La inteligencia artificial aplicada a la medicina se enfrenta al reto de la privacidad de los datos de los pacientes y a la heterogeneidad de los conjuntos de datos clínicos, especialmente en el caso de enfermedades raras. Para superar estas barreras, la UPM ha presentado FedSDS, una innovadora estrategia de aprendizaje federado diseñada para el análisis de supervivencia, es decir, para predecir el tiempo hasta la ocurrencia de un evento clínico relevante.
Esta nueva propuesta evita la transferencia de historiales médicos entre centros. En su lugar, cada hospital participante trabaja con datos sintéticos generados localmente, que replican patrones estadísticos sin exponer la información real de los pacientes. El sistema además selecciona los datos sintéticos más parecidos a la realidad de cada hospital, adaptándose a contextos con datos escasos o desequilibrados.
Los resultados de la investigación, que se ha validado con conjuntos de datos oncológicos y datos clínicos reales de cáncer de mama, demuestran que este enfoque mejora el rendimiento frente a estrategias federadas de referencia, especialmente en escenarios complejos con pocos datos, diferencias significativas entre centros o falta de variables clínicas importantes.
“"Más allá del avance técnico, el trabajo apunta a una necesidad muy concreta del sistema sanitario, colaborar sin renunciar a la privacidad."
Herramientas como FedSDS podrían facilitar que hospitales de distintos tamaños entrenen modelos predictivos más robustos sin centralizar información sensible, lo cual es especialmente valioso para enfermedades raras o entornos con pocos casos disponibles. La investigación, publicada en la revista Computers in Biology and Medicine, ha sido realizada por Patricia A. Apellániz, Juan Parras y Santiago Zazo, del Information Processing and Telecommunications Center (IPTC) y de la ETSI de Telecomunicación de la UPM, y ha contado con el apoyo de proyectos europeos como GenoMed4All y SYNTHEMA.
