12.05.25
Un equipo de investigadores de la ETSI de Telecomunicación (ETSIT) de la Universidad Politécnica de Madrid (UPM) ha desarrollado un enfoque innovador para la estimación de efectos de tratamientos médicos. Los ensayos clínicos aleatorizados son actualmente la herramienta más fiable para estimar el impacto de un tratamiento, ya que dividen a los pacientes en dos grupos aleatorios, asignando a cada grupo un tratamiento distinto. Sin embargo, este procedimiento puede ser lento y estar sujeto a restricciones éticas, lo que limita su aplicabilidad en ciertos contextos médicos.
Para abordar esta limitación, investigadores del Centro de Procesamiento de Información y Telecomunicaciones (IPTC) de la ETSIT-UPM han recurrido a un enfoque que combina inteligencia artificial, inferencia causal y datos observacionales (no aleatorizados) para estimar el efecto de los tratamientos. No obstante, la estimación del efecto de un tratamiento a partir de datos observacionales presenta múltiples desafíos, como la presencia de sesgos en la asignación del tratamiento. Por ejemplo, si un tratamiento se administra mayoritariamente a un grupo de pacientes con peor pronóstico, sus efectos podrían parecer menos favorables, no debido a la ineficacia del tratamiento en sí, sino a la condición inicial más grave de estos pacientes.
El estudio aborda el problema de la inferencia causal distribuida en hospitales, ya que los datos médicos con frecuencia están repartidos en distintos centros, con diferentes distribuciones de pacientes y con diversos criterios de asignación de tratamientos. Debido a las restricciones de privacidad, los datos personales de los pacientes no pueden ser compartidos entre hospitales, lo que complica la estimación precisa de los efectos de los tratamientos.
Con objeto de afrontar este desafío, los investigadores han desarrollado una adaptación de una de las arquitecturas más avanzadas en la predicción de efectos de tratamientos basada en redes neuronales. Según los experimentos realizados, esta adaptación (denominada Propensity Weighted FederatedAveraging), corrige el desequilibrio en la distribución de tratamientos entre hospitales, mejorando así la precisión en la estimación de efectos causales individuales. “Lo que hemos conseguido con nuestro trabajo tiene importantes implicaciones para el campo de la medicina, ya que mejorar la estimación de los efectos de tratamientos médicos supone un avance para evaluar terapias en hospitales con pocos recursos sin violar la privacidad de los pacientes”, señala Santiago Zazo Bello, uno de los investigadores que ha participado en el estudio.
El estudio también destaca la necesidad de incorporar técnicas avanzadas de preservación de la privacidad −como la privacidad diferencial y la encriptación− para garantizar el cumplimiento de las normativas más estrictas de privacidad. Los investigadores planean continuar explorando estas técnicas en futuros trabajos.
En definitiva, “el algoritmo que hemos desarrollado representa un avance significativo hacia la mejora de la estimación de efectos de tratamientos en entornos distribuidos y desequilibrados, con potenciales beneficios para la investigación médica y la toma de decisiones en salud pública a nivel global”.
Alejandro Almodóvar, Juan Parras, Santiago Zazo. Propensity Weighted federated learning for treatment effect estimation in distributed imbalanced environments. Computers in Biology and Medicine, Volume 178, 2024, 108779, ISSN 0010-4825,
https://doi.org/10.1016/j.compbiomed.2024.108779.
(https://www.sciencedirect.com/science/article/pii/S0010482524008643)