Categoría: Noticias Lãberit

Tras la aceleración de la transformación digital tras la pandemia del COVID-19 el sector sanitario se ha visto obligado a instaurar una atención virtual de calidad. Pese a que la atención telefónica mantuvo a las personas alejadas de los centros de salud salvo en casos de extrema necesidad, puso de manifiesto la necesidad de mejorar los sistemas informáticos y de implantar nuevas soluciones que se integren en los sistemas actuales de EHR.

La unidad de negocio SINA, dirigida por Miguel Roldán, trabaja en el proyecto PASI (Plataforma de Atención Sanitaria Integral basada en IA) a través del organismo RED.ES; entidad impulsora de la Agenda Digital en España desarrollando iniciativas y proyectos de digitalización y desarrollo tecnológico en el ámbito de la economía, los servicios públicos, la ciudadanía, las infraestructuras y la internacionalización de empresas; y colaborando con el ITI (Instituto Tecnológico de Informática) y el Instituto de Investigación Sanitaria INCLIVA.

Este proyecto tiene como objetivo la creación de un nuevo paradigma de atención orientado al seguimiento integral y personalizado de las enfermedades, a través de una plataforma innovadora e inteligente que ayude a los profesionales en el manejo de la condición clínica del paciente, favorezca la detección del deterioro de pacientes de forma automatizada en el hogar, facilite la atención virtual y el intercambio efectivo de información y posibilite la participación activa de los pacientes y sus familias (o cuidadores definidos por los mismos pacientes) para lograr una atención integral y coordinada.

¿Qué tecnologías se utilizan?

Para ello, entre otras tecnologías, la plataforma incorpora un agente conversacional basado en técnicas de procesamiento de lenguaje natural para mantener conversaciones textuales o habladas en lenguaje natural orientadas a la monitorización y seguimiento de los pacientes y un sistema de ayuda a la decisión que permite la definición de vías clínicas por patología, calendarizar la secuencia de actuaciones, monitorizar de manera proactiva la evolución del paciente y gestionar notificaciones y alertas para seguimientos periódicos.

Cómo pasar de un modelo asistencial reactivo a un modelo sanitario proactivo

El sector salud vive en la actualidad una dinámica de muchos cambios. Proveedores, financiadores y gobiernos se encuentran en la búsqueda de proporcionar servicios de salud de manera efectiva, eficiente y equitativa, en medio de una realidad que lleva a cambios en los modelos de negocio, en la forma de entregar los servicios sanitarios y los modelos de cómo operan las organizaciones. Estos cambios son producto de poblaciones crecientes y más envejecidas, la proliferación de enfermedades crónicas, una mayor exigencia de calidad y valor agregado en los servicios de salud, nuevos cuadros regulatorios y financieros y pacientes empoderados y más informados que en el pasado.

Se hace imprescindible transformar el sistema actual diseñado para ser reactivo ante las necesidades de salud y para el tratamiento de pacientes agudos, hacia un nuevo modelo o conjunto de modelos que  posibiliten la atención integral de los pacientes, en los que se promueva el trabajo colaborativo en equipos interdisciplinares con sistemas de apoyo a la toma de decisiones de los profesionales, garantizando la continuidad de los cuidados en la atención sanitaria, evitando la duplicidad de intervenciones y facilitando la transición entre niveles asistenciales, con una mayor implicación del paciente en el cuidado de su propia salud.

Para dar respuesta a estas necesidades, en el marco de este proyecto se implementarán los siguientes módulos: módulo de círculo de salud del paciente, módulo de ayuda a la decisión clínica, repositorio de información clínica, módulo de asistente virtual clínico, módulo de IoT y módulo controlador de eventos.

Todo esto favorece la transformación de un modelo asistencial reactivo a un modelo sanitario proactivo, integral e integrado. En él, los procesos se crean de forma coordinada teniendo siempre en cuenta la condición del paciente, la capacidad de actuación de los recursos clínicos, sociosanitarios y de la red de cuidadores a domicilio.

Este proyecto ha sido financiado por la Unión Europea en la convocatoria de ayudas destinadas a proyectos de I+D en inteligencia artificial y otras tecnologías digitales, y su integración en las cadenas de valor C005/21-ED.

Número de expediente: 2021/C005/00142358

Este evento también conocido como 37 Congreso GEER, se celebró en el Palacio de Congresos de Valencia el 1 y 2 de junio.

La Sociedad Española de Columna Vertebral celebró el 1 y 2 de junio el 37 Congreso Nacional de la Sociedad Española de Columna Vertebral (GEER) en El Palacio de Congresos de Valencia, coincidiendo con su 40 aniversario. El congreso constó de un curso Pre-Congreso celebrado el 31 de mayo, dos jornadas completas (1 y 2 de junio), dos salas simultáneas y cuatro cursos satélites. Además, cabe destacar que todas las comunicaciones realizadas se han desarrollado bajo financiación europea.

Jhon Sáenz, ingeniero de IA de Lãberit y experto en imagen médica, junto al Dr. Julio Domenech, director del departamento de Cirugía Ortopédica y Traumatología de la Clínica Universitaria de Navarra, presentaron una solución de apoyo al diagnóstico en patología de la columna lumbar mediante técnicas de IA aplicadas a imágenes de resonancia magnética, desarrollado en el marco del proyecto ‘Medicina Personalizada & Big Data’ (MedP Big Data). Dicha presentación fue parte de la 9ª mesa redonda ‘Ciencias básicas II’ que tuvo lugar el viernes 2 de junio.

El proyecto MedP Big Data es fruto del trabajo conjunto del Servicio Canario de Salud y la Conselleria de Sanidad Universal y Salud Pública de la Comunidad Valenciana. Esta iniciativa pretende el desarrollo de soluciones innovadoras enmarcadas en tecnologías emergentes correspondientes a las áreas de conocimiento de la medicina personalizada, los grandes volúmenes de datos, la inteligencia artificial y el aprendizaje de las máquinas para proveer mejoras en la atención a los pacientes, la promoción de su salud, la prevención, el tratamiento y la rehabilitación.

Dicho proyecto consta de dos fases, de las cuales, Lãberit fue adjudicataria de la fase 1 implementando ocho casos de usos relacionados con técnicas de IA. Cinco de dichos casos fueron agentes conversacionales destinados a mejorar los hábitos de vida saludable de la población; centrándose en alimentación, ejercicio físico, soledad no deseada, estados de ánimo y adiciones. Y los tres restantes fueron modelos predictivos basados en la IA para la detección automática de hallazgos en informes clínicos, el apoyo al diagnóstico en patología lumbar y la predicción de ingresos en urgencias en función de la concentración de partículas en el aíre. La implementación de los casos de uso se desarrolló sobre la plataforma analítica IBM “Cloud Pack for Data”.

En la fase 2, iniciada en octubre de 2022 con fecha de finalización marcada para el 30 de junio de 2023, Lãberit participa en colaboración con GMV en los siguientes casos de uso:

• F2CU01 – Preconsulta inteligente
• F2CU02 – Monitorización domiciliaria de casos complejos.
• F2CU04 – Segmentación de pacientes en las patologías de mayor relevancia
• F2CU10 – Predicción de reingresos no programados en el mes siguiente al alta
• F1CU07 – Descripción de la fisiopatología del dolor lumbar mediante la aplicación de técnicas analítico-predictivas basadas en imagen médica con resonancia magnética

¿En qué consiste el F1-CU07?

El F1-CU07 consiste en la obtención de un informe automatizado sobre hallazgos patológicos en imágenes de resonancia magnética lumbar, orientado a permitir sistemas de recomendación y de toma de decisión que aporten a los profesionales de la medicina un apoyo complementario en su labor. Y, a su vez, también busca aumentar la eficiencia del sistema de salud con un mejor uso de los recursos sanitarios.

Gracias a esta iniciativa se genera un informe automático con más de 120 mediciones objetivas y cuantitativas que caracterizan las estructuras vertebrales y las patologías asociadas. El modelo predictivo detecta los siguientes hallazgos:

• Espondilolistesis: grado de desplazamiento y localización.
• Fractura vertebral: localización, tipo y grado.
• Tumor: metástasis o primario, localización.
• Grados de lordosis lumbar: de L1 a S1.
• Cambios de Modic: tipos y localización.

Cabe destacar que los resultados alcanzados en este proyecto superan el estado del arte en la detección de los hallazgos radiológicos de lordosis, fracturas vertebrales y cambios Modic.