El proyecto desarrollado por Santiago Mazuelas (BCAM) y financiado por AXA Research Fund llega a su fin

• El proyecto ha contado con la financiación de AXA y ha tenido una duración de 3 años, comenzó en de abril del 2020 y finalizó en septiembre de 2023

El Proyecto “Early Prognosis of Covid-19 Infections Via Machine Learning” ha sido liderado por Santiado Mazuelas, investigador Ramón y Cajal de BCAM e Ikerbasque. Este proyecto fianciado por AXA research Fund llega a su fin tras tres años de investigación. El proyecto fue seleccionado dentro de la Convocatoria Excepcional "Mitigar el riesgo tras la pandemia de COVID-19", y trabajaba para 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 poco después de la detección.

“Early Prognosis of Covid-19 Infections Via Machine Learning” ha desarrollado técnicas de aprendizaje automático para el pronóstico temprano de infecciones por COVID-19, que predicen la gravedad futura de las infecciones utilizando datos de salud obtenidos en el momento de la detección de las infecciones.

Las técnicas desarrolladas utilizan datos de salud multimodales y ricos en información para predecir la gravedad futura de las infecciones por COVID-19. El proyecto ha abordado varios desafíos científicos y técnicos para el diseño de algoritmos de aprendizaje, incluido el uso de muestras de entrenamiento no balanceadas afectadas por selection bias y el desarrollo de técnicas sensibles al costo. En particular, el proyecto ha propuesto un enfoque unificador para la adaptación al covariate shift (selection bias) que evita las principales limitaciones de los enfoques existentes al ponderar tanto las muestras de entrenamiento como las de prueba. Se han presentado técnicas efectivas que obtienen ambos conjuntos de pesos, generalizando el método convencional de kernel mean matchning que solo obtiene pesos para las muestras de entrenamiento. Además, presentamos límites de generalización para los métodos propuestos que muestran un aumento significativo en el tamaño efectivo de la muestra. El enfoque unificador y los métodos de aprendizaje propuestos pueden permitir técnicas capaces de adaptarse a escenarios más generales afectados por cambios de atributos. Este trabajo se ha publicado en International Conference on Machine Learning (ICML) en 2023 con el título “Double-Weighting for Covariate Shift Adaptation''

Los resultados generales obtenidos en el proyecto pueden conducir a mejoras significativas en la forma en que se toman decisiones médicas y de salud pública para tratar y gestionar infecciones como las causadas por el COVID-19.

“La realización del proyecto me ha ayudado a extender las líneas de trabajo del grupo de investigación, así como para financiar los gastos relacionados con varios investigadores”, afirma Santiago Mazuelas. Además, el investigador de BCAM e Ikerbasque sostiene que “su objetivo general en el futuro es continuar desarrollando investigación de la mayor calidad científica posible y seguir ayudando a resolver problemas con un alto impacto en la sociedad”.

Por parte de BCAM, los miembros que han participado y acompañado a Santiago Mazuelas en este proyecto son Rubén Armañanzas (Postdoctoral fellow), José Ignacio Segovia Martín (PhD Student), Lasai Alai Barreñada (Research Technician), Mikel Cotillas (Research Technician), Sara Ambrosi (Intership), Ernesto Contreras (Research Technician), Nicolás Errandonea (Intership) y Xabier de Juan Soriano (Research Technician).