En la sociedad de la información tenemos al alcance equipos capaces de generar imágenes diagnósticas (Rayos X, Resonancia Magnética, TAC…) en grandes cantidades y que juegan un rol decisivo en el diagnóstico rápido de enfermedades y recomendación de tratamientos.
Sin embargo, el cuello de botella se encuentra en el análisis e interpretación de estas imágenes. Por un lado, es una tarea manual que requiere una gran cualificación, que se adquiere con la experiencia. Pero a pesar de esta cualificación experta, existen muchos patrones ocultos que son imposibles de aprender, incluso durante toda una vida laboral.
Además, este tipo de datos van más allá de los límites de lo que pueden procesar los métodos convencionales de análisis.
La Inteligencia Artificial (IA), y principalmente el aprendizaje automático se ha convertido en una gran alternativa para solucionar algunos de estos problemas, gracias a su capacidad para descubrir patrones complejos y reconocer estructuras de forma autónoma en datos no estructurados. Su aplicación también es idónea como soporte de procesos repetitivos de datos en diferentes condiciones.
Entre las muchas posibles aplicaciones de la IA en imágenes médicas está el aporte de soluciones para la aceleración del análisis de imágenes de RMN o la detección y diagnóstico preciso de enfermedades.

PONENTES:

•  Juan Manuel Gorritz – Profesor e investigador de la Universidad de Granada
• Jose Luis Martin – Jefe del servicio de radiología del Hospital Clínico San Cecilio de Granada
• Alvaro Berbís – Responsable de innovación en HT Médica

Además intervendrá, Miguel Ángel Armengol de la Hoz, responsable del Departamento de Big Data de la Consejería de Salud de Andalucía (Fundación Progreso y Salud) e Investigador Afiliado Instituto Tecnológico de Massachusetts en Cambridge (MIT). Nos hablará sobre un proyecto de detección de mortalidad en pacientes de COVID usando imágenes radiológicas, datos estructurados de pacientes locales y modelos multimodales de deep learning.

El boom de la inteligencia artificial se ha convertido en una realidad para muchos médicos, facilitando la gestión de la información médica que se genera y haciendo posible una medicina más precisa y personalizada en el abordaje de diversas patologías.

La combinación del Big Data, el machine learning (aprendizaje automático) y el deep learning (aprendizaje profundo), permiten el desarrollo de sistemas revolucionarios para mejorar la medicina de precisión y beneficiar a médicos, pacientes e incluso a la industria farmacéutica.
El procesamiento de los datos de manera correcta, permite obtener información significativa que hace que se pueda extraer conclusiones que podrán servir como base en el diseño de nuevas herramientas o enfoques dirigidos a la aplicación de la Medicina Personalizada de Precisión a diferentes niveles.
El reposicionamiento de fármacos basado en la identificación de nuevos marcadores, el descubrimiento de multimorbilidades ocultas, el diseño de nuevos modelos de ensayos clínicos, la identificación de patrones y predicción de riesgos asociados a enfermedades a través de redes sociales y los Sistemas de Apoyo a la Decisión Clínica, son algunos ejemplos de las aplicaciones de los datos en salud que están impulsado el desarrollo de lo que se conoce como Medicina Personalizada de Precisión.

Para hablarnos de todo esto con más detalle contamos con:
· Coral del Val– Profesora e investigadora de la Universidad de Granada
· Juan Antonio Marchal– Médico e Investigador del Instituto de investigación

Biosanitaria de Granada
· Victor Gonzalez Rumayor– Director de I+D en Atrys Health

Es indiscutible que la combinación de dos tecnologías disruptivas solo puede conducir a un mundo de posibilidades inimaginables. El 3D ha logrado un gran progreso en la disponibilidad de bioproductos funcionales al tiempo que avanzó en la producción de nuevos modelos de ensayo para pronosticar los efectos de los fármacos en los seres humanos. Sin embargo, los desafíos en las diversas etapas del flujo de trabajo de bioimpresión 3D presentan oportunidades interesantes para la IA.

En primer lugar, el material biodegradable utilizado para mantener la forma del tejido impreso puede provocar una respuesta inmune y causar toxicidad celular. Por suerte, tenemos sistemas inmunes artificiales que imitan la respuesta inmunitaria humana. Los sistemas inmunológicos artificiales pueden detectar cualquier anomalía o respuesta inmunológica intrusiva, provocada por el tejido,  cuando se implanta en el cuerpo humano. La IA también puede predecir los resultados de las diversas aplicaciones de las impresiones 3D antes de su uso; esto reducirá las tasas de fracaso en los ensayos clínicos.

Aún así, en cuanto a la biocompatibilidad, la IA puede ofrecer sugerencias sobre los mejores parámetros de impresión posibles necesarios para producir un tejido que sea biocompatible con la composición fisiológica de un paciente, mediante el análisis de datos y la identificación de patrones en cada etapa del proceso de bioimpresión 3D.

En segundo lugar, la mayoría de los procesos de bioimpresión en 3D no se escalan de manera eficiente debido al daño celular durante el proceso de bioimpresión. El daño celular afecta las interacciones celulares. Por lo tanto, existe la necesidad de predecir el esfuerzo máximo que una célula puede soportar y sin alterar su potencial fisiológico. Al ajustar con precisión todos los parámetros de bioimpresión, la IA puede acelerar el tiempo de impresión, aumentar la resolución y eliminar el riesgo de contaminación de las células.

El futuro de la IA en la impresión 3D  ofrece oportunidades interesantes para que los expertos en IA, los ingenieros y los investigadores médicos colaboren poniendo en valor su experiencia.

Generar big data y crear bases de datos es esencial para que  la bioimpresión 3D aproveche por completo la ventaja de la IA.

Tres expertos en la materia hablarán sobre todo esto:

• Gema Jiménez González: Universidad de Granada
• Fernando de la Portilla: Responsable de la Unidad de Coloproctología del Hospital Universitario Virgen del Rocío 
• Manuel Figueruela– Director Ejecutivo de Regemat 3D