Nuestra idea

En este proyecto, concedido por la Fundación BBVA , analizamos los registros de pacientes de COVID19 provistos por tres hospitales madrileños: Ramón y Cajal, Fundación Jiménez Diaz y La Zarzuela, para tratar de generar y entrenar modelos matemáticos que puedan ayudar a los médicos a tomar decisiones de tratamiento más racionales, entendiendo por qué algunos pacientes responden mal o bien, y pudiendo predecir la evolución de cualquier paciente que se presente con unas determinadas características.

Utilizamos paradigmas de Machine Learning como son las Redes Bayesianas o los Árboles de Decisión.
Estos paradigmas son:

  • transparentes,
  • explicables: todas las decisiones se pueden explicar en base a probabilidad y algoritmos de propagación de la evidencia,
  • interpretables: la semántica asociada al modelo es la probabilidad condicional entre tuplas de variables,

Queremos evitar el uso de cajas negras obscuras que no permiten hacer un seguimiento del razonamiento seguido para llegar a la decisión final, ni tampoco de generar nuevo conocimiento que sirva al médico para evaluar al paciente.

Queremos centrarnos en poder contestar a preguntas concretas. Preguntas que ayuden a los profesionales en su toma de decisiones como:

  • predecir cómo afecta el virus a los pacientes ingresados, en particular su comportamiento clínico, dentro del organismo, y cómo reacciona a la medicación, condicionado a las especificidades de cada paciente,
  • encontrar la medicación idónea para un paciente concreto: aquella que le conduzca a un menor riesgo de mortalidad y que sea compatible con su idiosincrasia,
  • predecir la probabilidad de tener que ingresar en la UCI y cuánto durará su ingreso y si éste puede acortarse,
  • predecir las secuelas de esta enfermedad en cada paciente.

Nuestras herramientas

Calculadora de mortalidad de paciente

Varios árboles de decisión se calculan utilizando diferentes variables en función de los datos disponibles para obtener un modelo que trata de predecir la probabilidad que tiene un paciente de morir por COVID. Esta predicción se respalda mostrando el camino que siguió el algoritmo para ese paciente concreto.