La recerca sobre IA i salut té com a objectiu aplicar algunes de les tècniques de IA de l'IIIA al camp de l'atenció mèdica. Específicament, se centra en el disseny d'algorismes nous per a proporcionar solucions capaces d'incorporar capacitats descriptives, diagnòstiques, predictives i prescriptives avançades als Sistemes de Suport a la presa de decisions Clíniques (CDSS)
Contacte: Eva Armengol
La tendència actual d'avançar cap a una medicina més Predictiva, Preventiva, Personalitzada i Participativa, coneguda com a Medicina 4P, està canviant el paradigma assistencial. Les tecnologies digitals estan jugant un paper important en aquest paradigma 4P generant un volum i varietat d'informació mai abans vista. La Intel·ligència Artificial està contribuint proporcionant eines per a la gestió i explotació d'aquesta ingent quantitat de dades.
La prescripció de tractaments altament personalitzats augmenta la complexitat dels coneixements i decisions a considerar. La intel·ligència artificial i l'aprenentatge automàtic tenen com a objectiu desenvolupar sistemes innovadors de suport a la presa de decisions per a accelerar el descobriment i la consolidació de noves proves.)
Anàlisi de sèries temporals
Moltes fonts d'informació en salut tenen una dimensió temporal. L'explosió de sensors biomètrics i dispositius portàtils és un exemple de la seva rellevància i també de la seva naturalesa sorollosa. Proporcionar algorismes robustos i eficients per a manejar aquesta quantitat de dades és un desafiament en el qual estem centrats actualment.
Aprenentatge Profund
L'aprenentatge profund permet que els models computacionals que es componen de múltiples capes de processament aprenguin representacions de dades amb múltiples nivells d'abstracció. Aquests mètodes han millorat dràsticament l'estat de l'art en el reconeixement de veu, el reconeixement d'objectes visuals, la detecció d'objectes i molts altres dominis, com el descobriment de fàrmacs i la genòmica.
Raonament Basat en Casos
Els sistemes CBR són capaços de resoldre problemes nous utilitzant el coneixement del domini i l'experiència adquirida en la resolució de problemes precedents (casos). CBR és una metodologia poderosa que permet la creació de prototips incrementals i cicles de disseny curts. El nostre grup és un referent internacional en CBR amb contribucions d'alt impacte tant en recerca com en aplicacions.
Models Gràfics Probabilistes
Els models gràfics probabilístics són un marc poderós per a representar dominis complexos utilitzant distribucions de probabilitat, amb nombroses aplicacions en l'aprenentatge automàtic, la visió per computador, el processament de llenguatge natural i la biologia computacional. Els models gràfics reuneixen la teoria de grafs i la teoria de la probabilitat, i proporcionen un marc flexible per a modelar grans col·leccions de variables aleatòries amb interaccions complexes.
Raonament Causal
Distingir entre co-ocurrència i causalitat és un dels principals desafiaments en l'atenció mèdica. Determinar relacions causals i dissenyar models causals robustos a partir de dades generalment requereix la combinació de fonts de dades múltiples i heterogènies. La nostra recerca s'ha explotat en projectes de transferència de tecnologia.
Aprenentatge
Semisupervisado
Una de les principals característiques dels conjunts de dades sanitàries és que solen estar parcialment anotats. Anotar i seleccionar la informació és un dels aspectes clau per a obtenir conjunts de dades d'alta qualitat. Aquesta tasca requereix un esforç titànic i fàcilment es torna inassequible. Les tècniques semisupervisadas se centren en minimitzar la quantitat d'informació etiquetada, és a dir, els recursos d'experts, al mateix temps que maximitzen els models generats.
Explicabilitat,
Confiança i Responsabilitat
L'adopció d'algorismes complexos de IA/ML per a prendre decisions crítiques xoca amb el requisit de comprendre per què aquests sistemes recomanen les seves decisions, quina és la seva solidesa i les conseqüències ètiques d'aquestes decisions. Aquests sistemes no tindran èxit en l'àrea de la salut si no incorporen capacitats d'explicabilidad.
