Ayesa – Predicción de riesgo cardiaco
Ayesa
Sector: Salud
Business Case
Mejorar la clasificación de los pacientes con dolor no traumático en urgencias (cardiopatía isquémica), para reducir el número de falsos positivos sin incrementar en nada los falsos negativos
Objetivos
Clasificar correctamente la cardiopatía isquémica en urgencias con énfasis en minimizar los falsos negativos que implican que se pueda enviar a alguien a casa que pueda resultar en cardiopatía isquémica.
Use case
Ingestar la información previa del paciente (primaria, antecedentes y medicación) Capturar información que se recoge durante el episodio de urgencias en los evolutivos. Creación de varios modelos para clasificar los pacientes. Algoritmo de consenso/ponderación
Infraestructura
On Premise
Tecnologías utilizadas
Aprendizaje Automático o Profundo Minería de textos
Datos utilizados
Datos tabulares, informes evolutivos. Datasets privados anonimizados.
Recursos utilizados
Profesionales de urgencias Documentalistas Científico de datos con conocimiento en NLP y ML
Dificultades y aprendizaje
Dato clínico, dato de baja calidad, dato relevante únicamente en lenguaje natural, nula tolerancia al riesgo, alta rotación de personal en el servicio de urgencias,…
KPIs (impacto en el negocio y métricas del modelo)
Ahorro económico y de recursos hospitalarios ante ingresos innecesarios. Reducción de los falsos positivos.
Financiación
Este proyecto ha recibido financiación del programa de investigación e innovación Hazitek competitivo del Gobierno Vasco.
Colaboradores
BioCruces
