Proyecto financiado por el Ministerio de Ciencia, Innovación y Universidades, Agencia Estatal de Investigación y cofinanciado con Fondos Estructurales de la Unión Europea
El objetivo principal del proyecto es diseñar, evaluar e interpretar exhaustivamente un sistema de apoyo a la toma de decisiones basado en deep learning, destinado a detectar con precisión la apnea obstructiva del sueño (AOS) en niños utilizando un número mínimo de señales fisiológicas cardiorrespiratorias.
Para ello, se plantean importantes objetivos específicos:
El Grupo de Ingeniería Biomédica de la Universidad de Valladolid es un grupo multidisciplinar, formado principalmente por Ingenieros de Telecomunicación y Médicos de diferentes especialidades (neumología, neurología, electrofisiología, psiquiatría y oftalmología). Sus miembros tienen una amplia experiencia en el procesado de señales biomédicas para la ayuda al diagnóstico de diferentes enfermedades.
Roberto Hornero – roberto.hornero@tel.uva.esEl objetivo principal del proyecto es diseñar, evaluar e interpretar exhaustivamente un sistema de apoyo a la toma de decisiones basado en deep learning, destinado a detectar con precisión la apnea obstructiva del sueño (AOS) en niños utilizando un número mínimo de señales fisiológicas cardiorrespiratorias.
Para ello, se plantean importantes objetivos específicos:
Se evaluarán las siguientes arquitecturas de deep learning: (i) redes neuronales recurrentes, en particular las long short-term memory; (ii) deep belief networks, un enfoque de aprendizaje no supervisado; y (iii) transfer learning, utilizando redes pre-entrenadas. También se implementarán redes neuronales convolucionales (convolutional neural network, CNN) con fines de comparativos.
Las técnicas de deep learning existentes aprovechan las diferentes propiedades de las señales biológicas (interacciones a largo plazo, información espacial, etc.) y aprenden de diferentes maneras (supervisadas o no supervisadas). Para evaluar el aumento del rendimiento de las arquitecturas combinadas de deep learning (ventajas vs. limitaciones), también se propone una comparación con un modelo CNN de última generación.
Existen métodos de explainable artificial intelligence (XAI) centrados en mostrar la información más relevante (patrones de una señal original) que mejor explica la predicción derivada, en este caso, de los métodos de deep learning. Como punto de partida, se aplicarán los siguientes enfoques: (i) Deep SHAP, (ii) Kernel SHAP, y (iii) SHAP Integrated Gradients.
Los algoritmos XAI también se utilizarán para interpretar exhaustivamente modelos de deep learning y obtener subgrupos de instancias de entrada (es decir, pacientes) con características similares.
Desarrollo de novedosos sistemas de apoyo a la toma de decisiones de alto rendimiento basados en técnicas emergentes de deep learning.
Uso de nuevas y relevantes características presentes en las señales cardiorrespiratorias que permitan mejorar el rendimiento diagnóstico.
Adquisición de conocimientos sobre la fisiopatología de la AOS pediátrica a través de la amplia interpretación de modelos automatizados. Los métodos XAI permitirán a los neumólogos y expertos del sueño interpretar cómo funciona el modelo, identificar nuevos patrones relevantes y, por lo tanto, mejorar el diagnóstico y el tratamiento de la apnea del sueño infantil.
Desarrollo de aplicaciones de software para la investigación del sueño que puedan integrarse en los dispositivos de los principales fabricantes.
Disminución de las listas de espera en las unidades de sueño.
Simplificación del protocolo diagnóstico, reduciendo la intrusividad de la prueba y potenciando los estudios domiciliarios.
Mejora del diagnóstico precoz para minimizar los efectos negativos que la AOS produce a medio y largo plazo en los niños.
Evaluar las metodologías de diagnóstico con pacientes reales en la práctica clínica para mejorar los protocolos.
Publicar los resultados en redes sociales, repositorios de acceso abierto y revistas de divulgación científica para maximizar la difusión entre la población general.
Creación de empleo.
Reducción del número total de estudios PSG y de los costes directos asociados a dicha prueba.
Ahorro en recursos humanos y materiales, permitiendo su asignación en otras tareas más demandadas.
Ahorro en costes indirectos relacionados con la salud (por ejemplo, visitas de emergencia, medicamentos, etc).
Identificación de resultados potencialmente transferibles (nuevos algoritmos de diagnóstico basados en deep learning y XAI).
Involucrar en las acciones de difusión a las Entidades Promotoras Observadoras (EPOs): Oxigen Salud S.A., Five Flames Mobile S.L.L., Centro Regional de Servicios Avanzados S.A., Centro Tecnológico CARTIF y Hospital Universitario Río Hortega.
Evaluación de la viabilidad de trasladar los sistemas automatizados de ayuda a la decisión a (i) entornos de práctica clínica y (ii) empresas del ámbito de los servicios/terapias respiratorias, con el fin de aportar valor añadido a los pacientes.
Colaboración con la Oficina de Transferencia de Resultados de Investigación (OTRI) de la Universidad de Valladolid, que asesorará sobre diferentes vías para la transferencia y explotación de los resultados.
Identificación de conocimientos científico-técnicos susceptibles de protección intelectual (evaluar la factibilidad de solicitar licencias/patentes de software).
Identificación y análisis del mercado potencial: contacto con instituciones de salud, empresas privadas y proveedores de servicios en el campo de la medicina respiratoria y del sueño.
Comprobación de la calidad de las señales de flujo aéreo, SpO2 y ECG de la base de datos CHAT. Análisis de los datos sociodemográficos y clínicos para detectar sesgos, relacionar variables clínicas con la información extraída de los registros, o detectar la presencia de comorbilidades en los pacientes. Diseño de estrategias de validación en función de la edad de los sujetos.
Recopilación y análisis de los últimos estudios científicos relacionados con deep learning y XAI. Comparación entre métodos para decidir los más apropiados.
Implementación mediante las herramientas Matlab® y Python de los métodos de deep learning y XAI seleccionados.
Entrenamiento y validación de los modelos de deep learning para las señales AF, SpO2 y ECG. Estudio del conjunto de patrones mediante XAI.
Estudio y aplicación de los métodos estadísticos más adecuados para diferenciar entre los grupos de severidad y edad de AOS infantil. Discusión de los resultados obtenidos para caracterizar los patrones fisiológicos compartidos por la población pediátrica con AOS. Obtener información sobre los patrones fisiológicos relacionados con fenotipos específicos. Interpretación de resultados desde un punto de vista clínico.
Difusión de resultados preliminares en congresos. Elaboración y publicación de al menos 18 artículos sobre los resultados finales en revistas internacionales de prestigio. Elaboración de material de difusión: página web, redes sociales, organización de jornadas, premios y notas de prensa. Elaboración de informes de evolución del proyecto para entregar a las EPOs: Oxigen Salud S.A., Five Flames Mobile S.L.L., Centro Regional de Servicios Avanzados S.A., Fundación CARTIF y Hospital Universitario Río Hortega. Reuniones semestrales para discutir los resultados con ellos. Elaboración de informes sobre el desarrollo de patentes.
Coordinación y control de cada una de las tareas y subtareas.
Pablo Núñez y Fernando Vaquerizo reciben el Premio Jóvenes Investigadores a los mejores artículos publicados en 2021 en el área de Bioingeniería.
El teleco de la apnea del sueño infantil