Un equipo de investigadores de la Universidad Politécnica de Madrid (UPM) desarrolló un sistema de inteligencia artificial que busca mejorar la predicción clínica mediante aprendizaje federado y datos sintéticos, sin intercambiar historiales médicos reales. Según la universidad, el método está diseñado para preservar la privacidad de los pacientes mientras permite analizar información útil para la práctica sanitaria.
La propuesta apunta a uno de los principales obstáculos para la colaboración entre instituciones: los hospitales no siempre pueden compartir datos clínicos reales. A esa limitación se suma que muchas enfermedades, especialmente las patologías raras, producen conjuntos de información reducidos, incompletos y heterogéneos, lo que dificulta la elaboración de modelos predictivos.
La estrategia, denominada “FedSDS”, fue creada para el análisis de supervivencia. Su objetivo es estimar cuánto tiempo puede transcurrir hasta que ocurra un evento clínico relevante, como una recaída, una complicación o el fallecimiento de un paciente. “Más allá del avance técnico, el trabajo apunta a una necesidad muy concreta del sistema sanitario, colaborar sin renunciar a la privacidad”, señaló Patricia A. Apellániz, integrante del centro académico.
Los resultados del trabajo fueron publicados en la revista especializada Computers in Biology and Medicine. Desde la UPM indicaron que FedSDS obtuvo un mejor rendimiento que modelos federados desarrollados con anterioridad. El sistema combina el aprendizaje federado —que permite entrenar modelos sin reunir los historiales en un único lugar— con datos sintéticos para abordar las dificultades vinculadas con la disponibilidad y la protección de la información clínica.
