MAESTRO fue un proyecto financiado por una ayuda Marie Skłodowska-Curie Global Fellowship de la convocatoria 2020 en colaboración con la Universidad de Brown en Estados Unidos. El investigador contratado fue Augusto García Agúndez y su Supervisor en IMDEA Networks fue Antonio fernández Anta. El proyecto tenía una duración inicial de 36 meses pero finalizó de manera anticipada en julio de 2023.
Los ictus son afecciones médicas agudas en las que un flujo sanguíneo deficiente a una parte del cerebro provoca la muerte neuronal. Según la Stroke Alliance For Europe (SAFE), en 2015 se produjeron más de 600.000 ictus en la UE. El mismo estudio indica que los ictus, así como los costes médicos asociados, aumentarán significativamente en el futuro. Si no se toman medidas, esto exacerbará enormemente un problema existente. En todo el mundo, el ictus es la segunda causa más común de muerte y la principal causa de discapacidad física.
Existen riesgos a largo plazo asociados al ictus: incapacidad para moverse o sentir un lado del cuerpo, problemas en la expresión verbal o pérdida de la visión, entre otros. Es necesario aplicar dos líneas de acción para minimizar estos riesgos a largo plazo. En primer lugar, es fundamental una intervención urgente en las primeras horas tras el ictus. En segundo lugar, el seguimiento continuo durante la fase de rehabilitación también es fundamental para garantizar un resultado positivo y minimizar los riesgos. Según el mismo informe SAFE, sólo el 30% de los supervivientes reciben atención apropiada y, a pesar de su importancia, el acceso a la rehabilitación y al apoyo a largo plazo es un problema conocido.
El objetivo de MAESTRO era explorar sensores portátiles y tecnologías de deep learning para mejorar la eficacia de la monitorización durante la fase de rehabilitación después de un ictus. El resultado esperado de MAESTRO era un algoritmo, combinado con sensores, que predice la respuesta a la rehabilitación de pacientes con ictus. Su novedad radica en el uso de técnicas de deep learning y hardware disponible para predecir la efectividad de la rehabilitación y monitorizar la adherencia del paciente.
El objetivo de MAESTRO era explorar los procedimientos de clasificación y adquisición de datos y proporcionar información significativa que luego pudiera enviarse a los neurólogos con una intervención mínima o nula por parte del paciente y sin intervención directa del desarrollador del software. Esto se utilizará para predecir los resultados posteriores a un ictus mediante el uso de novedosos algoritmos de machine learning que permiten una clasificación de los pacientes en función de su adherencia y eficacia de la rehabilitación.
En MAESTRO, exploramos fuentes de datos y métodos de sensores para monitorizar a los pacientes con ictus con el fin de mejorar la calidad de la atención y la precisión de la predicción de resultados. Para ello, realizamos una revisión sistemática de los métodos y fuentes de datos en la predicción del resultado del ictus a los 3 y 6 meses basada en la escala de Rankin modificada (mRS). Observamos que las notas de texto libre, procesadas a través de grandes modelos de lenguaje previamente entrenados, como ClinicalBERT, son muy prometedoras para mejorar la calidad de la predicción de resultados con una mínima invasividad. Realizamos un estudio inicial sobre las limitaciones de ClinicalBERT aprovechando las notas de la UCI del set de datos MIMIC-III disponible públicamente y encontramos limitaciones clave que deberían abordarse en el futuro para que el resultado de esta tarea sea clínicamente viable. Por otra parte, adquirimos un corpus de datos actigráficos de pacientes hospitalizados con ictus que experimentaban delirio. Utilizando clasificadores de aumento de gradiente extremo y distorsión dinámica del tiempo, observamos un aumento en la precisión de la predicción de la detección del delirio en comparación con el uso exclusivo de otras formas de datos clínicos estructurados.
El proyecto MAESTRO ha avanzado más allá del estado del arte en dos áreas clave:
Estos dos avances son muy prometedores para aumentar la calidad de la atención de los pacientes con ictus durante la fase aguda y crónica de la enfermedad. En el futuro, nuestro objetivo será entrenar LLMs en conjuntos de datos internacionales, aprovechando métodos como el aprendizaje federado y el modelado multilingüe, para producir LLMs altamente funcionales que mejorarán el apoyo a las decisiones clínicas y reducirán el gasto en atención médica y la carga de documentación.
This project has received funding from the European Union’s Horizon 2020 research and innovation programme under Marie Sklodowska-Curie grant agreement No. 101027770.
Actualmente no hay ofertas de trabajo disponibles.
