Aprendizaje automático de la asociación entre enfermedades

En este proyecto nos propusimos diseñar algoritmos para ayudar a la identificación de relaciones relevantes entre distintas enfermedades. Esta información es muy útil para realizar nuevos diagnósticos, probar nuevos tratamientos o fármacos, o para prever la posible evolución de la enfermedad, etc. Muchas enfermedades comparten uno, o varios aspectos, como síntomas, evolución, tratamiento, etc., pero esto no siempre significa que exista una relación entre ellas. Las relaciones significativas se pueden codificar como Reglas de Asociación, una forma de representar el conocimiento recogido en las historias clínicas. En este proyecto hemos diseñado algoritmos semisupervisados, es decir, con una mínima intervención médica, para producir listas de reglas de asociación plausibles. Estas listas están ordenadas por la máxima probabilidad de ser ciertas, de forma que a los profesionales médicos se les presenten únicamente las nuevas reglas más probables, y así también se optimiza el uso de un recurso tan preciado como el tiempo y el esfuerzo de estos profesionales.

Ricardo Sánchez de Madariaga científico titular, UITES, ISCIII

María Lourdes Araujo Serna catedrática del área de Lenguajes y Sistemas Informáticos, E.T.S. Informática, UNED

Cecilia de Navascués Benlloch directora de divulgación científica del IMIENS

Raquel Viejo Montesinos realizadora CEMAV, UNED