“Ikaste automatikoko eredu matematikoen bidez lortutako iragarpenak lagungarriak izan daitezke prognosi eta diagnostiko medikoetan erabakiak hartzeko”

• Jose Ignacio Segovia Martín doktoregoko ikasleak ICML kongresuan parte hartuko du, Dr. Santiago Mazuelas gainbegiralearekin batera, “Doble ponderación para la adaptación del cambio de covariable” artikuluarekin

"Double weighting for covariate change adaptation" artikulu zientifikoa "Early prognosis of COVID-19 infections using machine learning” proiektuaren esparruan dago. Basque Center for Applied Mathematics – BCAM da 2023ko irailean amaituko den proiektu horren parte hartzaile bakarra. Proiektuak AXA Research Fund funtsaren finantzaketa jaso du, “COVID-19 pandemiaren ondorengo arriskuak arintzeko” ezohiko deialdiaren barruan.

Amaiera fasean dago, baina proiektuaren inguruko zenbait artikulu argitaratu dira dagoneko, horietako azkena José Ignacio Segovia Martín Machine Learning arloko doktorego ikasleak eta Dr. Santiago Mazuelas bere gainbegiraleak argitaratutakoa izanik. “Ko-aldagaiaren aldaketa egokitzeko haztapen bikoitzean, COVID-19aren arazoa tratatzeko erabili dugun abiapuntua da ikasketan zehar lortutako pazienteen datuak eta aurreikusi nahi ditugun pazienteen datuak eskualde edo bolada desberdinetakoak direla”, adierazi du Segoviak.

Segoviak duela gutxi aurkeztu du poster bat BIDAS kongresuaren 5. edizioan, BCAMen. Gainera, idatzitako artikulua International Conference on Machine Learning (ICML) kongresuan eta SEIO kongresu nazionalean aurkeztuko dute.

Lan horri esker, lankidetzan hasi dira Johns Hopkins Unibertsitateko Angi Lui irakaslearekin, eta José Ignaciok 3 hilabeteko egonaldia egingo du, harekin batera, Computer Science departamentuan.

“Pronóstico precoz de las infecciones por COVID-19 mediante aprendizaje automático” proiektuaren helburua infekzioen pronostiko goiztiarra lortzeko ikaste automatikoko teknikak garatzea COVID-19 da, infekzioen etorkizuneko larritasuna aurreikusita, infekzioa antzemateko momentuan eskuratzen diren osasun datuak abiapuntu hartuta. “Esaterako, pronostiko goiztiar negatiboa (ez positiboa) duen paziente infektatua zuzenean eraman daiteke zaintza erdiintentsiboetara (ez gela arruntera) sintoma larriak agertu aurretik. Gainera, proiektuan garatu diren iragarpen algoritmoak asintomatiko izateko edo, COVID-19 infekzioa hartzekotan, konplikazioak izateko aukera handia duten banako ez infektatuak hurbiletik kontrolatzeko erabil daitezke”, azaldu du doktoregoko ikasleak.

“Nire ustez, osasun arloko datuen erabilerarekin lotutako honelako proiektuek inpaktu handia izan dezakete gizartean. Ikaste automatikoko eredu matematikoen bidez lortutako iragarpenak lagungarriak izan daitezke prognosi eta diagnostiko medikoetan erabakiak hartzeko”, amaitu du esanez Segoviak.

José Ignacio Segovia Martíni buruz

Matematika gradua burutu zuen Valladolideko Unibertsitatean (2015-2019) eta karrera amaitzeko "Introducción a la integración numérica de ecuaciones diferenciales algebraicas” Gradu Amaierako Lana aurkeztu zuen. Ikasketa horietan zehar, Erasmus + bekari esker Poloniako Opole Unibertsitatean egon zen 2018-2019 ikasturtea. Matematika ikerketa masterra egin zuen Valladolideko unibertsitatean eta ohorezko matrikula lortu zuen “Network Coding y codificación de errores” izeneko Master Amaierako Lanean. Master ikasketak egiten ari zela, Lankidetza Gizarte Kontseiluaren beka bat eman zioten Valladolideko Unibertsitateko LOU departamentu eta institutuetan ikerketa lanak egiteko. Gaur egun, UPV/EHUko ingeniaritza informatikoko doktoregoa egiten ari da Basque Center for Applied Mathematics – BCAMen, Santiago Mazuelas doktorearen zuzendaritzapean, "Minimax supervised classification with applications to COVID-19 prognosis” izenburua duen tesiarekin.