dlife: Decidiendo en la Vida

Transcripción

1 dlife: Decidiendo en la Vida Autor: Manuel Marín Soluciones de Negocio

2 La Empresa: Apara Apara es una empresa de capital 100% español que nace en 2002 como spin off del Grupo Calidad y Tecnología. Apara es una compañía pionera y líder en el desarrollo de tecnología y productos de Gestión de la Decisión y Minería de Datos. Apara aporta Soluciones de Nueva Generación, Productos y Servicios de Consultoría en Telecomunicaciones, Banca, Administración Pública, Salud y Energía. Sus productos incluyen potentes motores predictivos que ayudan a la rápida transformación de los datos en decisiones más certeras. Apara cuenta con más de 40 profesionales con un alto nivel de especialización en Ingeniería de la Decisión y Ciencias de la Computación. Apara es miembro de la Red de Modelos Gráficos Probabilísticos que incluye a 10 Universidades Nacionales con un total de 80 investigadores. Destina un importante presupuesto al desarrollo de sus productos sobre los que realiza una vigilancia tecnológica constante (I+D). 1

3 Productos Propios resultado de I + D Apara utiliza los últimos avances en teoría de la decisión y computación para crear potentes algoritmos predictivos. Un producto tecnológico actual debe incluir: - Ser independiente de la arquitectura (multiplataforma). - Amoldarse a los últimos avances que se producen ágilmente. - Ser implementado bajo una metodología de desarrollo internacionalmente reconocida. - Interfaz innovador que permita ver y trabajar con todos los datos en una sola pantalla. - Algoritmos eficientes que permitan utilizar toda la potencia de los últimos procesadores. - Incorporación de los últimos avances en su lógica de negocio. - Incorporar librerías Open Source y ayudar al avance del mismo. -Manejar cualquier tipo de formato de fichero o base de datos. 2

4 Multiplataforma 3

5 Adaptarse a los últimos avances. Ej.: Escritorios tridimensionales 4

6 Interfaz potente, visual e innovador 5

7 Capacidad de manejar diferentes formatos, fuentes 6

8 Producto Apara dedicado a Salud: dlife dlife es la plataforma bioinformática para la toma de decisiones clínicas (Ciencias de la Vida). Características del producto: dlife permite modelizar cualquier enfermedad. dlife permite de forma intuitiva, sencilla y más exacta predecir la respuesta al tratamiento de un paciente antes de ser tratado. dlife permite incrementar la precisión del especialista médico en un 20% de media. Disminución de efectos secundarios en los pacientes y reducción de costes para un hospital. Supone un paso más hacia la medicina personalizada. A partir del modelo de la patología (general) se predice la evolución de cada paciente (particular). dlife ofrece un interfaz de usuario intuitivo orientado al profesional clínico dlife es más preciso frente a otros mecanismos predictivos con datos incompletos o no disponibles, incluso con pocos pacientes de referencia. 7

9 dlife: Arquitectura Válida para un médico investigador 8

10 JANE: Arquitectura Válida para un médico especializado en Anatomía Patológica o infertilidad. 9

11 dlife ON: Arquitectura para la práctica clínica general Consultor Data Mining BD Modelos Datos de Pacientes (LOPD) (3) (1) Médico (6) Validación (2) y Retroalimentación Petición XML (4) Predicción (5) Facturación por petición Servidor Predictivo (1) Un médico proporciona los datos de sus pacientes (LOPD) (2) El consultor data mining obtiene el modelo y lo valida (3) El modelo se introduce en el servidor predictivo (4) El médico envía los datos de sus nuevos pacientes por web (5) El motor predictivo envía el resultado de la predicción (6) El modelo se retroalimenta y valida automáticamente con nuevos datos para conservar su capacidad predictiva 10

12 dlife ON: Ventajas Un médico solo se preocupa de entregar datos y realizar sus peticiones desde su consulta. El modelo es validado y retroalimentado mediante la vigilancia de un experto. Justo precio. Cuesta si se utiliza. Se utiliza si aporta valor. Varios médicos de diferentes hospitales pueden compartir sus modelos. Se puede tener un modelo a nivel nacional de una patología determinada y ser utilizado desde cualquier hospital. El modelo le permite ver si el tratamiento esta variando por medio de dependencias entre nodos. Permite observar las variables que no influyen en el tratamiento (sin dependencias) y comenzar líneas de investigación con las nuevas dependencias encontradas. Interfaz web intuitivo. La ventaja del web es que no hay que instalar nada en la parte cliente, las instalaciones y el mantenimiento se hacen en el servidor que se encuentra en la empresa APARA. 11

13 Modelización del tratamiento de una Enfermedad: Hepatitis C NECESIDADES CLÍNICAS: -Hasta la fecha no existe una plataforma bioinformática dedicada a estudiar y predecir la evolución clínica y la respuesta terapéutica al tratamiento antiviral en la hepatitis crónica C (HCC). - La precisión en cuanto a la predicción del pronóstico evolutivo de la HCC está estimada en menos del 50% entre la Comunidad científica médica. OBJETIVO MÉDICO: - Tratar de identificar puntos clave en la progresión de la enfermedad hepática y establecer nuevos factores predictivos de evolución y respuesta terapéutica. 12

14 Universo del modelo: Espacio muestral Procesamos una muestra de 240 pacientes afectados con HCC (edad media 45±9 años; 45% mujeres) tratados con interferón pegilado (PEG-IFN) más ribavirina. Fuente: Hospital de la Princesa. Se han incluido en una base de datos más de 200 variables (epidemiológicas, bioquímicas, virológicas, histológicas, tipo de tratamientos previos, respuesta al tratamiento, efectos adversos, abandonos, etc), de las cuales la mayor parte ha necesitado un preprocesado para poder ser utilizada en el modelo. 13

15 Modelo: Validación La validación se ha realizado sobre el 20 % de los pacientes que no se utilizaron para crear el modelo: Pacientes correctamente diagnosticados: % Pacientes incorrectamente diagnosticados: % Número de pacientes para validación: % Número de pacientes para el modelo: % Cálculo de la precisión Precisión Área curva ROC Tipo de Respuesta 1ª Fila: RVS 19/25 = 0.76 precisión de RVS 2ª Fila: No Respondedor Respuesta Viral Sostenida 19/19= 1 precisión de No_Respondedor 3ª Fila: Recidiva 1 1 No Respondedor 1/4 = 0.25 precisión de Recidiva Recidiva 14

16 Conclusiones Hepatitis C - La HCC es una enfermedad prevalente en nuestra sociedad (2% de la población). - En la actualidad el tratamiento con PEG-IFN + RBV es la opción válida (60% curaciones). - La evolución de la HCC y su tratamiento es compleja y difícil de predecir (50% predicción aprox.). - dlife permite de una forma INTUITIVA, SENCILLA y MÁS EXACTA predecir la respuesta al tratamiento (80% aprox.), con lo que permite: -Una disminución de efectos secundarios a los pacientes. -Una disminución de costes a un Hospital 15

17 Repercusión Reciente de los Resultados CONGRESO NACIONAL PARA EL ESTUDIO DEL HÍGADO. Madrid Febrero 2007 CONGRESO EUROPEO PARA EL ESTUDIO DEL HÍGADO. Barcelona Abril 2007 Se recogen datos de más pacientes a nivel nacional para incorporar en el modelo 16

18 Ampliación del Espacio muestral: 542 pacientes Pacientes utilizados para la construcción del modelo: % (296 pacientes) Pacientes utilizados para la validación del modelo: % (246 pacientes) Número total: 542 pacientes Pacientes correctamente clasificados: 80.89% (199 pacientes) Pacientes incorrectamente clasificados: 19.11% (47 pacientes) 17

19 Creación de un modelo particular para un Hospital Valenciano Pacientes utilizados para la construcción del modelo: 80% (197 pacientes) Pacientes utilizados para la validación del modelo: 20% (50 pacientes) Número total: 247 pacientes Pacientes correctamente clasificados: 90% (45 pacientes) Pacientes incorrectamente clasificados: 10% (5 pacientes) Validación por respuesta 7 (pacientes correctos)/8(pacientes no respondedores totales) = precisión de No_Respondedor 34 (pacientes correctos)/37(pacientes totales) = precisión de Respuesta sostenida. 4 (pacientes correctos)/5(pacientes totales) = 0.8 precisión de transitorio. 18

20 Infertilidad: IVI, Instituto Valenciano de Infertilidad MODELO DE TRANSFERENCIA Con este modelo se pretende responder a la pregunta sobre si un ovocito se convierte en útil o no. Un ovocito útil podrá ser congelado para futuros tratamientos de implantación o ser utilizado directamente en el procedimiento. MODELO DE GESTACIÓN La pregunta que se quiere evaluar en este modelo es si el ovocito podrá desembocar en una gestación positiva y con qué probabilidad, que es quizá la pregunta más importante a responder del estudio. MODELO DE MULTIPLICIDAD POR OVOCITO Predicción de embarazos múltiples por las características morfológicas de un ovocito 19

21 Resultados IVI MODELO DE TRANSFERENCIA Ovocitos utilizados para entrenamiento 80 % (4981) Ovocitos utilizados para testeo 20 % (1245) Porcentaje correctamente clasificado 93,02 % Porcentaje no clasificado correctamente 6,98 % MODELO DE GESTACIÓN Ovocitos utilizados para entrenamiento 80 % (934) Ovocitos utilizados para testeo 20 % (234) Porcentaje correctamente clasificado 93,56 % Porcentaje no clasificado correctamente 6,43 % MODELO DE MULTIPLICIDAD POR OVOCITO Ovocitos utilizados para entrenamiento 80 % (356) Ovocitos utilizados para testeo 20 % (89) Porcentaje correctamente clasificado 87,13 % Porcentaje no clasificado correctamente 12,87 % 20

22 Resultados IVI Próximas Versiones dlife ON: Mayo-Junio 2007 dlife con Extracción de Datos a partir de imágenes: Julio

23 GRACIAS Soluciones de Negocio