Clasificación ordinal basada en aprendizaje profundo y neuro-evolución (ORCA-DEEP)

Organismo: Ministerio de ciencia e innovacion

Periodo: 2021-2024

 

Resumen en español:

El proyecto ORCA-DEEP es una propuesta de investigación conjunta entre los grupos de investigación GHEODE (Universidad de Alcalá de Henares) y AYRNA (Universidad de Córdoba). Este proyecto tiene como principal objetivo el desarrollo de nuevos algoritmos para clasificación ordinal, basados en aprendizaje profundo y neuroevolución, y la aplicación de estas técnicas a diferentes problemas en meteorología/clima, energías renovables y medio ambiente. El proyecto se estructura en varias tareas, que incluyen el desarrollo de nuevos algoritmos de aprendizaje profundo para clasificación ordinal, nuevas funciones de activación para arquitecturas de aprendizaje profundo, nuevas técnicas de representación para clasificación ordinal de series temporales, nuevos algoritmos neuroevolutivos para aprendizaje profundo y nuevos meta- heurísticas para mejorar las estructuras neuronales de aprendizaje profundo. La parte de aplicación del proyecto se centra en problemas de clasificación ordinal en meteorología y clima, como la predicción de olas de calor y frío o sequías, problemas de energía renovable, como la predicción de recursos renovables, y problemas ambientales, como la predicción de la temperatura atmosférica. concentración de contaminantes, entre muchos otros.

 

Resumen en inglés:

ORCA-DEEP Project is a joint research proposal between the research groups GHEODE (Universidad de Alcalá de Henares) and AYRNA (Universidad de Córdoba). This project has as main objective the development of new algorithms for ordinal classification, based on deep learning and neuro-evolution, and the application of these techniques to different problems in meteorology/climate, renewable energy and environment. The project is structured in several tasks, which include the development of new deep learning algorithms for ordinal classification, new activation functions for deep learning architectures, new representation techniques for time series ordinal classification, new neuro-evolutionary algorithms for deep learning and new meta-heuristics for improving deep learning neural structures. The application part of the project is focused on ordinal classification problems in meteorology and climate, such as prediction of heat and cold waves or droughts, problems in renewable energy, such as renewable resource prediction, and problems in environment, such as the prediction of atmospheric pollutants concentration, among many others.

 

 

 

 

 

 

Modelo de emparejamiento donante-receptor en trasplante hepático mediante Inteligencia Artificial con donantes en asistolia

Organismo: Mutua Madrileña

Periodo: 2021-2022

 

Resumen español: El principal limitante del trasplante hepático es la disponibilidad de donantes hepáticos adecuados. Desafortunadamente, existe un disbalance entre el número de candidatos a recibir un trasplante hepático y el número de donantes obtenido, situación que se sigue del terrible escenario de la posibilidad de muerte en lista de espera. En los últimos años se han realizado numerosos esfuerzos para incrementar el pool de donantes, así como para optimizar la priorización en lista de los posibles receptores. Entre ellos, destacan la utilización de los denominados “donantes con criterios extendidos” (ECD, extended criteria donors) y la adopción de un sistema de priorización mediante un score basado en la gravedad del candidato (MELD, Mayo Model for End Stage Liver Disease)   Resumen inglés: The main limitation of liver transplantation is the availability of suitable liver donors. Unfortunately, there is an imbalance between the number of candidates for liver transplantation and the number of donors obtained, a situation that follows from the terrible scenario of the possibility of death on the waiting list. In recent years, numerous efforts have been made to increase the donor pool, as well as to optimize the prioritization of potential recipients on the list. These include the use of so-called "extended criteria donors" (ECD) and the adoption of a prioritization system using a score based on the severity of the candidate (MELD, Mayo Model for End Stage Liver Disease).

 

 

 

 

Métodos de Aprendizaje Profundo en clasificación ORDINAL (MAP-ORDINAL)

Organismo: Junta de Andalucía

Periodo: 2021-2022

 

Resumen en español:

El proyecto aborda el desarrollo de nuevos métodos de diseño de modelos de redes neuronales profundas (RNP) para clasificación ordinal, centrando nuestra investigación en dos vertientes. La primera vertiente considera elementos de diseño de vital importancia: i) tipo de función de enlace en clasificación ordinal;  ii) función de activación, analizando funciones alternativas a las funciones de unidades lineales rectificadas (ReLU) o funciones más complejas de tipo softplus (s+), con idea de encontrar funciones parametrizadas y combinaciones lineales de estas con funciones de unidades lineales exponenciales (ELU). En cuanto a las funciones de enlace, se pretenden desarrollar nuevas alternativas de clasificación ordinal por umbralización, considerando funciones de enlace generalizadas y, para las funciones asociadas a distribuciones unimodales probabilísticas, consideraremos alternativas a las distribuciones binomial y de Poisson: distribuciones exponenciales y Beta, donde los parámetros de las mismas se obtendrán utilizando intervalos de confianza limitados por los umbrales de cada clase. Con respecto a la función de activación, se analizarán nuevas familias de funciones de activación dependientes de un parámetro que extiende la función s+, pudiéndose combinar linealmente con funciones ELU y dando lugar a funciones mucho más flexibles, que además presentan gran sencillez del cálculo de sus derivadas y evitan el desvanecimiento de gradiente. La segunda vertiente es utilizar técnicas de neuroevolución para determinar la mejor configuración de la arquitectura y del resto de hiperparámetros, evitando el costoso proceso de prueba y error que requiere el ajuste de los distintos parámetros. Aplicaremos los algoritmos desarrollados a dos problemas reales de biomedicina: análisis de supervivencia de órganos trasplantados en trasplante hepático y análisis de imágenes volumétricas para el diagnóstico de los diferentes estadios de la enfermedad de Parkinson.

 

Resumen en inglés:

 

 

The project addresses the development of new methods for the design of deep neural network (DNN) models for ordinal classification, focusing our research on two aspects. The first aspect considers design elements of vital importance: i) type of link function in ordinal classification; ii) activation function, analysing alternative functions to rectified linear unit functions (ReLU) or more complex softplus functions (s+), with the idea of finding parameterised functions and linear combinations of these with exponential linear unit functions (ELU). As for the link functions, we intend to develop new alternatives of ordinal classification by thresholding, considering generalised link functions and, for the functions associated with unimodal probabilistic distributions, we will consider alternatives to the binomial and Poisson distributions: exponential and Beta distributions, where their parameters will be obtained using confidence intervals limited by the thresholds of each class. With respect to the activation function, new families of activation functions dependent on a parameter that extends the s+ function will be analysed, which can be linearly combined with ELU functions and give rise to much more flexible functions, which also present great simplicity in the calculation of their derivatives and avoid gradient fading. The second aspect is to use neuroevolution techniques to determine the best configuration of the architecture and the rest of the hyperparameters, avoiding the costly process of trial and error required to adjust the different parameters. We will apply the developed algorithms to two real biomedical problems: survival analysis of transplanted organs in liver transplantation and volumetric image analysis for the diagnosis of the different stages of Parkinson's disease.

 

Aprendizaje dinámico de modelos de curvas de infectados y de número de camas hospitalarias y camas UCI ocupadas por COVID-19 en Andalucía mediante técnicas estadísticas y de Inteligencia Artificial

 

 

Organismo: Consejería de Salud y Familia de la Junta de Andalucía

Periodo: 2020-2022

 

Resumen español:

La enfermedad por coronavirus (COVID-19) es una de las pandemias mundiales más amenazantes de la historia con un rápido aumento de muertes en todo el mundo.

 

El objetivo de este proyecto es evaluar la propagación del virus en los distintos distritos sanitarios de Andalucía, construyendo modelos de predicción del número de infectados y el número de infectados activos por COVID-19 a lo largo del tiempo, y poder ayudar con sistemas de apoyo a la decisión a estimar: i) los casos de población infectada que necesitan hospitalización urgente; ii) los casos por edades de población infectada; iii) la tipología de la población infectada (sanitarios, personal de riesgo, personal de residencias, residentes, fuerzas de orden público, etc.). Estos modelos serían necesarios cuando los sistemas de alerta temprana fallen.

 

Un objetivo adicional consistirá en poder aplicar aprendizaje automático para obtener modelos de clasificación ordinal de diferentes distritos sanitarios de Andalucía en función de la gravedad de la pandemia, para propiciar sistemas de apoyo a la decisión de los expertos en salud pública de Andalucía, y poder tomar medidas preventivas diferentes en cada uno de ellos. Nuestra propuesta consiste en aprender de los modelos propuestos por el Dr. Hervás basados en transformaciones de curvas de crecimiento de poblaciones, esto es, curvas sigmoides donde no existe una asíntota de crecimiento cuando aumenta el número de días de la pandemia. Estas curvas tienen 4 parámetros que hay que estimar, los cuáles, como experiencia previa, ya se han estimado utilizando datos de la Consejería de Salud y Familia desde el 18 de febrero hasta el 11 de Mayo de 2020.

 

Así, nuestro proyecto tratara de conseguir más curvas de crecimiento de diferentes distritos sanitarios de Andalucía o regiones similares a Andalucía, en España o en otras zonas del mundo, donde las características medio ambientales, económicas, de densidad de población y de movilidad, fueran similares, de forma tal que podamos entrenar modelos de redes neuronales superficiales y/o profundas utilizando algoritmos evolutivos para estimar los hiperparámetros de los modelos.

 

La obtención de los cuatro parámetros a posteriori puede realizarse utilizando técnicas estadísticas clásicas, pero el objetivo del proyecto es ser capaces de aprender y predecir estas curvas al inicio de las mismas, para lo cual tendremos que valernos de variables exógenas y de técnicas de aprendizaje basadas en inteligencia artificial. El aprendizaje de los parámetros nos permitiría disponer de modelos de previsión de infectados a priori, esto es, al principio de la curva de crecimiento, obteniendo sistemas de apoyo a la decisión de los profesionales en salud pública acerca de las medidas más óptimas para cortar la pandemia.

 

Las variables independientes de los modelos estarán asociadas, entre otras, a condiciones medioambientales, de temperatura, humedad, presión, CO₂, etc, en el movimiento de la población (medido mediante el consumo eléctrico, telefónico, de internet, etc), en la estructura de la población (nº personas por km², nº de pacientes en residencias, % de personal sanitario y asistencial por habitante, etc.) estructura geoeconómica de cada distrito (infraestructuras, puertos, aeropuertos, estaciones de Ave, etc.).

 

Resumen inglés:

Coronavirus disease (COVID-19) is one of the most threatening global pandemics in history with a rapid increase in deaths worldwide.

The aim of this project is to assess the spread of the virus in the different health districts of Andalusia, building predictive models of the number of infected and the number of active COVID-19 infected over time, and to help with decision support systems to estimate: i) cases of infected population requiring urgent hospitalisation; ii) age-specific cases of infected population; iii) typology of infected population (health workers, at-risk staff, residential staff, residents, law enforcement, etc.). These models would be needed when early warning systems fail.

An additional objective will be to be able to apply machine learning to obtain ordinal classification models of different health districts in Andalusia according to the severity of the pandemic, in order to provide decision support systems for public health experts in Andalusia, and to be able to take different preventive measures in each of them. Our proposal consists of learning from the models proposed by Dr. Hervás based on transformations of population growth curves, i.e. sigmoid curves where there is no growth asymptote when the number of days of the pandemic increases. These curves have 4 parameters to be estimated, which, as previous experience, have already been estimated using data from the Consejería de Salud y Familia from 18 February to 11 May 2020.

Thus, our project will try to obtain more growth curves from different health districts of Andalusia or regions similar to Andalusia, in Spain or in other areas of the world, where the environmental, economic, population density and mobility characteristics are similar, so that we can train shallow and/or deep neural network models using evolutionary algorithms to estimate the hyperparameters of the models.

Obtaining the four parameters a posteriori can be done using classical statistical techniques, but the aim of the project is to be able to learn and predict these curves at the beginning of the curves, for which we will have to use exogenous variables and learning techniques based on artificial intelligence. The learning of the parameters will allow us to have models for forecasting the number of people infected a priori, that is, at the beginning of the growth curve, obtaining decision support systems for public health professionals on the most optimal measures to stop the pandemic.

The independent variables of the models will be associated, among others, with environmental conditions, temperature, humidity, pressure, CO2, etc., in the movement of the population (measured by electricity, telephone, internet consumption, etc.), in the structure of the population (number of people per km2, number of patients in residences, % of health and care personnel per inhabitant, etc.), geo-economic structure of each district (infrastructures, ports, airports, high-speed train stations, etc.).

 

 

Modelos de Aprendizaje de Máquina para la determinación óptima de la Supervivencia y la Asignación Donante/REceptor en trasplante hepático. MASS-ALLOCATION

Organismo: Proyectos I+D+i en el marco del Programa Operativo FEDER Andalucía 2014-2020

Periodo: 2020-2022

 

Resumen español:

 

 

Este proyecto plantea la aplicación de diversas técnicas de inteligencia artificial para el diseño de un sistema útil, eficiente y equitativo de asignación donante receptor (D/R) en trasplante hepático. La inteligencia artificial está adquiriendo un papel relevante en el uso y explotación de grandes bases de datos, a través de la aplicación de técnicas de aprendizaje automático, que son capaces de mejorar el conocimiento de problemas complejos y de obtener modelos predictivos para el apoyo en la toma de decisiones. Dado que, habitualmente, las medidas de prioridad en la lista de espera para un trasplante hepático sólo tienen en cuenta las características del receptor o del donante por separado, pretendemos aplicar técnicas de aprendizaje automático que utilicen características del donante, del receptor y del procedimiento del trasplante para predecir mejor la supervivencia del órgano trasplantado, con el objetivo final de obtener un sistema de apoyo a la decisión más preciso y justo. Para ello, contamos con una base de datos de más de 200.000 trasplantes realizados en los Estados Unidos, en los que se recoge una gran cantidad de variables, incorporando así mucha información sobre el problema. El proyecto, en el que participan expertos en aprendizaje automático de la Universidad de Córdoba (UCO), expertos en trasplante hepático del Hospital Universitario Reina Sofía (HURS) y expertos en estadística e investigación operativa de la Universidad Loyola de Andalucía, plantea una serie de fases: cribado de la base de datos, modelado mediante técnicas novedosas de aprendizaje automático, y diseño de un sistema de asignación D/R. Además de ser esta un área de aplicación poco explorada en inteligencia artificial, el proyecto desarrollará técnicas metodológicas punteras. De esta forma, el problema se abordará mediante clasificación ordinal, ya que las categorías de supervivencia del órgano (a seis meses, un año, dos años y 5 años), muestran un orden natural. El grupo solicitante tiene una gran experiencia en clasificación ordinal, permitiendo explorar nuevas metodologías mediante, por ejemplo, el uso de técnicas de aprendizaje profundo o deep learning, esperando resultados competitivos. También planteamos desarrollar nuevos modelos de clasificación semi-supervisada, ya que el problema real así lo demanda (muchos de los trasplantes no reciben una estimación de supervivencia debido a las restricciones temporales de la censura). El último elemento por incorporar es la utilización de algoritmos de aprendizaje automático para análisis de supervivencia, que nos permitirían conseguir una información de grano fino, capaz de mejorar aún más el sistema de asignación (por ejemplo, en el caso de empates). Como la robustez de las técnicas de inteligencia artificial es directamente proporcional a la cantidad y calidad de los datos utilizados, el tamaño de la base de datos, con más de 200.000 registros y cientos de variables, nos hace ser optimistas en cuanto a los resultados. Pese a que la base de datos utilizada es una muestra obtenida en Estados Unidos, las conclusiones obtenidas serán adaptadas al entorno andaluz, permitiendo la adopción, en un futuro, de un sistema de apoyo a la toma de decisión en las unidades andaluzas de trasplante hepático. Por último, debemos reseñar que el grupo de trabajo multidisciplinar que plantea este proyecto tiene una experiencia conjunta de más de 8 años de duración, que incluye varios proyectos de investigación, publicaciones y contratos

 

Resumen inglés:

This project proposes the application of various artificial intelligence techniques for the design of a useful, efficient and equitable donor-recipient (D/R) allocation system in liver transplantation. Artificial intelligence is acquiring a relevant role in the use and exploitation of large databases, through the application of automatic learning techniques, which are capable of improving knowledge of complex problems and obtaining predictive models to support decision-making. Given that, usually, priority measures in the waiting list for a liver transplant only take into account the characteristics of the recipient or the donor separately, we aim to apply machine learning techniques that use characteristics of the donor, the recipient and the transplant procedure to better predict the survival of the transplanted organ, with the ultimate goal of obtaining a more accurate and fairer decision support system. To this end, we rely on a database of more than 200,000 transplants performed in the United States, in which a large number of variables are collected, thus incorporating a great deal of information about the problem. The project, which involves machine learning experts from the University of Cordoba (UCO), liver transplant experts from the Reina Sofia University Hospital (HURS) and experts in statistics and operations research from the Loyola University of Andalusia, involves a series of phases: screening of the database, modelling using novel machine learning techniques, and design of a D/R assignment system. In addition to being an area of application that has been little explored in artificial intelligence, the project will develop cutting-edge methodological techniques. In this way, the problem will be tackled by ordinal classification, since the organ survival categories (six months, one year, two years and five years) show a natural order. The applicant group has extensive experience in ordinal classification, allowing us to explore new methodologies by, for example, the use of deep learning techniques, expecting competitive results. We also propose to develop new semi-supervised classification models, as the real problem demands it (many of the transplants do not receive a survival estimate due to the temporal restrictions of censoring). The last element to be incorporated is the use of machine learning algorithms for survival analysis, which would allow us to obtain fine-grained information, capable of further improving the allocation system (e.g. in the case of ties). As the robustness of artificial intelligence techniques is directly proportional to the quantity and quality of the data used, the size of the database, with more than 200,000 records and hundreds of variables, makes us optimistic about the results. Despite the fact that the database used is a sample obtained in the United States, the conclusions obtained will be adapted to the Andalusian setting, allowing the adoption, in the future, of a decision support system in Andalusian liver transplant units. Finally, it should be noted that the multidisciplinary working group involved in this project has more than 8 years of joint experience, including several research projects, publications and contracts.

 

Apoyo a las tareas de anticipación a la cita de la peluquería para niños y niñas con trastornos del espectro autista mediante una aplicación para dispositivos móviles

Organismo: Universidad de Córdoba, proyectos UCO - SOCIAL - INNNOVA, VI Plan Propio Galileo de Inovación y Transferencia

Periodo: 2020-2021

Web del proyecto: https://www.uco.es/ayrna/teaprojects/peluqueriatea.html

 

 

Resumen español:

En este proyecto se ha desarrollado una app para dispositivos telefónicos y tabletas con sistema operativo Android. La aplicación PeluqueríaTEA consiste en una aplicación gratuita sin ánimo de lucro, sin publicidad y sin compras, cuya intención es que sirva de apoyo a la tarea de anticipar la asistencia a la peluquería a personas con trastorno del espectro autista (TEA).

Esta aplicación, consensuada con la Asociación Autismo Córdoba, sirve de apoyo a las tareas de anticipación de esa actividad cotidiana como es la visita a una peluquería, de manera que se facilite esa actividad en la medida de lo posible.

PeluqueríaTEA presenta las siguientes funcionalidades distribuidas en varios módulos:

- Módulo 1, consejos: consiste en un listado de consejos para padres, especialistas y tutores legales que podrán explorar junto a los niños para favorecer la anticipación y participación de las personas con TEA en la peluquería.

- Módulo 2, vamos a la peluquería: secuencia de pasos en los cuales se recrea la asistencia a la peluquería de un chico o una chica, según la opción elegida en el módulo de configuración. Al final de la secuencia se recuerda el día y hora de asistencia previamente introducido desde el módulo de configuración.

- Módulo 3, elijo mi peinado: presenta la posibilidad de personalizar un corte y color de pelo de un chico o una chica, además de poder guardar y volver a ver hasta los tres últimos diseños que se hayan realizado.

- Módulo 4, juego: contiene un juego donde la persona con TEA tendrá que asociar sonidos que producen algunos utensilios de peluquería, de tal forma que se trabajará la anticipación de los estímulos sonoros y los objetos que los producen. Este módulo presenta refuerzos ante asociaciones no correctas de sonido-utensilio.

- Módulo 5, configuración: módulo al cual solo deberían acceder los padres, familiares o especialistas que trabajan con la persona con TEA, aunque esto depende de su grado. Para acceder al mismo es necesario dejar pulsado durante unos segundos el icono de rueda dentada que lo representa. Se mostrarán configuraciones como por ejemplo el sexo de la persona con TEA o la gestión e histórico de citas en la peluquería con comentarios asociados a cada visita.

- Módulo 6, créditos: muestra información sobre las personas que han participado en la creación de la aplicación, así como la financiación asociada al proyecto. Para acceder a este módulo también es necesario dejar pulsado durante unos segundos el icono de información que lo representa.

- Importante: Para acceder a la configuración de la aplicación y créditos de la misma (Módulo 5 y Módulo 6), se debe mantener presionado durante unos segundos el icono de rueda dentada o el icono de información respectivamente.

 

Resumen inglés:

In this project, an app has been developed for mobile devices and tablets with Android operating system. The application PeluqueríaTEA consists of a free non-profit app, without advertising and without purchases, whose intention is to support the task of anticipating the hairdressing attendance to people with Autism Spectrum Disorder (ASD).

This application, agreed with the Asociación Autismo Córdoba, supports the tasks of anticipation of that daily activity such as the visit to a hairdresser's, in order to facilitate that activity as much as possible.

PeluqueríaTEA presents the following functionalities distributed in several modules:

- Module 1, tips: consists of a list of tips for parents, specialists and legal guardians that they can explore together with the children in order to favour the anticipation and participation of people with ASD in the hairdressing salon.

- Module 2, let's go to the hairdressing salon: sequence of steps in which the attendance to the hairdressing salon of a boy or a girl is recreated, depending on the option chosen in the configuration module. At the end of the sequence, the day and time of attendance previously entered from the configuration module is remembered.

- Module 3, I choose my hairstyle: presents the possibility of personalising a boy's or girl's haircut and hair colour, as well as being able to save and view again up to the last three designs that have been made.

- Module 4, game: contains a game where the person with ASD will have to associate sounds produced by some hairdressing utensils, in such a way that the anticipation of sound stimuli and the objects that produce them will be worked on. This module provides reinforcement for incorrect sound-utensil associations.

- Module 5, configuration: module that should only be accessed by parents, relatives or specialists working with the person with ASD, although this depends on their degree. To access it, it is necessary to hold down the cogwheel icon that represents it for a few seconds. Settings such as the gender of the person with ASD or the management and history of appointments at the hairdresser's with comments associated with each visit will be displayed.

- Module 6, credits: shows information about the people who have participated in the creation of the application, as well as the funding associated with the project. To access this module it is also necessary to hold down the information icon that represents it for a few seconds.

- Important: To access the configuration of the application and its credits (Module 5 and Module 6), the cogwheel icon or the information icon respectively must be held down for a few seconds.

Uso de inteligencia artificial para eliminar disparidades de género en el acceso al trasplante hepático: “Gender-equality MELD”

 

 

Organismo: Consejería de Salud y Familias 2019 - Proyectos de Investigación en Salud. Subvenciones para la financiación de la I+D+i biomédica y en ciencias de la salud en Andalucía

 

 

Periodo: 2019-2022

 

Resumen:

 

El Sistema MELD (“Model for End-Stage Liver Disease”) es internacionalmente utilizado para seleccionar candidatos a trasplante hepático y para su priorización en lista de espera. El uso de la creatinina sérica como parte del modelo produce que las mujeres permanezcan más tiempo en lista de espera y tengan mayor tasa de mortalidad en lista o exclusión por agravamiento en comparación con los hombres.

 

Hipótesis: La sustitución de la creatinina sérica por el filtrado glomerular estimado para cirrosis y la implementación de metodología de inteligencia artificial podrían aumentar la precisión pronóstica del sistema MELD, a la vez que corregirían las disparidades de género en el acceso al trasplante hepático.

 

Objetivos:

 

1- Diseñar y validar externamente una nueva fórmula MELD sustituyendo la creatinina sérica por el filtrado glomerular estimado.

 

2- Determinar si el empleo de redes neuronales artificiales resulta en una mayor capacidad predictiva de mortalidad en lista de espera de trasplante.

 

3- Estudiar si la nueva fórmula MELD corrige las disparidades de género en el acceso al trasplante hepático.

 

Material y Métodos:

 

Estudio observacional retrospectivo en el que se incluirán todos los pacientes adultos incluidos en lista de espera de trasplante hepático electivo debido a insuficiencia hepática desde Enero de 2010 hasta Diciembre de 2015. Se excluirán los pacientes con hepatocarcinoma como indicación de trasplante. Se utilizarán dos bases de datos nacionales para el estudio: a) United Kingdom Transplant Registry (UKTR) (n=5.444), la cual será utilizada para entrenamiento del modelo y validación interna, y b) el Registro Español de Trasplante Hepático (RETH) (n estimada 6.000), que servirá para la validación externa. La variable dependiente principal del estudio será la mortalidad en lista de espera a 90 días o la exclusión de lista por agravamiento en el mismo periodo. El nuevo modelo se diseñará en primera instancia mediante el uso de regresión logística múltiple combinando bilirrubina, INR y filtrado glomerular estimado para cirrosis. Se diseñará un segundo modelo con las mismas variables pero mediante metodología de redes neuronales artificiales. La capacidad predictiva de los nuevos modelos será evaluada mediante su área bajo la curva ROC, la razón de probabilidad positiva, la mínima sensibilidad y la precisión global. La capacidad predictiva de los modelos se analizará en la cohorte global y por separado en función del género para asegurar que es idéntica en hombres y mujeres, y que por tanto corregirían las disparidades actualmente existentes. Para considerar a los nuevos modelos superiores al sistema MELD actual, habrán de demostrar un área bajo la curva ROC significativamente superior mediante el test de Delong.

 

Impacto potencial:

 

El presente estudio basado en dos cohortes nacionales con más de 10.000 pacientes podría dar lugar a un cambio en la política de priorización en lista de espera de los candidatos a trasplante a nivel internacional que acabe con la histórica disparidad de género en el acceso al trasplante hepático.

 

Summary:

The MELD ("Model for End-Stage Liver Disease") System is internationally used to select candidates for liver transplantation and for prioritisation on the waiting list. The use of serum creatinine as part of the model results in women being on the waiting list longer and having a higher rate of waiting list mortality or exclusion due to worsening compared to men.

Hypothesis: Replacing serum creatinine with estimated glomerular filtration rate for cirrhosis and implementing artificial intelligence methodology could increase the prognostic accuracy of the MELD system while correcting gender disparities in access to liver transplantation.

Objectives:

1- To design and externally validate a new MELD formula replacing serum creatinine with estimated glomerular filtration rate.

2- To determine whether the use of artificial neural networks results in a greater predictive capacity for mortality on the transplant waiting list.

3- To study whether the new MELD formula corrects for gender disparities in access to liver transplantation.

Material and Methods:

Retrospective observational study in which all adult patients included in the waiting list for elective liver transplantation due to liver failure from January 2010 to December 2015 will be included. Patients with hepatocarcinoma as an indication for transplantation will be excluded. Two national databases will be used for the study: a) the United Kingdom Transplant Registry (UKTR) (n=5,444), which will be used for model training and internal validation, and b) the Spanish Liver Transplant Registry (RETH) (estimated n=6,000), which will be used for external validation. The main dependent variable of the study will be 90-day waiting list mortality or exclusion from the waiting list due to worsening in the same period. The new model will be designed in the first instance using multiple logistic regression combining bilirubin, INR and estimated glomerular filtration rate for cirrhosis. A second model will be designed with the same variables but using artificial neural network methodology. The predictive ability of the new models will be assessed by their area under the ROC curve, positive likelihood ratio, minimum sensitivity and overall accuracy. The predictive ability of the models will be analysed in the overall cohort and separately according to gender to ensure that it is identical in men and women, and would therefore correct the currently existing disparities. To consider the new models superior to the current MELD system, they will need to demonstrate a significantly higher area under the ROC curve using the Delong test.

Potential impact:

The present study based on two national cohorts with more than 10,000 patients could lead to a change in waiting list prioritisation policy for transplant candidates internationally that would end the historical gender disparity in access to liver transplantation.

 

 

Estimación del impacto económico y social de los trastornos mentales comunes en España

Organismo: Instituto de Salud Carlos III

Periodo: 2019-2021

 

Resumen: 

A pesar de la elevada prevalencia de los trastornos mentales comunes (depresión mayor y ansiedad) en España, los estudios sobre sus costes muestran una gran variabilidad en sus resultados, debido a una escasa armonización metodológica. Esto impide tener una visión global de la carga real de estas enfermedades y supone un obstáculo para una planificación racional de su atención. El desarrollo y aplicación de metodologías y herramientas estandarizadas para la evaluación de sus costes bajo una perspectiva multisectorial, permitirá obtener información geográficamente comparable y proporcionará un valioso input para el cálculo de indicadores clave para el seguimiento y la evaluación de los sistemas de atención. Los objetivos de este proyecto son: (1) la elaboración de un listado comparable de servicios, recursos y orígenes de costes de estas enfermedades en determinadas Comunidades Autónomas en España, (2) la determinación estandarizada de sus costes unitarios y totales, y (3) la elaboración de indicadores clave comparables para los sistemas de atención a la salud mental analizados. Todo ello teniendo en cuenta los estándares que en este momento se están diseñando en Europa (proyecto PECUNIA). Para ello se ha desarrollado un diseño metodológico estructurado en cinco fases interconectadas que permite la identificación, medición, valoración y comparación de costes estandarizados utilizando indicadores para estos trastornos y combinando técnicas cualitativas (revisiones sistemáticas y grupos nominales) y cuantitativas (estadística multivariante, simulación Monte Carlo, lógica difusa).

HETICA: Una HErramienta TIC para la organización de tareas escolares en personas con síndrome de Asperger

Organismo: Universidad de Córdoba, proyectos UCO - SOCIAL - INNOVA, V Plan Propio Galileo de Innovación y Transferencia. Obra social la Caixa.

Periodo: 2019-2020

Web del proyecto: https://www.uco.es/ayrna/teaprojects/hetica.html

 

Resumen español:

En este proyecto se ha desarrollado una app para dispositivos telefónicos y tabletas con sistema operativo Android, que sirve de apoyo principalmente a niños y niñas con síndrome de Asperger para organizar sus tareas escolares. La aplicación, consensuada con la Asociación Autismo Córdoba, tiene en cuenta en su diseño las necesidades de estas personas, por lo que usa un entorno muy controlado y presenta las siguientes funcionalidades distribuidas en varios módulos:

- Muestra de consejos sobre la organización del espacio de trabajo y sobre técnicas de estudio.

- Organización, en función de la dificultad y afinidad del estudiante, de un tiempo de trabajo para cada asignatura.

 - Posibilidad de temporización para una sola asignatura, para los casos en los que el estudiante ya se haya familiarizado con la app.

 - Organización del entorno en el que se ha estado trabajando y preparación de la mochila para el día siguiente.

 - Módulo de configuración por parte del padre, madre, tutor o especialista, de forma que se puedan gestionar las tareas o asignaturas, tiempos por defecto, descanso, posibilidad de paradas, de finalización anticipada, etc.

 - Almacenamiento y consulta del histórico de estudio de cada asignatura.

 - Disposición de los elementos de gestión y configuración de forma que no se puedan activar fácilmente por los estudiantes y no los distraiga del estudio y concentración (activación mediante largas pulsaciones sobre dichos elementos de configuración).

 - Importante: Para acceder a la configuración de la aplicación es necesario mantener pulsados durante unos segundos los iconos negros y rueda dentada.

 

Resumen inglés:

In this project, an app has been developed for telephone devices and tablets with Android operating system, which mainly supports children with Asperger's syndrome to organise their school homework. The application, agreed with the Asociación Autismo Córdoba, takes into account in its design the needs of these people, so it uses a very controlled environment and presents the following functionalities distributed in several modules:

- Display of advice on the organisation of the working space and on study techniques.

- Organisation, according to the difficulty and affinity of the student, of a work time for each subject.

- Possibility of timing for a single subject, in cases where the student is already familiar with the app.

- Organisation of the environment in which the student has been working and preparation of the backpack for the following day.

- Module for configuration by the parent, tutor or specialist, so that they can manage the tasks or subjects, default times, breaks, possibility of stops, early completion, etc.

- Storage and consultation of the study history of each subject.

- Arrangement of the management and configuration elements in such a way that they cannot be easily activated by students and do not distract them from studying and concentrating (activation by long presses on these configuration elements).

- Important: To access the application configuration it is necessary to hold down the black icons and the cogwheel for a few seconds.

 

 

 

Aprendizaje del reconocimiento de emociones en personas con espectro autista.

Organismo: Universidad de Córdoba, proyectos UCO – SOCIAL – INNOVA, V Plan Propio Galileo de Innovación y Transferencia. Obra Social la Caixa.

Periodo: 2019-2020

Web del proyecto: https://www.uco.es/ayrna/teaprojects/face2face.html 

Resumen español:

En este proyecto se ha desarrollado una app para dispositivos con sistema operativo Android que sirva de apoyo principalmente a niños y niñas con TEA, para el aprendizaje y reconocimiento de expresiones básicas como la alegría y la sorpresa. La aplicación tiene en cuenta en su diseño las necesidades de estas personas, por lo que usa un entorno muy controlado y consensuado con el Colegio de Educación Especial Niño Jesús, Fundación Termens, y presenta las siguientes funcionalidades distribuidas en dos módulos:

 - Módulo 1: Aprendizaje sobre la expresión de alegría y de sorpresa. Para ello se usan dos historias animadas visualizadas en una televisión y accionadas mediante el botón de play.

 - Módulo 2: Práctica interactiva. En este módulo se indica a la persona con TEA que imite la expresión de la historia aprendida para la alegría o para la sorpresa. Para ello hay que disponerse en modo selfie con la cámara del dispositivo Android hasta que se capture automáticamente la expresión que está imitando la persona con TEA. Si esa imitación se realiza correctamente se proporcionaría un mensaje positivo, y si no fuera así se proporcionaría de nuevo la oportunidad de volver a imitar la expresión.

 

Resumen inglés:

In this project, an app has been developed for devices with Android operating system to support mainly children with ASD, for learning and recognising basic expressions such as joy and surprise. The application takes into account in its design the needs of these people, so it uses a very controlled environment and agreed with the Niño Jesús Special Education School, Termens Foundation, and presents the following functionalities distributed in two modules:

- Module 1: Learning about the expression of joy and surprise. For this, two animated stories are used, displayed on a television and activated by pressing the play button.

- Module 2: Interactive practice. In this module the person with ASD is instructed to imitate the expression of the learned story for joy or surprise. To do this, the person with ASD has to be in selfie mode with the camera of the Android device until the expression that is being imitated by the person with ASD is automatically captured. If the imitation is successful, a positive message is provided, and if not, the opportunity to imitate the expression again is provided.