BARITONE
BARITONE
Boosting digitAl tRansItiOn iN healthcarE: integration of clinical data and AI technologies for high accuracy phenotyping of complex diseases (BARITONE)
Impulsant la transició digital en la salut: integració de dades clíniques i tecnologies d’Intel·ligència Artificial pel fenotipat d’alta precisió de malalties complexes (BARITONE)
Benvinguts a BARITONE
El projecte BARITONE pretén impulsar la digitalització de la cadena de valor de l’assistència sanitària, posant especial èmfasi en l’explotació de dades per part del personal clínic, investigador i científic d’Intel·ligència Artificial, per millorar l’atenció als pacients.
BARITONE se centrarà en les malalties autoimmunes minoritàries de l’adult, on la digitalització de les dades servirà com a valuosa prova de concepte. La infraestructura tecnològica utilitzada s’utilitzarà per a altres investigacions i aplicacions clíniques diverses, i beneficiarà els diferents actors de la cadena de valor de la salut.
El projecte s’ha publicat a la xarxa Orphanet de malalties minoritàries, un recurs únic que reuneix i millora el coneixement sobre les malalties minoritàries per a millorar el diagnòstic, l’atenció i el tractament dels pacients que les pateixen.
Finançament
Projectes de Transició Ecològica i Transició Digital 2021. Expedient Nº TED2021-129974B-C21
Duració del projecte: 2 anys
IP del projecte a l’I3PT: Dr. Jordi Gratacós, Servei de Reumatologia, Hospital Universitari Parc Taulí
Dotació econòmica: 287.500 €
Centres participants
Parc Taulí Research and Innovation Institute (I3PT)
SUBPROJECTE 1 IP: Jordi Gratacós (coordinador del projecte)
TÍTOL: Optimització d’un datalake clínic mitjançant la incorporació d’eines digitals validades per millorar el fenotipat d’alta precisió de malalties complexes.
Barcelona Supercomputing Center (BSC)
SUBPROJECTE 2 IP: Martin Krallinger
TÍTOL: Desenvolupament d’una infraestructura interoperable de tecnologies de digitalització de dades de salut en espanyol basades en processament del llenguatge i intel·ligència artificial.
Hipòtesi
L’ús d’algoritmes d’Intel·ligència Artificial per integrar totes les dades sanitàries en un on-premise datalake facilitarà un perfil clínic precís dels pacients.
Per tant, es planteja la hipòtesi que l’ús d’algoritmes d’aprenentatge automàtic en un datalake clínic per a malalties autoimmunes minoritàries de l’adult (ARADs) optimitzarà la classificació d’aquestes malalties.
Aquesta implementació tecnològica és essencial per augmentar la probabilitat de trobar nous biomarcadors predictius i pronòstics per facilitar l’evolució cap a la medicina personalitzada i millorar el benestar de la societat.
Objectius i metodologia
L’objectiu principal de BARITONE és adaptar una infraestructura digital (és a dir, un datalake) mitjançant eines d’Intel·ligència Artificial (IA) per millorar el perfil clínic de malalties complexes com ara les ARADs.
La transformació cap a un sistema digitalitzat eficient requereix la col·laboració entre diferents disciplines. Per això, ambdós socis contribuiran amb la seva experiència per assolir amb èxit els objectius següents:
Subprojecte 1. L’I3PT contribuirà amb l’experiència dels sistemes d’informació clínica i assistencial.
- Determinar el màxim de dades clíniques relacionades amb ARADs de fonts hospitalàries per permetre la seva integració, interoperabilitat i explotació en un datalake clínic.
- Identificar patrons fenotípics longitudinals clínics dels ARADs per a una classificació més precisa dins de cada malaltia específica.
- Dissenyar una estratègia de scale-up per exportar els desenvolupaments tecnològics a altres hospitals acreditats per ARADs del Sitema Sanitari.
- Definir futurs estudis òmics derivats de fenotips clínics per avançar cap a la medicina personalitzada i de precisió amb més possibilitats d’èxit de diagnòstic.
- Incorporar els resultats comunicats pel pacient per obtenir el seu estat de salut sense cap interpretació de la resposta (col·laboració amb Foundation29).
Subprojecte 2. BSC s’encarregarà de desenvolupar les eines d’IA necessàries per facilitar els models de mineria de dades (mining) per a la seva explotació i anàlisi.
- Desenvolupament d’eines avançades d’anotació semàntica d’aprenentatge automàtic (Machine Learning) per a la identificació d’entitats amb rellevància per a la detecció d’ARAD en EHR.
- Generació de models de normalització d’entitats d’IA capaços de mapejar entitats clíniques amb terminologies mèdiques que proporcionen interoperabilitat semàntica a les dades textuals d’EHR.
- Creació d’un gràfic de coneixement sanitari per extreure valor de les entitats detectades a la història clínica electrònica dels pacients.
- Generació de dades sintètiques per proporcionar a la comunitat dades representatives i anònimes sobre ARADs que es puguin utilitzar per promoure la investigació en aquest camp.
- Integració dels sistemes desenvolupats en datalake hospitalari tenint en compte l’escalabilitat i usabilitat dels models d’Intel·ligència Artificial generats.