Investigadores de la UPNA aplican inteligencia artificial para predecir la gravedad en pacientes con covid

 Investigadores del Grupo de Inteligencia Artificial y Razonamiento Aproximado GIARA de la Universidad Pública de Navarra han logrado simplificar el trabajo de un tipo de red neuronal artificial que opera con imágenes, de tal forma que este método de la inteligencia artificial puede fusionar la información más relevante que obtiene de las citadas imágenes con las que se le entrena para imitar la forma de pensar de los seres humanos. Este trabajo, según remarcan Iosu Rodríguez Martínez (autor principal) y HumbertoBustince, director del grupo GIARA, “puede servir para priorizar la detección de casos más graves de covid-19 frente a los más leves o viceversa”.

La investigación cuenta con la colaboración del Hospital Universitario de Navarra y de las empresas NAITEC, Tracasa Instrumental y Nasertic.

Los autores de esta investigación han aplicado una familia de funciones matemáticas con el fin de obtener “redes neuronales más robustas y capaces” a partir de imágenes de radiografías de tórax de pacientes que habían sufrido la covid-19. El funcionamiento de las redes neuronales artificiales se basa en aprender a partir de la experiencia (datos históricos ya conocidos sobre el problema) para tratar de imitar las soluciones propuestas en el pasado y resolver nuevos ejemplos del mismo problema. 

Rodríguez y Bustince investigan las redes que operan sobre imágenes y han aplicado esta técnica para predecir la severidad de la sintomatología en pacientes con covid. Así, disponía de dos tipos de datos anonimizados de pacientes: las radiografías de tórax, donde, dependiendo del grado de la infección, podían apreciarse ciertos indicios visuales de infección pulmonar, e historiales clínicos, que permitía conocer su evolución.

“Entrenamos una de estas redes neuronales, con esta información, enseñándole muchas de esas imágenes. El objetivo era que pudiera predecir correctamente las complicaciones del paciente, según la información de su historial clínico”, explican estos investigadores. Estos sistemas, prosiguen, “aprenden mediante un proceso de ensayo y error: comienzan haciendo una predicción al azar y, según cómo sea de correcta, ajustan de manera automática sus ‘parámetros’ para hacerlo un poco mejor la próxima vez”. Este proceso se repite muchas veces, hasta que el error del sistema es aceptable, es decir, hasta que predice correctamente las complicaciones de la mayoría de los pacientes”.