“Las predicciones obtenidas a través de modelos matemáticos de aprendizaje automático pueden constituir un apoyo en la toma de decisiones en prognosis o diagnósticos médicos”

• El estudiante de doctorado Jose Ignacio Segovia Martín participará en el congreso ICML junto a su supervisor Dr. Santiago Mazuelas con el artículo “Doble ponderación para la adaptación del cambio de covariable”

El artículo científico "Double weighting for covariate change adaptation" se encuentra dentro del proyecto "Early prognosis of COVID-19 infections using machine learning" cuyo único participante es el Basque Center for Applied Mathematics – BCAM que finalizará en septiembre de 2023. Este proyecto está financiado por AXA Research Fund y se encuentra dentro de la convocatoria excepcional Mitigación de riesgos tras la pandemia de COVID-19.

El proyecto se encuentra en su fase final y tras varios artículos relacionados con el proyecto, el último ha sido publicado por el estudiante de doctorado en Machine Learning Jose Ignacio Segovia Martín y su supervisor Dr. Santiago Mazuelas. “En Doble ponderación para la adaptación del cambio de covariable, tratamos el problema del COVID-19 desde la situación en la que los datos de los pacientes obtenidos durante el aprendizaje y los datos de los pacientes que queremos predecir pertenecen a distintas regiones geográficas u olas”, comenta Segovia.

Recientemente Segovia, ha presentado un poster en la 5ª edición del congreso BIDAS en BCAM. Además, presentarán el artículo en el congreso International Conference on Machine Learning (ICML) y en el congreso nacional SEIO.

Este trabajo ha dado lugar a la colaboración con la Profesora Angi Lui de la Universidad de Johns Hopkins y Jose Ignacio realizará una estancia de 3 meses en el departamento de Computer Science junto a la investigadora.

El proyecto “Pronóstico precoz de las infecciones por COVID-19 mediante aprendizaje automático” tiene como objetivo desarrollar técnicas de aprendizaje automático para el pronóstico precoz de las infecciones por COVID-19 que predicen la gravedad futura de las infecciones utilizando datos sanitarios obtenidos en el momento de la detección de las infecciones. “Por ejemplo, un paciente infectado con un pronóstico precoz negativo (resp. positivo) puede ser trasladado directamente a cuidados semiintensivos (resp. sala ordinaria) antes de que presente síntomas notables. Además, los algoritmos de predicción desarrollados en el proyecto también pueden utilizarse para vigilar de cerca a individuos no infectados con altas probabilidades de ser asintomáticos o sufrir complicaciones en caso de que se infecten por COVID-19”, apunta el estudiante de doctorado.

“Creo que proyectos como este relacionados con uso de datos en el campo sanitario pueden tener un alto impacto para la sociedad. Las predicciones obtenidas a través de modelos matemáticos de aprendizaje automático pueden constituir un apoyo en la toma de decisiones en prognosis o diagnósticos médicos”, concluye Segovia.

Sobre Jose Ignacio Segovia Martín

Graduado en matemáticas por la Universidad de Valladolid (2015-2019) y finalizó su carrera con el Trabajo Fin de Grado "Introducción a la integración numérica de ecuaciones diferenciales algebraicas". Durante sus estudios se trasladó gracias a una beca Erasmus + a la Universidad de Opole (Polonia) en el curso 2018-2019. Estudió el Máster en Investigación en Matemáticas por la Universidad de Valladolid y su Trabajo Fin de Máster se tituló "Network Coding y codificación de errores" y obtuvo una calificación de Matrícula de Honor. Durante sus estudios de máster obtuvo una beca del Consejo Social de Colaboración en tareas de investigación en departamentos e institutos L.O.U. de la Universidad de Valladolid. Actualmente es estudiante de doctorado de Ingeniería Informática de la UPV/EHU en el Basque Center for Applied Mathematics – BCAM, bajo la dirección del Dr. Santiago Mazuelas con el título "Minimax supervised classification with applications to COVID-19 prognosis".