Ciencia de Datos Biomédicos

Con el tiempo, en los archivos corporativos y públicos se acumula información valiosa sobre la actividad biológica de los fármacos y datos clínicos de los pacientes. Estos conjuntos de datos, en su conjunto, pueden ser suficientes para proporcionar nuevas pistas terapéuticas, y las nuevas tecnologías de análisis de datos ya están lo suficientemente maduras como para acelerar el descubrimiento y desarrollo de fármacos.

Paralelamente, con la llegada de la salud digital, los teléfonos y las tabletas se han convertido en parte integrante de nuestras vidas, monitorizándolo todo, desde la ingesta diaria y el pulso hasta los patrones de sueño y los hábitos de comportamiento. La pandemia de COVID-19 ha aumentado la conciencia del potencial de las telecomunicaciones, remodelando nuestra comprensión de la salud y las relaciones humanas.

El equipo de Ciencia de Datos Biomédicos de ISGlobal busca desarrollar y traducir métodos de análisis de datos importados de otras disciplinas, como la física, la computer vision y el aprendizaje automático. Adoptamos un enfoque intervencionista de la investigación, centrándonos en métodos que tienen como objetivo explicar y predecir fenómenos biomédicos al tiempo que ofrecen un impacto social.

Aunque la aplicación de redes neuronales artificiales para estudiar grandes conjuntos de datos se está convirtiendo en una herramienta de clasificación y predicción consolidada, esta tecnología carece a menudo de la interpretabilidad necesaria para las aplicaciones biomédicas y la implementación clínica. Nuestro laboratorio se centra en el desarrollo de herramientas analíticas que proporcionen resultados interpretables a través de la Inteligencia Artificial Explicable (XAI), ofreciendo nuevas perspectivas sobre los factores biológicos de las enfermedades y facilitando el descubrimiento de nuevos biomarcadores para el diagnóstico precoz de afecciones. El objetivo de este trabajo es posibilitar intervenciones eficaces y mejorar los resultados sanitarios.

Principales áreas de investigación

• Análisis y clasificación de imágenes médicas y microscópicas para apoyar la toma de decisiones clínicas en neurodegeneración, envejecimiento y cáncer.
• Integración de datos heterogéneos e historias clínicas electrónicas (EHR) para la evaluación automatizada del riesgo de los resultados sanitarios de la población.
• Aplicaciones explicables de la Inteligencia Artificial (IA) en el campo biomédico. Búsqueda de nuevos biomarcadores para la detección precoz y la gestión de enfermedades no transmisibles. 

Proyectos en curso 

Diagnóstico precoz de las enfermedades hepáticas

LIVERAIM aborda la urgente necesidad de detectar y tratar precozmente las enfermedades hepáticas, como la fibrosis, la cirrosis y el cáncer de hígado, que a menudo se diagnostican demasiado tarde. Esta herramienta digital está diseñada para facilitar el diagnóstico precoz de la fibrosis hepática mediante la integración de variables clínicas, demográficas, biomarcadores y de estilo de vida. Mediante la aplicación de algoritmos avanzados de aprendizaje automático, LIVERAIM mejora nuestra comprensión de las patologías hepáticas al proporcionar factores de riesgo explicables. Mediante el uso de aplicaciones de salud digitales y wearables, apoya estrategias de seguimiento personalizadas, garantizando intervenciones oportunas y precisas para mejorar los resultados de los pacientes. El proyecto LIVERAIM es financiado por Innovative Health Initiative Joint Undertaking (IHI JU) en virtud del acuerdo de subvención nº 101132901. Miembro del equipo: Angélica Atehortúa.

El impacto a largo plazo de la COVID

El proyecto EndVoC investiga la asociación entre infecciones previas por COVID-19 y vacunaciones con cambios en el índice de masa corporal (IMC) y la salud endocrina, centrándose especialmente en la obesidad. Aprovechando métodos estadísticos clásicos y técnicas avanzadas de aprendizaje automático, nuestro proyecto específico dentro de EndVoC analiza las fluctuaciones del IMC en la población española durante la pandemia de COVID-19, explorando las relaciones entre el IMC, el diagnóstico de COVID-19 y el estado de vacunación. Nuestros hallazgos proporcionarán una visión crítica de cómo la pandemia ha impactado en la salud de la población, guiando las estrategias de salud pública para controlar la obesidad y mejorar los resultados de salud en poblaciones vulnerables. Esta investigación está financiada por el programa de investigación e innovación Horizonte 2020 de la Unión Europea en virtud del acuerdo de subvención nº 874719. Miembros del equipo: Paula Sol Ventura y Gina Saranti.

Aprendizaje profundo para comprender el envejecimiento de las células madre

Este proyecto tiene como objetivo comprender los factores biológicos clave del envejecimiento de las células madre hematopoyéticas (HSC) mediante microscopía avanzada y análisis basados en IA. En concreto, se centra en la identificación de cambios relacionados con la edad en las características de la cromatina dentro del núcleo de HSC jóvenes y envejecidas mediante microscopía confocal combinada con visión por ordenador.

Estamos diseñando un modelo de aprendizaje profundo explicable que clasifica imágenes de microscopía 3D para proporcionar una "puntuación de rejuvenecimiento", que evalúa los efectos de varios tratamientos farmacológicos en HSC envejecidas. Esta investigación contribuye a una plataforma avanzada de análisis de imágenes con aplicaciones en la detección de fármacos y terapias dirigidas a revertir el envejecimiento y mejorar los resultados de salud. Este proyecto se lleva a cabo en colaboración con la Dra. Carolina Florián en el IDIBELL, que lidera la investigación en el programa de Mecanismos Moleculares y Terapia Experimental en Oncología, centrándose en la interacción entre el envejecimiento y el cáncer. El proyecto está financiado por la beca de doctorado INPhINIT de "La Caixa", que apoya iniciativas innovadoras de investigación doctoral. Miembro del equipo: Pablo Iañez.

La IA en el descubrimiento de fármacos

ZeCardioAI combina modelos de pez cebra con inteligencia artificial para identificar biomarcadores y desarrollar terapias dirigidas para cardiomiopatías dilatadas e hipertróficas. En colaboración con la empresa barcelonesa de descubrimiento de fármacos ZeCardio Therapeutics, capturamos datos de vídeo cardíacos de alta resolución y empleamos algoritmos de aprendizaje automático para analizar la función y la estructura del corazón en el pez cebra. Este enfoque innovador acelera el descubrimiento de biomarcadores precisos y terapias novedosas, mejorando nuestra comprensión de los mecanismos que impulsan la progresión de la enfermedad. Miembro del equipo: Ferran Arqué, Doctor Industrial de ZeCardio Therapeutics.
 

Diagnóstico precoz mediante tecnologías de ultrasonidos

Uno de los principales intereses de nuestro equipo es la aplicación de la tecnología de ultrasonidos de alta resolución para mejorar la capacidad de diagnóstico de diversas afecciones médicas. Nuestro equipo colabora con Kriba, una empresa de dispositivos médicos con sede en Barcelona, para aprovechar la inteligencia artificial y la tecnología de ultrasonidos de alta resolución para la detección de diversas enfermedades infecciosas como la meningitis y la uveítis.

Uno de nuestros proyectos clave, la Detección Automática Precoz de Peritonitis en Pacientes en Diálisis, se centra en mejorar el diagnóstico mediante el análisis de los niveles de concentración de leucocitos. A través de esta colaboración, estamos trabajando en un método avanzado y no invasivo para detectar la peritonitis, una complicación frecuente en la diálisis peritoneal. Mediante la integración de ultrasonidos de alta resolución con técnicas de IA, pretendemos lograr una detección precoz que pueda reducir significativamente los costes sanitarios, mejorar la calidad de vida de los pacientes y avanzar en la obtención de imágenes médicas y la detección de enfermedades. Miembro del equipo: Sara Guillén, doctora industrial de Kriba.AI

IA para mejorar la eficacia del diagnóstico cardiaco

El objetivo del proyecto es automatizar la detección, clasificación y notificación de las anomalías regionales del movimiento de la pared del ventrículo izquierdo (RWMA, por sus siglas en inglés) a partir de la resonancia magnética cardiaca CINE mediante una solución basada en IA, abordando el vacío actual en la estandarización del diagnóstico. El valor potencial reside en la mejora de la precisión diagnóstica, especialmente en entornos de recursos limitados con menos clínicos experimentados, la reducción de la carga cognitiva del clínico, y la mejora de los resultados del paciente, con el beneficio añadido de aumentar la eficiencia operativa en los hospitales mediante la racionalización del proceso de diagnóstico.

El proyecto se lleva a cabo en colaboración con el Dr. Matías Calandrelli y Martín Descalzo en la Unidad de Resonancia Magnética del Hospital de la Santa Creu i Sant Pau (HSCSP). El proyecto está financiado por las ayudas para contratos predoctorales para la formación de doctores/as del Gobierno de España. Miembro del equipo: Guillermo Villanueva.

Enfoques de procesamiento digital para la clasificación de señales de ECG

Las señales fisiológicas accesibles y de bajo coste, como los electrocardiogramas (ECG), ofrecen valiosos conocimientos médicos preventivos que pueden aprovecharse mediante el aprendizaje automático (AM). Este proyecto se centra en el desarrollo de una herramienta reproducible para transformar señales de ECG en características significativas o imágenes 2D para clasificar trastornos cardíacos, como la enfermedad de Chagas y el ictus.

Al convertir los ECG en características o imágenes, exploramos diferentes representaciones de la actividad cardiaca para mejorar el diagnóstico de enfermedades. Esto también nos ayuda a investigar métricas de explicabilidad, revelando cómo las redes neuronales codifican y distinguen entre afecciones cardíacas.

Nuestro objetivo es mejorar la detección precoz en entornos clínicos mediante el procesamiento de señales y las redes neuronales. Este trabajo está codirigido por Matias Calandrelli, y se lleva a cabo en colaboración con el Hospital Clinic y la Unidad de Resonancia Magnética del Hospital de la Santa Creu i Sant Pau (HSCSP). Miembro del equipo: Diego Benito.