Demostrador 2: Uso colaborativo del aprendizaje automático en la medicina del sueño
Socios
: En este demostrador participarán tres centros de medicina del sueño de tres países distintos (el Hospital Universitario Charite de Alemania, el Hospital Universitario Kuopio de Finlandia y el Hospital de Dieu de Francia). El desarrollo técnico contará con el apoyo del equipo de informática médica del Hospital Universitario de Gottingen, Alemania.
Descripción del problema
:
Las investigaciones relacionadas con las máquinas y el aprendizaje profundo han cobrado gran interés en los últimos años en el campo de la medicina del sueño. Los proyectos de investigación que utilizan estos métodos necesitan explotar una enorme cantidad de datos clínicamente sensibles. Esto plantea varias cuestiones, como la apertura de la investigación, la protección de la intimidad y la seguridad de los datos, y la importancia de encontrar un equilibrio entre ambas. Actualmente, se supone que los proyectos de investigación deben seguir los principios de datos FAIR (localizables, accesibles, interoperables y reutilizables) y el reciente Reglamento General de Protección de Datos de la Comisión Europea (GDPR,2016/679). Sin embargo, seguir el GDPR obstaculiza la aplicación de FAIR y dificulta enormemente el intercambio de datos entre instituciones clínicas o de investigación, especialmente en el caso de datos retrospectivos.
Idealmente, el intercambio de datos debería constar de tres pasos: (1) cifrado de datos, (2) intercambio de datos con plataformas seguras, y (3) almacenamiento seguro de datos. Sin embargo, el cifrado de datos no ha recibido la atención que merece a pesar de ser uno de los elementos clave: si por cualquier motivo fallan los otros dos pasos, el cifrado de datos garantiza que los datos sigan estando protegidos y no sea posible la identificación de las personas. Así pues, disponer de algoritmos de cifrado de datos sofisticados y validados sería muy valioso para toda la comunidad investigadora. Además, también se desea realizar análisis complejos y operaciones de aprendizaje automático sobre los datos cifrados para facilitar la explotación conjunta de estos datos compartidos de forma segura.
Aplicación demostradora prevista:
El demostrador utilizará datos consistentes en grabaciones del sueño (es decir, electroencefalografía, electrooculografía, electromiografía, señales respiratorias, señales de oximetría, ronquidos (audio), posición al dormir, esfuerzo respiratorio y, posiblemente, la grabación de vídeo nocturna), historiales médicos de pacientes y cuestionarios relacionados con trastornos del sueño en formato de texto (word, excel,etc.), recogidos dentro del proyecto H2020 SLEEPREVOLUTION. El objetivo del demostrador es ilustrar que, tras el cifrado, las grabaciones del sueño pueden tratarse y analizarse de forma similar (mediante complejas técnicas analíticas y de ML) a los datos no cifrados. Es necesario que la solución pueda utilizarse independientemente del software de registro del sueño o del dispositivo utilizado para analizar o recopilar los datos. El cifrado también debería ser posible independientemente del número o la calidad de las señales en las grabaciones del sueño. La solución debe incluir una interfaz de usuario de fácil manejo y ser fácilmente utilizable en el entorno clínico (operativo) por los profesionales clínicos.