- Premio Beca Investigación por Equipos
- Nombre del Proyecto: Prevención basada en inteligencia artificial
- Modalidad: Investigación por Equipos
- Importe de la beca: 4.000€
- Premio Beca Investigación por Equipos
- Nombre del Proyecto: Prevención basada en inteligencia artificial
- Modalidad: Investigación por Equipos
- Importe de la beca: 4.000€
- Guillermo Pérez Acosta (investigador principal), especialista en Medicina Intensiva en el Complejo Hospitalario Universitario Insular-Materno Infantil de Gran Canaria
- Miembros del equipo:
José Luciano Santana Cabrera
José Javier Blanco López
¿Qué supone para ti, personalmente, haber ganado esta beca?
Poder contribuir a
mejorar el conocimiento y tratamiento de esta enfermedad que ha generado una
importante afectación socio-sanitaria a nivel mundial. Innovar en la creación
de una herramienta pronóstica adecuada, pudiendo optimizar los recursos
sanitarios y disminuir el contagio entre el personal sanitario.
¿Y profesionalmente?
La posibilidad de formar
un equipo multidisciplinar integrando conceptos de Inteligencia Artificial
aplicados a la Medicina mediante el tratamiento de bases de datos BigData.
Trabajar con BigData y la aplicación de inteligencia artificial dentro de la
pandemia actual resulta tremendamente útil, no sólo para predecir brotes,
también para permitir la anticipación y predicción al desarrollo de
complicaciones clínicas durante la estancia de pacientes COVID19 en la unidad
de cuidados intensivos. Se añade una mejora en el conocimiento de la enfermedad
y con esta anticipación se puede disminuir el riesgo de contagio ante
situaciones consideradas de alto riesgo biológico, como la generación de aerosoles
en pacientes COVID19.
Brevemente, ¿en qué consiste tu investigación?
Los pacientes COVID19 que
ingresan en unidades de cuidados intensivos presentan una elevada repuesta
inflamatoria con un compromiso múltiple orgánico, principalmente con afectación
pulmonar y hemodinámica. La obstrucción del tubo endotraqueal es una
complicación frecuente en el curso evolutivo de la neumonía por COVID19,
provoca hipoxemia e imposibilidad para la ventilación. Esto tiene implicaciones
pronósticas para el paciente, aumentando la duración de la ventilación mecánica
y la mortalidad. Esta complicación, que consideramos puede influir en el
pronóstico del paciente, lleva aparejada un incremento en el riesgo de contagio
por parte del personal sanitario: es uno de los procedimientos catalogados como
de mayor riesgo de transmisión vírica desde los pacientes hacia el personal
sanitario, igual que la broncoscopia, aersolterapia, nebulización y aspiración
de secreciones. La elaboración de modelos predictivos basados en variables clínicas,
hemodinámicas y de mecánica pulmonar que predisponen a la presencia de complicaciones
durante su ingreso es crucial en la prevención de dichas complicaciones y para
mejorar la supervivencia de estos pacientes. En nuestros trabajos preliminares
con Big Data y Machine Learning, hemos constatado que durante un largo periodo
de tiempo (más de 10 horas) antes del episodio de obstrucción, se generan
cambios clínicos comunes en los pacientes que presentan obstrucción. Se abren
así nuevas perspectivas de avance en la búsqueda de métodos de predicción de
obstrucción. Esto vendrá de la mano de las técnicas de Machine Learning que
desarrollaremos en este proyecto. Con la creación de estos modelos predictivos
ante la aparición de complicaciones se puede mejorar la optimización de recursos
sanitarios, contribuir a la óptima evolución de los pacientes y disminuir la
incidencia de situaciones de riesgo biológico en pacientes COVID19.
¿En qué consiste tu investigación pero explicado de un punto de vista para un público general no médico?
El COVID19 se contagia
principalmente por aerosoles entre seres humanos. En ocasiones la infección
puede causar un daño respiratorio severo, siendo necesario en estos casos el
ingreso en Unidades de Cuidados intensivos (UCI) y la conexión a ventilación
mecánica para salvar la vida de los pacientes. Los trabajadores sanitarios que
practican su labor en la UCI (médicos, enfermeros, auxiliares, etc) disponen de
material de seguridad, denominado equipo de protección individual (EPI) que consta
de: batas, guantes, mascarillas, gafas protectoras, etc. Esto se tiene que
colocar antes de tratar al paciente, para que prevenga de aerosoles y disminuya
la posibilidad de contagio al personal. Durante esta infección se produce una
inflamación generalizada del cuerpo, pudiendo desarrollar graves complicaciones
respiratorias y cardiacas. Una complicación frecuente es la formación de
costras en el tubo respiratorio, esto provoca la obstrucción del mismo y la
imposibilidad para ventilar al paciente. Esta obstrucción se genera de forma
brusca, provocando un compromiso vital al paciente que depende de la
ventilación mecánica. El personal sanitario debe asistir al paciente de forma
inmediata ante tal evento. Creemos que esta y otras complicaciones se pueden
prevenir en el tiempo. De hecho, mediante los estudios preliminares que hemos
desarrollado, utilizando complejos datos matemáticos, se evidencia un periodo
temporal en el que se producen cambios clínicos en la monitorización que pueden
avisar de una obstrucción traqueal. El objetivo de nuestro estudio es, mediante
la creación de modelos predictivos, adelantarnos al episodio de obstrucción del
tubo endotraqueal en pacientes con ventilación mecánica afectados por neumonía
por COVID19. Del mismo modo, disminuir la incidencia de situaciones de riesgo
en paciente COVID19 y establecer modelos pronósticos de otras complicaciones
clínicas.
¿Por qué elegiste esta investigación?
El COVID19 es una
enfermedad sumamente importante tras apreciar su alta contagiosidad, el
desarrollo de complicaciones clínicas severas y elevado riesgo biológico para
trabajadores sanitarios. Todo esto conlleva un elevado consumo de recursos
sanitarios. La intención de esta línea de investigación es aunar conocimientos
médicos y conceptos de inteligencia artificial en la creación de herramientas y
modelos predictivos que ayuden en la prevención y mejora pronóstica de los
pacientes COVID19. Es una línea innovadora con un potencial enorme, su
aplicabilidad en pacientes es sencilla, además puede ser extrapolable a
pacientes COVID19 ingresados en diversas Unidades de Cuidados Intensivos de
otros centros sanitarios, ampliando la optimización de recursos.
¿Dónde y cómo se podrán aplicar los resultados de esta investigación?
Los resultados pueden aplicarse a pacientes ingresados en la Unidad de Cuidados de Intensivos, del Complejo Hospitalario Insular-Materno Infantil. Mediante la creación y optimización de los modelos predictivos se podría considerar en un futuro su uso en otras UCI de la comunidad autónoma.
Poder disponer de información precisa horas antes de la obstrucción del tubo endotraqueal genera la posibilidad de estar alerta y planear posibles actitudes terapéuticas para prever y tratar dichas complicaciones.
Esta información predictiva de otras complicaciones clínicas durante el ingreso en Cuidados Intensivos podrá ser muy útil en la mejora pronóstica y evolutiva de estos pacientes.
¿Qué podrá aportar esta investigación?
Resultados Médicos:
- Mediante un modelo predictivo adelantarnos al episodio de obstrucción del tubo endotraqueal en pacientes con ventilación mecánica afectados por neumonía por COVID-19.
- Disminuir la incidencia de situaciones de riesgo en paciente COVID-19.
- Establecer modelos pronósticos de otras complicaciones clínicas en pacientes COVID-19.
- Mediante modelos pronósticos elaborar guías de actuación para la prevención de complicaciones clínicas en COVID-19.
Resultados Tecnológicos:
- Una base de datos de pacientes COVID-19 y una guía de uso de la misma.
- Un paquete de programas de minería de datos para extraer las características más relevantes.
- Un paquete de programas de Machine Learning con las técnicas más adecuadas para hacer predicción de las complicaciones clínicas en pacientes COVID-19.
- Un paquete de programas de Deep Learning para la búsqueda de relaciones profundas entre los observables y las complicaciones clínicas, entre ellas la obstrucción del tubo endotraqueal.
- Prototipo de sistema de predicción de obstrucción del tubo endotraqueal, y una guía de uso del mismo.