HPC mejora a los médicos en la compatibilidad de donantes y receptores de trasplantes de corazón - Calendae | Informática, Electrónica, CMS, Ciberseguridad

HPC mejora a los médicos en la compatibilidad de donantes y receptores de trasplantes de corazón

Hola, un placer verte por aquí. Soy Simón Sánchez y esta vez hablaremos sobre HPC mejora a los médicos en la compatibilidad de donantes y receptores de trasplantes de corazón

El análisis de datos sanitarios es un área de aplicación emergente que promete reducir costes y ofrecer mejores resultados para los pacientes. Sin embargo, para lograr esto, se requiere un software sofisticado que pueda imitar parte de la inteligencia de los médicos reales. En la Universidad de Lund y la Universidad de Skåne en Suecia, los investigadores están intentando hacer precisamente eso mediante la construcción de un modelo de receptores y donantes de trasplantes de corazón para mejorar los tiempos de supervivencia.

El llamado «modelo de supervivencia» está diseñado para descubrir la compatibilidad óptima entre receptor y donante para los trasplantes de corazón. Tiene en cuenta factores como la edad, el grupo sanguíneo (tanto del donante como del receptor), el peso, el sexo, la edad y el tiempo durante un trasplante cuando no hay flujo sanguíneo al corazón. El simple análisis de estas seis variables conduce a rastrear alrededor de 30.000 combinaciones distintas. Cuando desee emparejar decenas de miles de destinatarios y donantes en ese rango de combinaciones, necesita un modelo de software bastante sofisticado y una gran potencia de procesamiento.

Para construir la aplicación, los investigadores de Lund utilizaron MATLAB y varias bibliotecas MathWorks relacionadas, a saber, Neural Network Toolbox, Parallel Computing Toolbox y MATLAB Distributed Computing Server. Con eso, construyeron sus modelos predictivos de redes neuronales artificiales (ANN), en este caso, una simulación que predice las tasas de supervivencia de los pacientes con trasplante de corazón en función de la idoneidad del donante. Los modelos ANN se «entrenan» utilizando datos de donantes y receptores encapsulados en dos bases de datos: el registro de la Sociedad Internacional de Trasplante de Corazón y Pulmón (ISHLT) y la Base de Datos de Trasplante Torácico Nórdico (NTTD).

La tecnología de software clave para la aplicación ANN es MathWorks Neural Network Toolbox. El paquete contiene herramientas para diseñar y simular redes neuronales, que se pueden utilizar para aplicaciones de inteligencia artificial como reconocimiento de patrones, química cuántica, reconocimiento de voz, juegos y control de procesos. Este tipo de aplicaciones no se prestan fácilmente al tipo de análisis formal que se realiza en la informática tradicional.

Para los modelos ANN, la capacitación implica correlacionar los datos del donante y el receptor para que los factores de riesgo se ponderen cuidadosamente. Cuando se realizan correctamente, las simulaciones pueden convertirse en expertos en asociar estos factores con las tasas de supervivencia de los trasplantes de corazón. En este caso, los resultados de la simulación se utilizaron para seleccionar los mejores y peores donantes para un receptor en particular.

El objetivo final es determinar los tiempos de supervivencia promedio después del trasplante para los futuros receptores, de modo que los médicos puedan tomar la mejor decisión de compatibilidad posible. En el estudio de investigación, se analizaron aproximadamente 10,000 pacientes que ya habían recibido trasplantes para verificar la precisión de los algoritmos.

Lo que encontraron fue que los modelos ANN podrían aumentar la tasa de supervivencia a cinco años entre un 5 y un 10% sobre los criterios de selección tradicionales realizados por los médicos en ejercicio. Quizás lo más importante es que, al utilizar un ensayo aleatorio basado en resultados preliminares, se consideraría un 20 por ciento más de pacientes para trasplantes con estos modelos, dice el Dr. Johan Nilsson, profesor asociado en la división de cirugía cardiotorácica de la Universidad de Lund.

Debido a la carga combinatoria de las variables receptor-donante, los modelos son muy laboriosos. En un grupo relativamente pequeño, la simulación de ANN derivada de MATLAB tomó aproximadamente cinco días. Esto fue significativamente mejor que los paquetes de software de código abierto (R y Python) con los que comenzaron. En ese entorno, las carreras duraron entre tres y cuatro semanas y se caracterizaron por choques y resultados inexactos.

Para ejecutar la simulación, los investigadores utilizaron un clúster Apple Xserve de nueve nodos (que incluye un nodo principal y un nodo para compartir archivos), junto con 16 TB de disco, todos conectados a una red GigE básica. El tamaño de la memoria en los nodos osciló entre 24 y 48 GB. Según Nilsson, con la última configuración de MATLAB, utilizan 64 CPU para ejecutar la simulación ANN.

Nilsson, que es médico, programó la aplicación él mismo, y señaló que el entorno MATLAB era fácil de configurar y usar, y agregó que no se requería un conocimiento profundo de la computación paralela. El mayor obstáculo que encontró fue la necesidad de personalizar una función de error (la red neuronal MATLAB no tiene rutinas de error de entropía cruzada). También se encontraron algunos problemas al configurar el clúster de Xserve, pero una vez han reemplazado el protocolo Xgrid de Apple con MATLAB Distributed Computing Server, muchos de estos problemas han desaparecido.

El clúster Apple Xserve no es lo último en informática de alto rendimiento en estos días. Presumiblemente, con una configuración de HPC de último modelo, podrían reducir aún más el tiempo de respuesta de cinco días para la simulación, lo que aceleraría aún más la investigación.

A corto plazo, el equipo de Lund y Skåne tiene la intención de continuar optimizando el software y explorar otras soluciones como el árbol de regresión y los algoritmos de regresión logística, además de agregar soporte para máquinas vectoriales. Paralelamente, quieren iniciar la transición de la tecnología a un entorno clínico.

Según Nilsson, una vez que hayan preparado completamente los modelos, pueden eliminar el entorno informático de alto rendimiento. «En un entorno clínico futuro», dice, «la aplicación podría usarse en cualquier computadora de escritorio y el proceso de emparejamiento tomará desde unos segundos hasta un par de minutos».

Deberías compartir en tu Facebook para que tus colegas lo consulten

??? ? ? ???

Comparte