• O CITIC da UDC contará coa colaboración do Centro de Supercomputación de Galicia (CESGA) para maximizar as vantaxes do seu proxecto NEXT-GEN-SOMNUS, destinado a desenvolver solucións TIC máis eficientes no estudo deste tipo de trastornos que afectan na actualidade a máis de catro millóns de persoas en España.

A Coruña, 27 de febreiro de 2025.- O CITIC suma aliados no desenvolvemento de proxectos que busquen a aplicación da intelixencia artificial e a computación cuántica a diferentes áreas da vida cotiá. En concreto, o centro de investigación da UDC estableceu sinerxías co Centro de Supercomputación de Galicia (CESGA) para colaborar no proxecto “Algoritmos de Aprendizaxe Automática de Nova Xeración para a Análise de Rexistros Médicos do Soño (NEXT-GEN-SOMNUS)”. O obxectivo do proxecto é buscar solucións TIC máis eficientes no estudo de trastornos do soño, unha problemática que afecta, hoxe en día, a máis de catro millóns de persoas en España, segundo datos da Sociedade Española de Neuroloxía.

A iniciativa, coordinada polos equipos de Eduardo Mosqueira Rey e Diego Álvarez Estévez do CITIC no marco da convocatoria de ‘Proxectos de Xeración de Coñecemento 2023’, financiado polo Ministerio de Ciencia, Innovación e Universidades, a Axencia Estatal de Investigación e polo Fondo Europeo de Desenvolvemento Rexional (FEDER), está dirixida a mellorar a análise dos rexistros médicos do soño mediante o uso de diversos algoritmos de aprendizaxe automática de nova xeración, baseados en mecanismos de auto-atención, a colaboración de expertos humanos no proceso de aprendizaxe e a inclusión da computación cuántica. A través destes, segundo explica Mosqueira, “preténdese desenvolver solucións máis eficientes e explicables para o diagnóstico de trastornos do soño”.

A colaboración co CESGA, engade o investigador, “consiste en utilizar o modelo cuántico de predición de series temporais desenvolvido polo CESGA, adaptalo para o tipo de sinais que usamos nós na medicina do soño, e adecualo debidamente para realizar tarefas de clasificación de fases do soño e detección de diferentes eventos de relevancia para o diagnóstico. O modelo adaptado utilizaríase con datos reais da medicina do soño dos que dispoñemos e probaríase tanto nos simuladores cuánticos como no computador cuántico real que está instalado no CESGA”.

Acelerar o diagnóstico para unha maior eficiencia clínica

Os trastornos do soño afectan a gran parte da poboación. Segundo a estatística que manexa a Sociedade Española de Neuroloxía, máis de catro millóns de persoas no noso país, e máis en detalle, o 48% da poboación adulta e o 25% da infantil, non ten un soño de calidade. Os procedementos de diagnóstico asociados á revisión manual da proba polisomnográfica estándar (PSG) son complexos e custosos, o que fai que os centros clínicos ter dificultades para satisfacer a crecente demanda destes exames. 

A análise de PSG asistido por computadora ofrece claras vantaxes en termos de importantes aforros de tempo e custos xerais asociados ao diagnóstico. Con todo, as solucións propostas ata o de agora limítanse a realizacións parciais, ad hoc e presentan problemas de xeneralización. As técnicas de intelixencia artificial de aprendizaxe profunda de primeira xeración como redes convolucionais (CNNs) ou recorrentes (RNNs) son apropiadas para a detección e clasificación dun só obxecto (por exemplo, imaxes), pero non son óptimos nas situacións máis complexas que requiren a identificación de múltiples obxectos individuais. Ademais, compórtanse como “caixas negras”, o que repercute negativamente na súa aceptabilidade por parte do clínico, impedindo un aproveitamento responsable das súas decisións. 

Neste escenario, o proxecto NEXT-GEN-SOMNUS do CITIC da UDC persegue investigar a aplicabilidade das técnicas de aprendizaxe automática de próxima xeración ao problema da análise de rexistros médicos de soño que superen as limitacións dos modelos de primeira xeración. Por iso, tal e como expón Mosqueira Rey: propoñen mellorar a eficiencia dos algoritmos expondo a integración de mecanismos novos de auto-atención para tratar de obter mellores resultados na detección e clasificación de eventos. Doutra banda, incluír técnicas human-in-the-loop para tentar introducir coñecemento experto humano nos devanditos algoritmos, que permitan mellorar tanto o seu rendemento como as súas capacidades de explicabilidade. E, ademais, incluír tarefas de aprendizaxe automática-cuántica facendo uso de procesos como a superposición, a interferencia e o entrelazamiento que permitan levar aos algoritmos de aprendizaxe automática a outro nivel e maximizar así as vantaxes destas ferramentas TIC para o diagnóstico, estudo e seguimento clínico posterior dos trastornos do soño”.