Con el objetivo de predecir el comportamiento del COVID-19 y poder así optimizar los tratamientos, HM Hospitales, a través de la Fundación de Investigación HM Hospitales, ha firmado un acuerdo de colaboración con el Massachusetts Institute of Technology (MIT) Critical Data para trabajar conjuntamente.
En el marco de esta colaboración se están llevando a cabo diferentes estudios de análisis computacional que usarán como elemento esencial el ‘COVID DATA SAVE LIVES’, un dataset clínico anonimizado que recoge las distintas interacciones en el proceso de tratamiento del COVID-19 entre los pacientes atendidos en los centros hospitalarios del Grupo HM Hospitales. Esta base de datos incluye información pormenorizada sobre diagnósticos, tratamientos, ingresos, pasos por UCI, pruebas diagnósticas por imagen, resultados de laboratorio, alta o deceso, entre otros muchos registros que HM Hospitales ha puesto a libre disposición de la comunidad internacional.
El presidente de HM Hospitales, Dr. Juan Abarca Cidón, señala que “desde que pusimos de forma desinteresada a disposición de los investigadores e instituciones que lo solicitasen nuestra base de datos anonimizada hemos recibido centenares de peticiones, pero sin duda el interés que despertó en el MIT nos hizo tomar conciencia de la poderosa arma que tenemos para ayudar a millones de pacientes de todo el mundo. El análisis masivo de datos, la creación de modelos predictivos y el desarrollo de terapias farmacológicas eficaces son las claves para resolver los misterios que entraña este terrible virus. Solo con la investigación y la ciencia lo derrotaremos y este acuerdo, que nos vincula al MIT, es un paso en la dirección correcta”.
En este sentido, Miguel Ángel Armengol de la Hoz, que coordina el proyecto como Investigador Afiliado del Massachusetts Institute of Technology (MIT), asegura que “es de vital importancia que instituciones sanitarias de todo el mundo, como ha sido el caso de HM Hospitales en España, apuesten por normalizar y compartir sus datos clínicos de manera anonimizada y abierta con la comunidad investigadora internacional. Mediante el análisis y estudio de estos datos por medio de técnicas punteras como el machine learning, podremos optimizar el tratamiento que reciben los pacientes, perfeccionar las predicciones de la evolución de cada caso y mejorar el conocimiento que tenemos sobre el comportamiento del virus para finalmente lograr entender de mejor manera el impacto que tiene en la población. Es por ello que estamos trabajando codo con codo con HM Hospitales para entender mejor al virus SARS-CoV-2”.
Algoritmos de deep learning para mejorar el tratamiento de pacientes COVID-19
La principal consecuencia de este acuerdo reside en que desde hace semanas se han iniciado las sinergias entre los equipos del MIT y de HM Hospitales. Equipos conjuntos de investigadores, médicos e ingenieros de la Fundación de Investigación HM Hospitales y del MIT Critical Data, liderados por Leo Anthony Celi, llevan a cabo estudios derivados del ‘COVID DATA SAVE LIVES’ de HM Hospitales.
De hecho, ya se están entrenando algoritmos de deep learning para mejorar la predicción de resultados de pacientes COVID-19 utilizando placas de tórax y datos clínicos estructurados de ‘COVID DATA SAVE LIVES’, en particular el uso de imágenes de placas de tórax de los servicios de Urgencias de HM Hospitales, para predecir la supervivencia de pacientes COVID-19 graves. “El estudio verá la luz en las próximas semanas y será el primero de una serie de colaboraciones conjuntas para avanzar en el conocimiento del COVID-19 aplicando herramientas de inteligencia artificial y machine learning”, afirma el Dr. José María Castellano, director científico de la Fundación de Investigación HM Hospitales.
Se espera que a raíz de este acuerdo se desarrollen estudios que favorezcan el conocimiento del COVID-19 mediante el análisis masivo de datos. Uno de ellos es un estudio retrospectivo que ya está en marcha sobre el impacto que tienen diversos fármacos inhibidores de la interlucina-6 ante la denominada tormenta de citoquinas.
