NECESIDAD DEL CLIENTE
El diagnóstico de patologías se ha intentado estandarizar desde los inicios de la medicina. El médico debe seguir una serie de procedimientos previamente definidos para un diagnóstico preciso, fiable y claro. Sin embargo, se tiende a introducir criterios y experiencias personales, dando lugar a fallos en el diagnóstico o un diagnóstico subjetivo y poco homogéneo entre médicos.
Como pioneros en su área, las clínicas de Ripoll y de Prado disponen de un centro avanzado de cuantificación del deportista que les ayuda a evaluar ciertos parámetros del rendimiento del atleta relacionados con el aparato locomotor: distribuciones de presiones y fuerzas en pies, morfotipo del pie, rodilla, cadera, etc. Sin embargo, una vez obtenidos los datos, la derivación del diagnóstico y prescripción es algo que se sigue haciendo de forma manual por el médico, incurriendo en los problemas de objetivación, precisión y eficiencia antes mencionados.
En su misión de mejorar la calidad del servicio y diagnóstico, Ripoll y de Prado necesitaban una herramienta de I.A. que ayudara a su staff médico a detectar patologías en el sistema locomotor de deportistas de élite de forma objetiva y eficiente.
RETOS Y DIFICULTADES
Uno de los problemas principales a los que nos enfrentamos fue que, pese a disponer del material para la obtención de datos muy precisos, los dispositivos médicos no ofrecían la información de forma accesible y controlable. Por ejemplo, para el estudio de distribución de las presiones del pie en distintos instantes de tiempo, lo que podíamos obtener era un gráfico con las presiones dibujadas sobre un PDF, no el acceso a los datos en crudo. De forma similar, para el estudio del morfotipo del pie se disponía de los escáneres 3D realizados de los pies, sobre los cuales se había colocado una serie de marcadores en puntos clave del pie. Así, no disponíamos de la posición de los marcadores, sino de un modelo 3D del pie que incluía, sobre éste, los marcadores. Una vez más, la información clave no era accesible de forma directa y se tuvo que recurrir a técnicas de Visión Artificial para la extracción fiable de la información.
Garantizar la seguridad de la información también fue vital para este proyecto, y el staff médico exigió la inviolabilidad y confidencialidad del dato, asegurando la presencia de encriptación en todo el proceso. Por otro lado, dado el alto volumen de uso de este sistema y la importancia capital en el día a día del staff médico, debíamos asegurar la alta disponibilidad del servicio.
SOLUCIONES
Se trabajó el procesamiento de imágenes 2D (extracción, limpieza y procesamiento de gráficos) y el procesamiento de modelos 3D (con el uso de redes convolucionales de detección de objetos para la localización de los marcadores sobre los pies), con el fin de extraer los datos relevantes que no eran accesibles anteriormente.
Se construyó un pipeline de trabajo totalmente docker-izado, desplegable (usando Kubernetes) y redundado para garantizar la alta disponibilidad del sistema.
Para garantizar la confidencialidad del dato se utilizó una estrategia mixta de anonimización y cifrado. Esto asegura que los datos del paciente solo son accesibles para los médicos (debidamente autentificados contra un servicio web) y que la exposición de estos datos es la mínima posible, y siempre acotada en su acceso.
Finalmente, para la derivación automática e inteligente de diagnósticos basada en I.A. se realizó un modelo matemático de la normalidad poblacional usando un dataset con más de 1 millón de data points. Para tal fin, se implementaron herramientas de Big Data que garantizaran la escalabilidad y eficiencia del pipeline de datos. Este modelo se hizo accesible mediante un servicio y plataforma WEB al que los médicos podían acceder con sus credenciales.
RESULTADOS
El proyecto culminó cuando el personal técnico de Biyectiva puso a disposición del staff médico de Ripoll y de Prado una plataforma web que permitía, simplemente incorporando los datos del paciente, realizar un diagnóstico objetivo en cuestión de segundos.
Este diagnóstico incorpora automáticamente la información cuantitativa extraída de maquinaria médica y la comparación contra unos modelos de normalidad poblacional muy útiles para la determinación de anomalías o patologías. Así, el médico tiene a su disposición una herramienta que puede proponer, de forma ágil, tanto posibles patologías del paciente como sus correspondientes mecanismos prescriptivos para corregirlas.
