Embed Size (px)
Citation preview
#SAFOR SALUT2020
FUNCIONAMIENTO DE LA JORNADA 00
- Bienvenida - Cesión de derechos de imagen - Funcionamiento - Renombrar perfil - Micros cerrados - Preguntas por el chat y debate - Debate al final - Contactos a posteriori
ORDEN DEL DÍA
Por el equipo técnico de Safor Salut
Por Jon Ander Gómez, experto en Inteligencia Artificial de la UPV
01
02
04
Aplicaciones de la Inteligencia Artificial. Aprendiendo a identificar problemas abordables a través de la experiencia de otros:
Proyecto “El proceso Terminal en el paciente oncológico” Por Ana Myriam Seva-Llor, Hospital Vega Baja de Orihuela. App INTEMASC Por Jesús Tomás, experto en sensores e Inteligencia Artificial con aplicaciones médicas del Campus de Gandia (UPV). Importancia de la calidad y homogeneización de los datos. Por Maryna Danylyuk de la empresa Veratech Sistemas de asistencia virtual basados en IA. Por Fernando Pérez de la empresa Aunoa. Debate
03
Inteligencia Artificial aplicada al sector salud. Conceptos, campos de potencial aplicación en el entorno médico-hospitalario, y retos en el uso de datos médicos
05 Cierre
Qué es Safor Salut. Objetivos de la jornada y cómo canalizar ideas o retos de posibles proyectos relacionados con la Inteligencia artificial
Qué es Safor Salut. Objetivos de la jornada y cómo canalizar ideas o retos de posibles proyectos relacionados con la Inteligencia artificial
01
Por el equipo técnico de Safor Salut
SAFOR SALUT Es el programa de cooperación entre tres agentes clave en el sistema de innovación en salud en el área territorial de La Safor y su entorno: FISABIO- Departamento de Salud de Gandia, la Universitat Politècnica de València (UPV)-Campus Gandia, y la Federación de Asociaciones de Empresarios de la Safor (FAES), con la finalidad de desarrollar en cooperación investigación e innovación en productos y servicios. El programa comenzó en 2019 y se ha consolidado en 2020.
SAFOR SALUT
1. Fortalecer y promocionar la cooperación en investigación
e innovación entre el tejido industrial, tecnológico y
sanitario
2. Potenciar la generación de ideas innovadoras basadas en
necesidades sanitarias alineadas con la estrategia
de los retos AVI y RIS3
4. Dinamizar las nuevas ideas y poner
en marcha proyectos colaborativos dando lugar a productos y servicios
innovadores, mediante la implantación de una metodología de trabajo colaborativa,
basada en el open innovation y la co-creación, entre los tres agentes
3. Mejorar la competitividad de
las empresas de la Safor generando nuevas oportunidades
de negocio en el sector salud, a través de la transferencia de
tecnología y conocimiento a las mismas y la relación establecida
entre los tres agentes, así como la difusión del programa
5. Promover la
sostenibilidad y escalabilidad del Programa
PRÓXIMOS EVENTOS 2020 (fechas por confirmar)
Jornada de co-creación
Inteligencia Artificial 15 de octubre
Píldora tecnológica
Rehabilitación 29 de octubre
Jornada de co-creación
12 de noviembre
Píldora tecnológica
sensores y redes de sensores 26 de noviembre
Jornada de co-creación 10 de diciembre
OBJETIVO PRINCIPAL DE ESTA JORNADA
Aportar información para incentivar la propuesta de proyectos de investigación colaborativos entre los tres agentes de innovación, personal del Departamento de Salud de Gandia y del Hospital la Pedrera de Dénia con inquietudes en explorar mejoras en la atención de pacientes y la salud global de la población en base a esta tecnología (IA), junto al personal investigador del Campus de Gandia (UPV) y a las empresas de la Safor.
Cómo canalizar ideas y retos de posibles proyectos relacionados con la Inteligencia Artificial
A través del formulario
Contacta con el equipo Safor Salut En breve pondremos en marcha una web para la gestión de ideas y retos
Jornada de co-creación Inteligencia Artificial
Envío de ideas de nuevos proyectos (a partir de hoy) Análisis y búsqueda de socios Se trabajarán las nuevas ideas en la jornada de co-creación
Nos vemos el 15 de octubre
Inteligencia Artificial aplicada al sector salud. Conceptos, campos de
potencial aplicación en el entorno médico-hospitalario, y retos en el
uso de datos médicos
02
Por Jon Ander Gómez, experto en Inteligencia Artificial de la UPV
Concepts, potential application domains within the healthcare sector, and challenges to use medical data
Data lifecycle
FAIR & Quality data
Explainability & Interpretability
Trustworthy decision making
Concepts Prediction of migraine episodes or seizures
Detection of patterns / clues in tissues, delimiting ROIs
Assessment whether a patient suffers a given pathology
Application domains
Collect quality data: properly annotated/labelled
Sharing data in data spaces/silos/lakes
AI basic concepts managed by domain application experts
Challenges
https://ai-data-robotics-partnership.eu/
https://ai-data-robotics-partnership.eu/wp-content/uploads/2020/09/AI-Data-Robotics-Partnership-SRIDA-V3.0.pdf
Dataset
design
Data
Acquisition
Data
Curation
Persistent
Data
Storage
Data
Partitioning
Data
Augmentation
AI/ML/DL
Model
training
AI/ML/DL
Model
evaluation
Solution
Deployment
Data Pipeline
AI/ML/DL Model Pipeline
• Data types and formats –identification and definition • Metadata definition • Data Lake/Silo structure definition • Guidelines / HOW-TOs • Etc.
FAIR & Quality Data • Findable • Accessible • Interoperable • Reusable
Data sharing
Dataset
design
Data
Acquisition
Data
Curation
Persistent
Data
Storage
Data
Partitioning
Data
Augmentation
AI/ML/DL
Model
training
AI/ML/DL
Model
evaluation
Solution
Deployment
Data Pipeline
AI/ML/DL Model Pipeline
• Standards with guidelines to create FAIR open datasets with GDPR compliance data (anonymised)
• Quality data: properly annotated or labelled
• Certified datasets per disease to train, test & validate AI-based solutions
• Standards and guidelines to benchmark and validate the robustness and performance in terms of accuracy of certified AI-based solutions trustworthy decision making
• Training programs to ensure application domain experts can manage AI basic concepts
Explainable AI: Interpretability
Source: Master thesis of Álvaro López Chilet, MIARFID DSIC UPV
Tutors: Roberto Paredes Palacios & Jon Ander Gómez Adrián
Application domains: Detection of patterns / clues in tissues, delimiting ROIs
Source: PhD thesis of Jhon Jairo Saenz Gamboa, tutors: Maria de la Iglesia Vayá & Jon Ander Gómez Adrián
Application domains: Detection of patterns / clues in tissues, delimiting ROIs
Source: ISIC dataset https://www.isic-archive.com/#!/topWithHeader/wideContentTop/main
Used as Use Case 12 in the DeepHealth project https://deephealth-project.eu/
Application domains: Detection of patterns / clues in tissues, delimiting ROIs
Source: https://www.kaggle.com/jesperdramsch/siim-acr-pneumothorax-segmentation-data
Used as an additional use case in the DeepHealth project https://deephealth-project.eu/
Application domains: Assessment whether a patient suffers a given pathology
Source: The Alzheimer’s disease neuroimaging initiative (ADNI): MRI methods Journal of Magnetic Resonance Imaging, 2008
http://adni.loni.usc.edu/
Used in the Bachelor’s Degree thesis of Rafael Sánchez Romero, tutors: María de la Iglesia Vayá & Jon Ander Gómez Adrián
The DeepHealth project
SOFTWARE
PLATFORM
BIOMEDICAL
APPLICATION
Medical image
(CT , MRI , X-Ray,…)
Health professionals
(Doctors & Medical staff)
ICT Expert users
Prediction Score and/or
highlighted RoIe
returned to the doctor
Data used to
train models
Platform uses
the toolkit to
train models
(optional)
Images labelled by doctors
Add validated
images
Production environment Training environment
Using loaded/trained predictive
models
Samples to be pre-processed and validated
Images pending to
be pre-processed
and validated
HPC infrastructure
TOOLKIT
Aplicaciones de la Inteligencia Artificial. Aprendiendo a identificar problemas abordables a través de la experiencia de otros.
03
PROYECTO: El proceso terminal en el paciente oncológico
Dra. Seva-Llor, Ana Myriam
OBSERVACIONES - JUSTIFICACIÓN
Fuente: elaboración propia. ONCO. HVB 2017
Las trayectorias de enfermedad:
epidemiología del enfermar y morir
Las trayectorias de enfermedad:
epidemiología del enfermar y morir
¿CÓMO SURGIÓ?
• Experiencia profesional
• Pacientes
• Científicos
• Actitud proactiva
• Aplicación IA
• UCIE
• Materiales y equipos
Convenio de
colaboración
entre la UMH y
FISABIO
OBJETIVOS
OBJETIVO PRINCIPAL
Medir con precisión, alto rendimiento y de manera totalmente no-invasiva al paciente oncológico terminal (signos y cambios fisiológicos) para comprender el proceso de empeoramiento, y poder mejorar substancialmente la práctica clínica: diagnóstico, pronóstico, tratamiento, los cuidados en general y los Cuidados Paliativos en particular.
OBJETIVOS ESPECÍFICOS
* Identificar, con claridad, etapas en el proceso de morir * Construir modelos predictivos que orienten a
los profesionales sanitarios en la toma de decisiones, cada vez más individualizadas, para el paciente que sufre una enfermedad oncológica incurable y avanzada
-
INTELIGENCIA ARTIFICIAL
FINALIDAD
•Monitorización continua y en tiempo real de datos fisiológicos
CARACTERÍSTICAS
•Pequeño gadget: machine learning
•Objetividad
•No invasiva: sin causar ningún dolor
•No ofensiva: situación compleja cargada de significado humano muy profundo
CONTEXTO
•Era del “Big data”
•Proliferación de la innovación en Oncología: ttos nuevos, terapias dirigidas e inmunoterapia
•Ley 3/2018, de 5 de diciembre de Protección de Datos Personal y garantía de los derechos digitales
DATOS
•Multivariados
•Longitudinales
•Personalizados
CAPACIDADES/COMPETENCIAS/EXPERIENCIA
EQUIPO INVESTIGADOR
Dra. Ana Myriam Seva Llor
Dr. Santiago Canals Gamoneda
Dr. Alex Gómez Marín
Dra. Silvia Ortín González
Andrés Giner Antón
José Manuel del Río Cañuelo
ONCÓLOGOS Mª Ballester Espinosa
Dr. José María Baron Saura
ENFERMERAS Regina de Andrés Romero
Mª Carmen Botella Marco Belén Garri Chazarra
Antonio Teruel Aracil
Esther Martínez Birlanga
Mª Jesús Gea Giménez
Yolanda Gómez Mas
Susana Blasco Blasco
Aurora Menargues Miralles
Enrique García SanBartolomé
Obdulia Gómez
UH ONCOLOGÍA EQUIPO INVESTIGADOR COLABORADOR
PROFESIONALES SANITARIOS
TCAES Fátima Belmonte
Nuria Méndez
Mª Carmen Marco
Francisca Morales
Mª Teresa Murcia
Isabel Vicente
Encarnación González
Mª del Mar Díaz
Olaya Antón
BENEFICIOS DEL ESTUDIO Profesionales sanitarios oncológicos
• Aumentar el conocimiento: estudiar científicamente el proceso de morir
• Definición de nuevos conceptos y actualización de los existentes
• Identificación de la situación de últimos días: buenas prácticas clínicas
• Facilitar la toma de decisiones profesionales: intensificación de CP
Gestión sanitaria
• Innovación del modelo de asistencia al final de la vida: centrado en el paciente oncológico
• Medición: calidad asistencial, seguridad del paciente e integración de CPO
Paciente y su familia
• Calidad de vida y de muerte
• Dignidad en el proceso de morir
HECHOS QUE FORTALECEN EL ESTUDIO
"No permitas que nadie diga que eres incapaz de hacer algo, ni si
quiera yo. Si tienes un sueño, debes conservarlo. Si quieres algo, sal
a buscarlo, y punto. ¿Sabes?, la gente que no logra conseguir sus
sueños suele decirles a los demás que tampoco cumplirán los suyos".
Will Smith (En busca de la felicidad)
INFORMACIÓN
CONCIENCIAR DE LA IMPORTANCIA DE LA
CORRECTA COLOCACIÓN DE LA MASCARILLA
DETECCIÓN DE ERRORES DE COLOCACIÓN A PARTIR DE IMÁGENES OBTENIDAS DESDE UN MÓVIL
OBJETIVO PRINCIPAL OBJETIVOS ESPECÍFICOS
LA IDEA
PARTE DE UN GRUPO DE ENFERMERAS DEL HOSPITAL
GENERAL D’ONTINYENT. QUE PROPONEN LA IDEA Y
CONTACTAN CON LA UPV A TRAVES DE MATCH COVID 19.
DESARROLLAR UNA APP QUE PERMITA AUTOVERIFICAR LA COLOCACIÓN DE LA MASCARILLA
ORIGEN PROPUESTA
DISEÑO
SE TOMAN DOS SELFIS. SE INDICA POSIBLES
ERRORES
Funcionamiento
1er fase: obtención del corpus
LAS TÉCNICAS DE I.A. BASADAS EN APRENDIZAJE INDUCTIVO REQUIEREN DE
MILES DE EJEMPLOS DE APRENDIZAJE
Problema APP QUE PERMITE OBTENER/REALIZAR DOS SELFIS Y SUBIRLOS A NUBE
Solución
2ª fase: etiquetado del corpus
CADA IMAGEN HA DE ESTAR CORRECTAMENTE
ETIQUETADA
Problema
APP PARA EL ETIQUETADO
Solución
3ª fase: entrenamiento
¿PUEDE UN SISTEMA APRENDER A ETIQUETAR LAS IMÁGENES A PARTIR
DE LOS EJEMPLOS?
Problema
REDES NEURONALES CONVOLUCIONALES.
Posible solución - MALA COLOCACIÓN - - PROBLEMA
ESPECÍFICO - - PROBLEMA Y
POSICIÓN
¿Qué aprendemos?
4ª fase: implementación app
¿PUEDE UN MÓVIL EJECUTAR ESTAS REDES
NEURONALES?
Problema
UTILIZAREMOS TENSORFLOW. APP PARA ANDROID Y IOS.
Solución
Desarrollo de apps, gestión de la información,
I.A. aplicada al reconocimiento de imágenes
Corpus de entrenamiento etiquetado
(3K imágenes)
CAPACIDADES RESULTADOS
DAVID VALERAZO GRUPO DE ENFERMERAS D’ONTINYENT.
Colaboraciones
Proyecto “Importancia de la calidad y homogeneización de
los datos”
Por Maryna Danylyuk, VeraTech for Health SL
Ineficiencias en sistemas sanitarios: • Errores médicos: quirúrgicos, diagnóstico, comunicativos • Políticas financieras y de precios • Gestión • Reúso de los datos
Costes:
• Calidad: 44% de los errores médicos son prevenibles • Financieros: $6 mil millones en pérdidas de bienestar económico • Salud: 1 de 10 sufre daños innecesarios en puntos de atención • Tiempo y vidas: hasta 400 miles de muertes prevenibles en EEUU
Amenaza:
• Esperanza de vida crece y calidad esperada también • Tasa de crecimiento del gasto sanitario (3.9%) en futuro es mayor • que la tasa de crecimiento del PIB (3%) • Insostenibilidad del sistema sanitario
Solución:
Eficiencia ya no es un adjetivo sino una estrategia de funcionamiento del sistema sanitario y consiste en producir más valor con el mismo nivel ingreso. Permitirá: • Prevenir los errores prevenibles • Optimizar los procesos (waste reduction) • Bajar costes y prever ingresos • Generar calidad y valor adicional (salud)
EFICIENCIA EN SISTEMA SANITARIO
INTELIGENCIA ARTIFICIAL EN
SANIDAD
Necesidad
CASOS PRÁCTICOS:
1) Proyecto de ayuda a la prevención de embarazo con gemelos para un instituto de infertilidad
2) Proyecto de ayuda al médico con la definición del tratamiento a los enfermos con cáncer - Historia
Clínica Electrónica Oncológica para dos hospitales de Paraguay
3) Proyecto de prevención de enfermedades: definición de un repositorio normalizado de datos de los
primeros 1000 días del bebe para desarrollar sistemas de prevención de enfermedades adultas
Planteamiento Preparación Desarrollo Solución
Implantación de la solución
Mantenimiento de la solución
FASES:
PRINCIPALES BARRERAS:
• Falta de conocimiento técnico
• Falta de financiación
• Falta de tiempo
• Falta de confianza con los proveedores
• Calidad de los datos
• Malas praxis
• Protección de datos – acceso a los datos
CONTACTOS
VeraTech: www.veratech.es
LinkedIN: Maryna Danylyuk
Instagram: @hcecon
F a s t e r & S m a r t e r
C u s t o m e r S e r v i c e
INTELIGENCIA ARTIFICAL APLICADA
AL ENTORNO MEDICO -
HOSPITALARIO
1 - O c t u b r e - 2 0 2 0
Sistemas de asistencia virtual basados en IA
Introducción P r o b l e m á t i c a a c t u a l
El actual canal de comunicación que las personas utilizan a diario
para comunicarse entre ellas, es muy distinto al que utilizan las
empresas para comunicarse con sus clientes.
La IA Conversacional
A
I
Estar donde los clientes están, comunicarse e
interactuar con los clientes del mismo modo y
por los mismos canales que estos utilizan a
diario por razones personales.
Atención al Cliente
Marketing Ventas
Soluciones basadas en Inteligencia Artificial
Conversacional Supervisada – NLP (Natural
Language Processing - Chatbots), para mejorar la
experiencia del cliente.
Automatización 24x7 Servicio
Eficiencia Self-service
Mejorar experiencia de Cliente
Accesibilidad Cercanía Confiabilidad
WhatsApp Faceboo
k Twitter WebChat
Renovación generacional Acortar brecha digital
Q u é e s y p a r a q u e
s i r v e ?
Soluciones basadas en IA
Conversacional C h a t b o t O m n i c a n a l p a r a a u t o m a t i z a c i ó n d e s e r v i c i o s d e a t e n c i ó n
Automatización de respuestas (AI-NLP) Resolución automatizada de consultas frecuentes, con la utilización
de IA-NLP (Procesamiento del Lenguaje Natural).
Integración con transaccionales (API) Integración con sistemas de clientes para responder consultas
transaccionales o relativas a servicios contratados.
Solución hibrida (IA + Personas CC) Sistema de transferencia de la IA al Chat en línea
con personal del Call Center.
Aplicaciones conversacionales Adaptación de aplicaciones existentes a entorno conversacional / mensajería:
• Cita previa, encuestas, votaciones…
• Gestión documental y firma electrónica: instancias, solicitudes, trámites,
contratos…
• Procesado audio: Transcripción en tiempo real de ficheros de audio
generados por el usuario (Speech-to-Text).
68% AUTOMATION
RATE
SUPERVISIÓN Y PROACTIVIDAD Entrenamos y supervisamos la IA diariamente para
garantizar el funcionamiento óptimo y la proactividad
en relación a los usos y demandas de los clientes.
Ejemplo 1 – Autototest COVID y Cita
previa
Demo
Información exlusiva de Aunoa. © 2019 Aunoa Software S.L. Todos los derechos reservados.
-
Solución para maximizar la accesibilidad de los
usuarios a determinadas aplicaciones.
Mediante la adaptación/conversión de
aplicaciones sencillas existentes en entorno web
(cita previa, encuestas, votaciones), a aplicaciones
conversacionales que funcionan sobre las
principales Apps de Mensajería Instantánea como
WhatsApp.
Permitiendo a los clientes interactuar con las
aplicaciones de un modo sencillo, natural y
accesible para el 100% de los usuarios.
Descripción
Sistema de cita previa Auto-test
DEMO WhatsApp
F u n c i o n a l i d a d
Video Demo (*): https://youtu.be/MXAlcQa5AWc (*) Servicio demostrador, no oficial
Ejemplo 2 – Servicio de Atención al Ciudadano (S. Sociales)
F u n c i o n a l i d a d
Utilización de Web y WhatsApp Chatbot, para los servicios de Atención al Ciudadano de las AAPP, consiguiendo de este modo una mayor eficiencia y
optimización de procesos y costes.
¿Para qué sirve?
Utilización de la IA para resolución automática 24x7 de consultas sencillas y recurrentes y el personal del CAU para consultas complejas y mejora general del servicio del CAU
Automatización de procesos internos y de trámites con ciudadanos
Automatización del actual servicio Web Live Chat de consultas y atención al cliente.
Beneficios Administración
Automatización procesos y eficiencia.
Atención al ciudadano 24x7.
Reducción de costes.
Nº Ilimitado de usuarios simultáneos.
Mover ciudadanos al auto-servicio.
Mejora del engagement de los ciudadanos.
Demo
Beneficios Administración
Inmediatez, fácil utilización, interfaz conocida.
Eliminar barreras de entrada y acceso a servicios.
Comunicación 1-to-1 personalizada.
Autenticidad, interface por lenguaje natural.
Atención ininterrumpida y ubicua.
Video Demo (*): https://youtu.be/1VgXZGdfsLE (*) PuestaenservicioenOctubre2020
Ejemplo 3 – Tramitación electrónica por WhatsApp F u n c i o n a l i d a d
Utilización del WhatsApp para simplificar los procesos de cumplimentación, firma y entrega de
documentación.
¿Para qué sirve?
Cumplimentar plantillas de documentos. Documentos tipo plantillas estándar: Instancias,
solicitudes, trámites, formularios o contratos, que
únicamente deban recopilar campos básicos de
información del usuario.
Adjuntar documentación. Adjuntar documentación requerida mediante el
envío de fotos.
Firmar. Firma de los documentos mediante firma
electrónica.
¿Cómo funciona?
Acceso. El usuario accede al documento a través del número
WhatsApp oficial de la compañía, o recibe un sms con un link que le
facilita el acceso.
Cumplimentación. Introduce los datos básicos requeridos;
nombre, apellidos, dirección y contacto, mediante una conversación
/ chat con un asistente virtual por WhatsApp.
Adjuntos. Incluye los adjuntos requeridos (foto del ID, otros),
remitiendo archivos o fotos desde el carrete de su móvil.
Firma. Firma electrónicamente el documento desde la pantalla de
su móvil.
Envío. Remite toda la información dentro de la misma
conversación/chat de WhatsApp.
Beneficios
Ahorro de tiempos, simplificación y
agilidad.
Ahorro de costes.
Mejora la experiencia de cliente.
Mejora medio ambiente con ahorro de
papel.
Demo
Video Demo (*): https://youtu.be/EvyOClD6M6k (*) Puesta en servicio próximamente
F a s t e r & S m a r t e r
C u s t o m e r S e r v i c e
DEBATE
04
05 CIERRE Por Joaquín Miñana, Gerente del Hospital Francesc de Borja de Gandia
CONTACTOS EQUIPO SAFOR SALUT
Campus de Gandia (UPV): Pilar Sánchez | [email protected], Neus Montoro | [email protected] FISABIO-DS Gandia: María Prada | [email protected], AmparoArlandis | [email protected], ElenaCarrió | [email protected] Empresas-FAES: Diego Pérez | [email protected]
