"Per transferir la recerca a la pràctica clínica cal la complicitat de moltes persones"

 

Si bé és cert que vivim en un moment de hype de la intel·ligència artificial, el grup ADaS Lab (Applied Data Science Lab), de la Universitat Oberta de Catalunya, treballa en projectes que aviat seran útils als pacients i que ajudaran els professionals de la medicina a ser més precisos i eficients en la seva feina. Ferran Prados i Jordi Casas Roma, líders d'aquest grup adscrit a l'eHealth Center i també vinculats als Estudis d'Informàtica, Multimèdia i Telecomunicació, ens expliquen com impactarà en el sistema sanitari la recerca que estan fent, a més dels reptes amb què es troben en el seu dia a dia.

 

Què és el que més us motiva de la vostra recerca?

Hi ha dos factors principals que influeixen en la nostra motivació. D'una banda, ens agrada la part tècnica, que inclou processament d'imatges, captura i integració de dades mèdiques i de salut, disseny de pipelines de preprocessament de dades i d'aprenentatge automàtic, integració de models d'intel·ligència artificial (IA) i valoració i validació dels resultats. De l'altra, ens motiva poder aportar "un granet de sorra" per millorar el sistema de salut i, en conseqüència, la vida de les persones. Per tant, la transferència de la nostra recerca al sector mèdic suposa un retorn personal gratificant.

Quins són els reptes que us trobeu en la vostra feina?

N'hi ha diversos. Un dels grans problemes és la falta de dades, atès que en l'àmbit mèdic les institucions no les solen compartir per les seves implicacions legals i de privacitat. És especialment complicat obtenir dades del grup de control, és a dir, de les persones sanes, que haurem de contrastar amb dades dels pacients.

La transferència de la recerca a la pràctica clínica també és complicada, perquè cal la complicitat d'una gran comunitat de persones, fet que complica molt poder desplegar alguns dels resultats dels projectes de recerca.

Finalment, no és una tasca fàcil treballar amb equips i projectes multidisciplinaris en què participen rols tan diferents com informàtics, físics, matemàtics, estadístics, metges, biòlegs, etc. Per fer avançar el projecte és imprescindible que tots treballin conjuntament des del principi fins al final, definint-ne els objectius i els plans de treball, i avaluant-ne els resultats

On aconseguiu les dades que utilitzeu?

La majoria de les dades que fem servir en les recerques que estem duent a terme provenen de convenis amb institucions i hospitals, com ara l'Hospital Clínic de Barcelona o l'Agència de Qualitat i Avaluació Sanitàries de Catalunya (AQuAS), entre d'altres.

També fem servir, quan és necessari i en tenim disponibilitat, dades obertes, que són dades a les quals és relativament fàcil d'accedir per fer recerca. Tot i que encara estem lluny de l'escenari ideal, cada vegada hi ha més iniciatives per compartir aquest tipus de dades, com ara els biobancs de diferents països o regions, per exemple, el Biobank del Regne Unit, que va ser un dels pioners.

Un gran nombre d'institucions i empreses afirmen avui que treballen amb intel·ligència artificial. Creieu que el terme està sobreexplotat?

Estem vivint un boom similar al que es va viure, ara fa uns anys, amb el big data (dades massives). D'una banda, hi ha un interès molt important per part d'empreses i institucions en l'ús i l'aplicació de la IA en molts àmbits; des de la salut fins a l'agricultura, passant per la conducció autònoma, les xarxes de transport, la logística, etc. I, d'altra banda, hi ha les necessitats de la societat de resoldre reptes importants, com el diagnòstic o el pronòstic de malalties de manera robusta i eficaç, o automatitzar tasques complexes en què poden intervenir diferents nivells de presa de decisions.

S'està implementant un bon nombre de models i algoritmes per resoldre diversos problemes en tots els sectors. Però, com passa sempre quan hi ha un boom, se sobreexplota el terme IA i es tendeix, en alguns casos, a voler aplicar la tecnologia sense que hi hagi una necessitat real d'aplicar-la. La IA hauria de servir sempre per resoldre de manera satisfactòria un problema de les persones o la societat; no s'hauria d'utilitzar només pel fet d'utilitzar-la.

Quin dels projectes en què treballa l'ADaS Lab està més a prop d'arribar al món clínic i beneficiar els pacients?

La detecció i la quantificació automàtica de noves lesions d'esclerosi múltiple a través de la nostra eina d'intel·ligència artificial es podran emprar aviat en la pràctica clínica i seran de gran utilitat per als neuròlegs i neuroradiòlegs per mesurar l'evolució de les persones amb aquesta malaltia i decidir els següents passos sobre el tractament. Actualment, aquesta tasca ocupa molt de temps i no sempre es fa amb les millors condicions, amb el perjudici que comporta per a les persones amb esclerosi múltiple. La solució dissenyada per ADaS Lab en reduirà el temps i n'homogeneïtzarà els criteris, a més de beneficiar les persones amb aquesta malaltia i el sistema sanitari en general.

Penseu que la recerca sobre malalties neurodegeneratives amb eines d'intel·ligència artificial en pot canviar l'abordatge i impactar positivament en els pacients?

Efectivament. La intel·ligència artificial està ajudant —i ho farà molt més a curt i a mitjà termini— en el diagnòstic precoç i els tractaments individualitzats dels pacients. Hi ha molts grups de recerca a tot el món que treballen per millorar el diagnòstic i el tractament de persones amb malalties neurodegeneratives. De mica en mica es va avançant, però la complexitat i el desconeixement del cervell humà, juntament amb la falta de patrons comuns i dades en obert, dificulta l'assoliment de resultats.

Malauradament, encara tardarem uns anys a veure en la pràctica clínica algunes de les coses que ja podem veure en les publicacions científiques.

Quins han estat els resultats del projecte per diagnosticar COVID-19 amb tècniques d'IA?

Després de testar molts models d'intel·ligència artificial que s'han desenvolupat i entrenat per detectar la COVID-19 a partir d'imatges de raigs X de tòrax, ens hem trobat amb un resultat decebedor i inesperat: tots els models presenten una baixa robustesa en relació amb les dades que s'han emprat per entrenar-la. És a dir, un model entrenat amb unes dades d'un mateix centre mèdic i amb una determinada màquina de raigs X funciona bé amb dades del mateix centre, però el rendiment decau de manera abrupta quan ha de treballar amb dades d'un altre centre.

Això implica que, actualment, no hi ha un model que funcioni bé per a un conjunt heterogeni de dades de diferents centres. Aquest problema esdevé un gran repte científic per a la comunitat d'investigadors d'IA. El nostre objectiu ara és dissenyar un metamodel que combini els resultats i la interpretació de diferents models per aconseguir augmentar-ne la robustesa i el rendiment final.