un dels nostres projectes clau, la Detecció Automàtica Precoç de Peritonitis a Pacients en Diàlisi, se centra a millorar el diagnòstic mitjançant l'anàlisi dels nivells de concentració de leucòcits. A través d'aquesta col·laboració estem treballant en un mètode avançat i no invasiu per detectar la peritonitis, una complicació freqüent a la diàlisi peritoneal. Mitjançant la integració d'ultrasons d'alta resolució amb tècniques d'IA pretenem aconseguir una detecció precoç que pugui reduir significativament els costos sanitaris, millorar la qualitat de vida dels pacients i avançar en l'obtenció d'imatges mèdiques i la detecció de malalties. Membre de l'equip: Sara Guillén, doctora industrial de Kriba.AI

IA per millorar l'eficiència del diagnòstic cardíac

El projecte té com a objectiu automatitzar la detecció, classificació i notificació de les anomalies del moviment de la paret regional (RWMA) del ventricular esquerre de la ressonància magnètica CINE cardíaca mitjançant una solució basada en IA, abordant el buit actual en l'estandardització del diagnòstic. El valor potencial rau a millorar la precisió del diagnòstic, especialment en entorns amb recursos limitats i amb menys metges experimentats, reduint la càrrega cognitiva del metge i millorant els resultats dels pacients, amb l'avantatge afegit d'augmentar l'eficiència operativa als hospitals racionalitzant el procés de diagnòstic.

El projecte es realitza en col·laboració amb els doctors Matías Calandrelli i Martín Descalzo de la Unitat de Ressonància Magnètica de l'Hospital de la Santa Creu i Sant Pau (HSCSP). El projecte és finançat per les ajudes per a contractes predoctorals per a la formació de doctors/es del Govern d'Espanya. Membre de l'equip: Guillermo Villanueva.

Enfocaments de processament digital per a la classificació de senyals d'ECG

Els senyals fisiològics accessibles i de baix cost com els electrocardiogrames (ECG) ofereixen valuoses anàlisis mèdiques preventives que es poden aprofitar mitjançant l'aprenentatge automàtic (ML). Aquest projecte se centra a desenvolupar una eina reproduïble per transformar els senyals d'ECG en característiques significatives o imatges 2D per classificar els trastorns cardíacs, incloent la malaltia de Chagas i l'ictus.

En convertir els ECG en característiques o imatges, explorem diferents representacions de l'activitat cardíaca per millorar el diagnòstic de la malaltia. Això també ens ajuda a investigar les mètriques d'explicabilitat, revelant com les xarxes neuronals codifiquen i distingeixen entre afeccions cardíaques.

El nostre objectiu és millorar la detecció precoç en entorns clínics mitjançant processament de senyals i xarxes neuronals. Aquest treball està co-dirigit per Matias Calandrelli i es realitza en col·laboració amb l'Hospital Clínic i la Unitat de Ressonància Magnètica de l'Hospital de la Santa Creu i Sant Pau (HSCSP). Membre de l'equip: Diego Benito.