Imagen cedida por la UPV del proyecto con algoritmos de altas prestaciones. EFE
Liderado por la Universitat Politècnica de València, el proyecto permitirá procesar gran cantidad de imágenes e información de la actividad cardíaca y marcadores genéticos relacionados con enfermedades del corazón, así como lograr diagnósticos más precisos y tratamientos cada vez más personalizados, según los datos a los que ha tenido acceso EFE.
Expertos en modelización cardíaca, análisis de imagen, bioinformática e infraestructuras de computación avanzadas integran el proyecto basado en la puesta en marcha de un clúster informático para medicina personalizada de gran potencial de procesamiento y cálculo y financiado con fondos europeos FEDER.
Un equipamiento de seis nodos, con un total de 24 Unidades de Procesamiento Gráfico de última generación y más de cuatro Terabytes de memoria RAM, permitirá procesar gran cantidad de imágenes e información de la actividad cardíaca y genética del corazón, con algoritmos de simulación avanzada y técnicas de Inteligencia Artificial.
"Todo ello contribuirá a avanzar a unos tratamientos cada vez más personalizados y eficaces", según destaca a EFE Ignacio Blanquer, coordinador del proyecto e investigador del Instituto para la Instrumentación para Imagen Molecular, centro mixto de la UPV y el Consejo Superior de Investigaciones Científicas (CSIC).
El clúster reducirá significativamente los tiempos de simulación de los modelos eléctricos y mecánicos del corazón, según apunta a EFE el director del Centro de Investigación e Innovación de Bioingeniería (Ci2B) de la UPV, Javier Saiz.
"Ayudará a la predicción, en un tiempo razonable, del resultado de una determinada terapia en un paciente mediante la simulación de su efecto en el modelo personalizado de su corazón, permitiendo al médico optimizar su aplicación", explica.
Además, contribuirá a detectar de forma automática casos susceptibles de enfermedad a partir del análisis de las imágenes del corazón, así como a clasificarlas en grupos patológicos.
El caso con el que trabajan los investigadores de la UPV para entrenar el clúster es la enfermedad cardíaca reumática (RHD), una patología infecciosa que produce malformaciones a largo plazo.
"Si se detecta y trata pronto, tiene una curación altísima. Si no, puede provocar daños irreparables, incluyendo el fallecimiento del paciente, además de incrementar notablemente los costes de asistenciales", según Blanquer.
El investigador sostiene que este clúster "ayudará al procesamiento de imágenes y, a partir de ahí, podría contribuir a la detección temprana de esta y otras patologías".
El clúster de altas prestaciones con que trabajan los investigadores de la UPV fracciona todos los vídeos e imágenes del corazón, los procesa por separado y, a partir de ahí, se obtienen unos indicadores y, en último término, el diagnóstico.
"De este procesamiento de las imágenes, clasifica al paciente en sano, patológico y dudoso, lo que permite al personal asistencial concentrarse en estos últimos", destaca.
Y añade: "Cuanto mayor sea la potencia de proceso, más fácil será aumentar la precisión de los algoritmos de clasificación y reducir el número de casos dudosos".
Según los investigadores, detectar mutaciones genéticas requiere actualmente de varios días de análisis, debido a la complejidad, dispersión y heterogeneidad de los datos genéticos relevantes que hay que identificar, con lo que el clúster ayudará a su búsqueda y pretenden que en menos de una hora.
El director del Centro de Investigación en Métodos de Producción de Softwere de la UPV, Óscar Pastor, valora la "Ciencia de Datos Genómicos de última generación, realmente efectiva y eficiente a través de la selección y exploración de fuentes de datos relevantes".
El entrenamiento del clúster en este caso se hará con una base de datos procedente del proyecto ATMOSPHERE, liderado por la UPV y la Universidad Federal de Campina Grande (Brasil).
En este colabora QUIBIM, empresa biotecnológica derivada del Instituto de Investigación Sanitaria La Fe especializada en la extracción de información cuantitativa de las imágenes médicas radiológicas y de medicina nuclear, mediante técnicas avanzadas de procesamiento computacional e Inteligencia Artificial.
