Un equipo multidisciplinar galego publica en Nature un modelo de aprendizaxe profunda capaz de anticipar patoloxías metabólicas con anos de antelación. O estudo, que combina a capacidade computacional do CiTIUS coa experiencia clínica do IDIS, sitúa a Galicia na vangarda da medicina de precisión.

O proxecto é o resultado dunha estreita colaboración entre dúas áreas de excelencia en Santiago. Por unha banda, o equipo de Vicente Pérez Muñuzuri, catedrático de Física da Materia Condensada e coordinador do grupo de Sistemas Complexos no CiTIUS (Centro Singular de Investigación en Tecnoloxías Intelixentes da USC), liderou o deseño da arquitectura do modelo.

Por outra banda, a vertente clínica contou coa participación fundamental de Francisco Gude, responsable da Unidade de Epidemioloxía Clínica do IDIS e profesor da USC. Esta sinerxía permitiu que o algoritmo non sexa só unha ferramenta matemática, senón un instrumento con aplicabilidade médica real, validado con datos de máis de 500.000 individuos procedentes do Biobanco do Reino Unido.

O modelo GluFormer

A investigación, titulada "Deep learning-based disease progression modeling", introduce o sistema GluFormer. A diferenza dos métodos tradicionais de diagnóstico, este avance destaca por:

• Modelado de progresión: O uso de redes neuronais recorrentes permite analizar series temporais de datos, identificando a traxectoria de saúde do paciente en lugar de ofrecer unha imaxe estática.
• Predición temperá: O sistema demostrou ser capaz de detectar riscos metabólicos invisibles en analíticas convencionais, anticipando eventos clínicos cunha ventá de tempo que facilita a intervención preventiva.
• Biomarcadores críticos: O estudo confirma que a hemoglobina glicosilada (HbA1c), o índice de masa corporal (IMC) e os niveis de triglicéridos son os factores máis determinantes ao ser procesados pola IA.

Este traballo, no que tamén colaboraron as universidades de Brown e Panthéon-Assas, demostra que a intelixencia artificial pode superar en precisión ás guías clínicas actuais.
Por outra parte, a publicación en Nature avala o rigor dunha tecnoloxía que permite unha mellor estratificación dos pacientes, optimizando os recursos do sistema sanitario e, sobre todo, mellorando a calidade de vida das persoas mediante unha prevención personalizada e baseada en datos.