Los trabajos, publicados en las revistas ‘Neurocomputing’ e ‘IEEE Journal of Biomedical and Health Informatics’, tienen aplicaciones directas en investigación oncológica, enfermedades raras y estudios de supervivencia, "ámbitos en los que no siempre es posible reunir grandes colecciones de pacientes", comunicó este miércoles la Universidad Politécnica de Madrid (UPM). Este tipo de análisis "permite estimar el tiempo hasta que ocurre un evento clínico relevante, como una recaída, una progresión de la enfermedad o el fallecimiento", añadió.

El primer estudio plantea una metodología para que los modelos generativos aprendan mejor con pocos ejemplos reales. Para ello, los investigadores introducen un “sesgo inductivo artificial”, una guía matemática previa que orienta al modelo cuando dispone de muy pocos datos. El equipo comparó varias estrategias de transferencia de aprendizaje y meta-aprendizaje, y observó que algunas de ellas mejoraban de forma notable la calidad de los datos sintéticos generados.

Según la UPM, en algunos experimentos la mejora alcanzó hasta un 60% en la divergencia de Jensen-Shannon, una métrica que permite estimar hasta qué punto la distribución de los datos sintéticos se parece a la de los datos reales. El segundo estudio trasladó esta metodología al ámbito biomédico y la puso a prueba en investigación oncológica y análisis de supervivencia, "con resultados positivos incluso en condiciones muy restrictivas", según la universidad.

VALIDACIÓN DE HERRAMIENTAS

La investigadora de la UPM Patricia Alonso explicó que disponer de datos sintéticos fiables puede “facilitar el desarrollo y la validación de herramientas de IA en hospitales y centros de investigación con escasos datos”, además de favorecer estudios en cohortes pequeñas y abrir nuevas vías de colaboración y ciencia abierta “sin comprometer la privacidad de los pacientes”.

Los autores subrayan en ambos trabajos que no basta con comprobar si los datos sintéticos sirven para entrenar un modelo en una tarea concreta. También es necesario "medir hasta qué punto se parecen realmente a los datos originales y si conservan relaciones complejas entre variables". Por eso, ambos trabajos insisten en combinar métricas de utilidad con métricas de similitud para validar mejor la calidad real del dato sintético.

Los estudios se han desarrollado en la Universidad Politécnica de Madrid en el marco de los proyectos europeos GenoMed4All y Synthema, centrados en mejorar el uso de datos biomédicos y herramientas de IA en investigación sanitaria.