AI4HealthyAging: IA para prevenir enfermedades relacionadas con el envejecimiento

La detección temprana y la toma de decisiones clínicas basada en datos son algunos de los principales retos que enfrenta la medicina al abordar enfermedades relacionadas con el envejecimiento, como el ictus o la insuficiencia cardíaca. Una IA fiable y transparente tiene un gran potencial para superar estos retos.

AI4HealthyAging es un proyecto que busca mejorar la detección temprana de enfermedades relacionadas con el envejecimiento mediante IA. Lo lleva a cabo un consorcio público-privado formado por 15 entidades y financiado por el programa Misiones de I+D en IA de 2021 del Ministerio de Asuntos Económicos y Transformación Digital de España.

El consorcio, coordinado por Capgemini, diseña y desarrolla soluciones inteligentes que permiten la detección temprana de enfermedades neurológicas, motoras y degenerativas asociadas al envejecimiento y permiten actuar con rapidez. Estos sistemas facilitan la toma de decisiones en pacientes mayores con afecciones como insuficiencia cardíaca, ictus, sarcopenia, enfermedad de Parkinson, deterioro cognitivo asociado a la pérdida auditiva y otras enfermedades neurodegenerativas.

Además, el proyecto incluye actividades transversales centradas principalmente en el aprendizaje federado, el diseño y desarrollo de métodos de explicabilidad (que permiten a los usuarios comprender y confiar en los resultados generados por algoritmos de IA) y técnicas de detección y mitigación de sesgos. Capgemini ha coordinado la iniciativa y ha sido responsable del desarrollo de dos paquetes de trabajo clave: un sistema de alerta temprana para insuficiencia cardíaca e ictus, así como una IA federada y explicable para aplicaciones médicas avanzadas.

IA federada y explicable para aplicaciones médicas avanzadas

El aprendizaje federado en el ámbito sanitario ha revolucionado la forma en que se entrenan los modelos de IA, permitiendo la colaboración entre múltiples entidades sin comprometer la privacidad de los datos. El enfoque descentralizado empleado en este proyecto es fundamental para la investigación médica y el diagnóstico asistido por IA, ya que permite a hospitales, clínicas e instituciones compartir conocimientos sin necesidad de transferir datos sensibles. En este contexto, la implementación de mecanismos de seguridad avanzados, como el cifrado caótico, refuerza aún más la confidencialidad e integridad de la información.

Dado que los datos médicos contienen información altamente sensible, garantizar su seguridad es una prioridad. Al no requerir la transferencia de datos a servidores centrales, sino entrenar los modelos localmente y compartir únicamente los parámetros de actualización, se reduce el riesgo de fugas o accesos no autorizados. Esto fomenta la confianza tanto de los pacientes como de los profesionales sanitarios en la capacidad de la IA para mejorar los tratamientos y diagnósticos.

Desde una perspectiva social, los hospitales con menos infraestructura pueden beneficiarse de modelos creados a partir de datos recopilados de múltiples entidades sin comprometer su privacidad. De esta forma, se democratiza la IA, reduciendo las desigualdades en la atención sanitaria. Desde un punto de vista ético, el uso del aprendizaje federado con medidas de seguridad avanzadas promueve la transparencia y el cumplimiento de las normativas de privacidad.

Además, se han desarrollado modelos de IA que incorporan métodos de explicabilidad, lo que permite a los profesionales sanitarios comprender y validar predicciones, lo que refuerza la confianza y facilita su integración en entornos clínicos y regulatorios. En concreto, el consorcio ha creado tarjetas informativas que proporcionan información tanto de datos (Tarjetas de Datos) como de modelos (Tarjetas de Modelos). Este entorno también se ha mejorado con grandes modelos de lenguaje para facilitar las consultas y la toma de decisiones.

Sistema de alerta temprana de insuficiencia cardíaca y accidente cerebrovascular

El desarrollo del sistema se basa en la monitorización de sensores de movimiento de Unidades de Medición Inercial (UMI) y electrocardiogramas (ECG) para estimar el nivel de recuperación de pacientes con ictus o insuficiencia cardíaca. Este enfoque representa una solución no invasiva que permite evaluar la evolución del paciente sin necesidad de procedimientos médicos complejos o incómodos. Esto es especialmente relevante para personas con problemas de salud delicados que pueden experimentar ansiedad o incomodidad con los métodos de monitorización tradicionales que requieren constantes visitas al hospital.

Además, la implementación de esta tecnología es clave para mejorar el acceso a la atención médica de las poblaciones vulnerables. Con el uso de sensores de UMI y ECG, estos pacientes pueden ser monitorizados a distancia, reduciendo la necesidad de traslados frecuentes y aliviando la carga económica y logística para ellos, sus cuidadores y el sistema sanitario en general.

Otro beneficio clave de este proyecto es su capacidad para generar datos en tiempo real, lo que permite estimar el nivel de recuperación de un paciente y predecir su evolución. En el caso de pacientes que han sufrido un ictus, el análisis de movimiento basado en sensores de UMI proporciona información detallada sobre la recuperación de la movilidad, la coordinación y la función motora general.

Para pacientes con insuficiencia cardíaca, el uso del ECG como herramienta de monitorización continua permite evaluar la actividad eléctrica del corazón, detectar anomalías y ajustar con precisión los tratamientos. Al combinar estos datos con algoritmos de predicción, los médicos pueden anticipar complicaciones y modificar la medicación según las necesidades específicas de cada paciente.