Óscar realizó el TFM titulado Procesamiento y aprendizaje automático a partir de series temporales multivariantes para predecir y analizar la aparición de multirresistencia antimicrobiana en la UCI.
¿Puedes resumirnos tu Trabajo de fin de máster?
El Trabajo Fin de Máster (TFM) se centra en el empleo de herramientas de ciencia de datos e inteligencia artificial para la predicción de la aparición de la Antimicrobial Multridrug Resistance (AMR) en la Unidad de Cuidados Intensivos (UCI) del Hospital Universitario de Fuenlabrada (HUF), así como en la extracción de conocimiento clínico sobre la adquisición de AMR mediante la visualización de los datos. Para ello, se ha empleado la información procedente de la Historia Clínica Electrónica (HCE) de los pacientes que han sido ingresados en la UCI-HUF desde el 2004 hasta el 2020 (ambos años incluidos). La HCE proporciona información significativa sobre el estado y la evolución de la salud del paciente. El uso y análisis de este tipo de datos es un reto, debido a la complejidad y la existencia de patrones irregulares en los datos clínicos. En este sentido, el TFM modela los datos de la HCE como Multivariate Time Series (MTS), considerando información temporal tanto del paciente como del estado global de la UCI. Este último aspecto, no siempre considerado en la literatura, tiene un impacto significativo en la capacidad para realizar predicciones relevantes. Desde el punto de vista de ciencia de datos, la contribución fundamental del TFM es el empleo de herramientas avanzadas para modelar las relaciones (semejanzas y distancias) entre MTS, incluyendo Time Cluster Kernel (TCK), Dynamic Time Warping (DTW), así como métodos ad-hoc basados en el aprendizaje de semejanzas/distancias entre MTS. Las herramientas anteriores se han complementado con el uso de esquemas de ingeniería de características, clasificación desbalanceada y reducción de dimensionalidad. Asimismo, para las tareas de predicción se han diseñado distintas arquitecturas supervisadas, incluyendo regresor logístico, bosques aleatorios y máquinas de vector soporte. Desde un punto de vista de aplicación clínica el objetivo de este trabajo es doble: predecir la aparición de la AMR y analizar mediante el uso de herramientas avanzadas de visualización (reducción de dimensionalidad no lineal y spectral clustering) posibles agrupaciones que permitan la extracción de conocimiento.
¿Por qué te presentaste a la convocatoria de premios y cómo crees que tu trabajo contribuye a los ODS?
La declaración de la Organización Mundial de la Salud (OMS) sobre la Antimicrobial Multridrug Resistance (AMR) como una de las principales amenazas resalta la necesidad urgente de abordar este problema de manera multidisciplinaria. Creo firmemente que la inteligencia artificial y la ciencia de datos tienen un papel fundamental en la lucha contra la AMR. Mi trabajo se centra en diseñar técnicas de IA y análisis de datos para analizar la propagación de la AMR y contribuir a una detección temprana de esta problemática. Al utilizar algoritmos de machine learning y modelos predictivos, podemos identificar patrones y tendencias en los datos relacionados con la resistencia a los antimicrobianos. Mi trabajo busca mejorar la capacidad de los sistemas de salud para detectar y abordar rápidamente la AMR. Al identificar las áreas de mayor riesgo y prever posibles brotes, podemos implementar estrategias preventivas y de control más efectivas. Esto puede ayudar a salvar vidas, reducir la propagación de infecciones resistentes a los antimicrobianos y garantizar un uso más responsable de los medicamentos antimicrobianos. En definitiva, aspiro a contribuir activamente a la consecución de los Objetivos de Desarrollo Sostenible, en particular, al ODS de Salud y Bienestar, al abordar una de las mayores amenazas para la salud mundial.
¿Qué estás haciendo ahora, y qué te gustaría hacer en el futuro?
Actualmente me encuentro llevando a cabo la tesis doctoral en temas de machine learning y data science. Mi trabajo consiste en explorar nuevas técnicas y algoritmos para mejorar la precisión y eficiencia de los modelos de aprendizaje automático en diversos contextos, así como su aplicación para abordar problemas reales de la sociedad. Estoy emocionado de sumergirme en el mundo de la investigación y contribuir al avance de la inteligencia artificial. En el futuro, me gustaría seguir con las labores de investigación. Deseo continuar explorando nuevas formas de utilizar los datos para obtener información valiosa y aplicar ese conocimiento en diversos sectores, como la medicina, transporte, etc. Asimismo, anhelo colaborar con otros investigadores y profesionales para impulsar el desarrollo y la implementación de soluciones basadas en machine learning que tengan un impacto positivo en la sociedad. En definitiva, mi objetivo es seguir aprendiendo, innovando y contribuyendo al progreso científico y tecnológico en el emocionante campo del machine learning y la ciencia de datos.
¿Qué recomiendas a futuros/futuras estudiantes?
La inteligencia artificial es una herramienta increíblemente poderosa que nos permite abordar una amplia gama de problemas de la realidad. Desde la medicina hasta la sostenibilidad ambiental, pasando por la economía y la industria, la IA está transformando la forma en que abordamos los desafíos en múltiples campos. En este sentido, es interesante destacar que cursar un máster o doctorado en inteligencia artificial te brindará la oportunidad de sumergirte en un campo en constante evolución y de estar en la vanguardia de la tecnología. Podrás explorar y desarrollar nuevas técnicas y algoritmos, y aplicarlos en proyectos de investigación que tienen un impacto real en la sociedad. La IA está revolucionando la forma en que vivimos y trabajamos, y ser parte de ese cambio es sumamente emocionante y gratificante.