Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS
Finding Endometriosis using Machine Learning

Article Category

Article available in the following languages:

Diagnósticos eficientes y precisos de la endometriosis gracias a la inteligencia artificial

Unas herramientas de apoyo a la toma de decisiones clínicas basadas en inteligencia artificial podrían ayudar a los médicos a detectar antes la endometriosis, lo que reportaría importantes beneficios para la salud de las pacientes.

La endometriosis —una enfermedad en la que un tejido similar al revestimiento del útero crece fuera de él— afecta a unos 190 millones de mujeres en todo el mundo, pero a menudo no se diagnostica. Sus síntomas suelen descartarse, y el diagnóstico puede tardar entre cuatro y once años. El equipo del proyecto FEMaLe(se abrirá en una nueva ventana), financiado con fondos europeos, se propuso afrontar este reto creando herramientas de apoyo a la toma de decisiones clínicas basadas en inteligencia artificial (IA). El objetivo era ayudar a los médicos a identificar la endometriosis antes y con mayor precisión analizando una amplia gama de datos de las pacientes, desde historias clínicas y síntomas declarados por ellas mismas hasta antecedentes genéticos y de salud.

Indicadores precoces de endometriosis

«Necesitábamos hacer visible lo invisible —explica Ulrik Bak Kirk, consultor jefe de la Universidad de Aarhus(se abrirá en una nueva ventana) y coordinador del proyecto FEMaLe—. Así, llevamos la tecnología a un espacio descuidado durante decenios». En esencia, el equipo de FEMaLe utiliza la IA para analizar grandes cantidades de información de pacientes —desde historias clínicas y cuestionarios hasta datos genéticos— para identificar patrones sutiles que a menudo eluden los diagnósticos tradicionales. La endometriosis no es una enfermedad universal. Los síntomas varían mucho y los datos son complejos. En lugar de centrarse en un síntoma o en el resultado de una prueba, la IA analizó el cuadro completo, aprendiendo de miles de datos para detectar los primeros indicadores de endometriosis. «Aplicamos la IA y el aprendizaje automático para identificar señales tempranas que podrían no haber sido inmediatamente evidentes —añade Kirk—. Cuanto antes podamos detectar la enfermedad, mejor podremos controlarla, o incluso evitar que empeore».

Empoderamiento de las pacientes

En el proyecto se desarrollaron(se abrirá en una nueva ventana) dos sistemas clave: un sistema de apoyo a la toma de decisiones clínicas (CDSS, por sus siglas en inglés) para profesionales sanitarios y una aplicación digital de acompañamiento para pacientes. Ambos estaban conectados a través de una infraestructura de datos que permitía una retroalimentación continua y un aprendizaje automático repetitivo. El planteamiento de FEMaLe era integral. Integró directamente las voces de las pacientes en el proceso de desarrollo y en sus proyectos piloto en Dinamarca, Hungría y Suecia, no solo como sujetos, sino como creadoras conjuntas. Las organizaciones de pacientes y los grupos de expertos formaron parte del consorcio desde el principio, lo que ayudó a garantizar que las herramientas fueran prácticas, éticas y basadas en la experiencia vivida. «Involucramos a las pacientes desde el primer día —afirma Kirk—. Sus comentarios dieron forma al proceso en cada paso del camino». Uno de los objetivos principales del proyecto era reducir los retrasos en el diagnóstico. El CDSS ayudó a los médicos a evaluar la probabilidad de endometriosis señalando combinaciones de síntomas y antecedentes médicos que, de otro modo, podrían pasarse por alto. Por su parte, la aplicación de acompañamiento digital orientada a la paciente permitió a las usuarias controlar mejor su enfermedad. Les permitió hacer un seguimiento de los síntomas, los tratamientos y los niveles de dolor a lo largo del tiempo. Estos datos se anonimizaron y se introdujeron de nuevo en el motor de IA, ayudándole a aprender y mejorar las sugerencias de diagnóstico para futuras usuarias.

Desarrollo de nuevos diagnósticos sanitarios

La influencia de FEMaLe ya se ha extendido más allá de su ámbito de origen. Los resultados han ayudado a desarrollar nuevos diagnósticos, como el basado en la saliva Ziwig Endotest(se abrirá en una nueva ventana), mientras que en Alemania, los equipos de los proyectos MIRACUM y GECCO también están explorando los datos de salud integrados y los diagnósticos impulsados por IA, basándose en los aprendizajes de FEMaLe. Ahora que el proyecto ha concluido, la atención se centra en el futuro. Las partes interesadas están estudiando cómo integrar las herramientas desarrolladas en los sistemas sanitarios nacionales, ampliarlas fuera de Europa y adaptarlas a otras enfermedades complejas con dificultades de diagnóstico similares. FEMaLe fue un trabajo de colaboración para garantizar que el dolor de las mujeres no solo fuera escuchado, sino comprendido, medido y tratado. «No se trata solo de tecnología —concluye Kirk—. Se trata de intentar acabar con el silencio y el estigma en torno a una enfermedad que afecta a tantos millones de mujeres».

Descubra otros artículos del mismo campo de aplicación

Mi folleto 0 0