Información de la salud preparado para el análisis

El proyecto se centra en la aplicación de técnicas de inteligencia artificial, como el machine learning, en el ámbito de la salud, un área en la que su impacto es cada vez más prominente, como refleja la existencia de más de 1000 publicaciones en PubMed durante 2018.
No obstante, la precisión de estas técnicas depende principalmente de tres factores: la cantidad de datos disponibles, la calidad de los mismos y la privacidad de la información.
La disponibilidad de datos requiere integrar estas técnicas en arquitecturas Big Data capaces de almacenar y procesar grandes volúmenes, así como generar datasets sintéticos cuando no exista información real suficiente.
La calidad de los datos es crítica para el análisis, ya que errores o información incompleta pueden generar costes económicos significativos y afectar directamente a la salud de la población.
Estudios muestran que un porcentaje elevado de la población estadounidense ha sido víctima de errores médicos, siendo los diagnósticos incorrectos la causa más frecuente.
La mejora de la calidad de los datos es, por tanto, una tarea crítica, repetitiva y costosa, representando la mayor parte del esfuerzo de un analista de datos.
Encuestas recientes confirman que este sigue siendo el principal problema en proyectos de analítica de datos en el ámbito sanitario.
El proyecto aborda estas problemáticas mediante el desarrollo de metodologías y herramientas que optimicen la integración, limpieza y explotación de datos de salud, garantizando precisión y fiabilidad en los modelos predictivos.
Se espera que los resultados mejoren la eficiencia de los sistemas de salud, reduzcan errores médicos y proporcionen un soporte robusto para la investigación en inteligencia artificial aplicada a la salud.