L'ús de la intel·ligència artificial en les eines de suport al diagnòstic per ferides cròniques

Abstract

La complexitat per tractar les ferides cròniques i la falta d'eines de diagnòstic objectives i accessibles fan que sorgeixi una necessitat de buscar alternatives que ajudin als clínics a fer una avaluació objectiva de l'estat de les ferides. En aquest projecte d'investigació es proposen diferents solucions basades en tecnologies avançades com la Intel·ligència Artificial per dur a terme tasques que proporcionin suport al professional sanitari a l'hora de realitzar el diagnòstic de ferides cròniques. Aquestes tasques es basen en imatges i dades clíniques associades proporcionades pels mateixos clínics de manera segura mitjançant una plataforma de software integrada en dispositius mòbil. Es planteja la hipòtesi de que els algorismes d'Intel·ligència Artificial son capaços d'identificar i extreure característiques visuals i clíniques rellevants oferint un suport integral en l'avaluació de les ferides cròniques. A més, aquests mètodes milloren la precisió, la rapidesa i la personalització del diagnòstic en comparació amb els mètodes tradicionals. La investigació s'ha estructurat entorn d'objectius principals i secundaris. Entre els principals es destaquen: identificar de manera automàtica característiques visuals rellevants utilitzant algorismes d'Intel·ligència Artificial capaços d'extraure patrons de les imatges i classificar-les adequadament, proporcionar un sistema de suport al diagnòstic clínic sent capaços d'oferir una proposta d'avaluació integral de la ferida i validar clínicament els resultats obtinguts, ja sigui mitjançant assajos clínics als propis hospitals o amb proves de laboratori. Els objectius secundaris inclouen identificar les necessitats dels professionals sanitaris, consolidar un conjunt de dades de qualitat i avaluar si les eines desenvolupades proporcionen realment el suport al diagnòstic que requereixen els clínics. La metodologia seguida per desenvolupar les solucions ha consistit en el disseny i la implementació de diversos algorismes amb funcionalitats que cobreixen els objectius plantejats. Específicament, s'han desenvolupat algorismes capaços d'identificar en una imatge la presència de teixit hipergranulat en el llit de la ferida, un tipus de teixit indicador de risc i difícil d'identificar. També una solució capaç de calcular la mida de la ferida automàticament i un algorisme que proporciona una proposta de diagnòstic d'una ferida a partir de la seva imatge mostrant altres casos de ferida similars prèviament avaluats clínicament. Finalment, s'ha proposat un nou enfocament que integra noves tecnologies com son els models de llenguatge a gran escala i els models generatius proporcionant una eina de suport a nivell informatiu de la cura de les ferides cròniques per als clínics. Les solucions desenvolupades han estat validades mitjançant assajos clínics amb pacients i l’avaluació per part d’experts. Els resultats obtinguts han donat lloc a diverses publicacions científiques, tres de les quals han estat publicades en revistes especialitzades, mentre que dos més es troben actualment en procés de revisió. En conjunt, aquests resultats han demostrat que és possible detectar teixit hipergranulat a la ferida amb una precisió del 86,3\%, calcular l’àrea de la ferida de manera no invasiva amb un índex de correlació superior al 90\% en comparació amb els mètodes tradicionals invasius, i proporcionar suport al diagnòstic mitjançant una proposta d'escala clínica basada en imatges amb una precisió del 71,12\%. Tanmateix, els models de llenguatge a gran escala han mostrat que, tot i oferir resultats prometedors, cal aprofundir en el seu desenvolupament per garantir un suport més complet i mantenir la seguretat dels pacients. En conclusió, aquesta tesi demostra que els algorismes basats en tecnologies avançades poden proporcionar un suport integral als professionals sanitaris, millorant l'eficàcia i la precisió en el diagnòstic de les ferides cròniques.

The complexity of treating chronic wounds and the lack of objective and accessible diagnostic tools highlight the need to explore alternatives that assist clinicians in objectively assessing wound status. This research project proposes various solutions based on advanced technologies such as Artificial Intelligence to perform tasks that support healthcare professionals in diagnosing chronic wounds. These tasks rely on clinical images and associated data securely provided by clinicians through a software platform integrated into mobile devices. The hypothesis posited is that Artificial Intelligence algorithms can identify and extract relevant visual and clinical features, offering comprehensive support in the evaluation of chronic wounds. Furthermore, these methods improve diagnostic accuracy, speed, and personalization compared to traditional methods. The research is structured around primary and secondary objectives. The primary objectives include automatically identifying relevant visual features using Artificial Intelligence algorithms capable of extracting patterns from images and classifying them appropriately; providing a clinical decision-support system capable of offering a comprehensive wound evaluation proposal; and clinically validating the results obtained, either through clinical trials in hospitals or laboratory testing. Secondary objectives include identifying the needs of healthcare professionals, consolidating a high-quality dataset, and evaluating whether the developed tools effectively provide the diagnostic support required by clinicians. The methodology used to develop the solutions involved designing and implementing several algorithms with functionalities aligned with the stated objectives. Specifically, algorithms have been developed to identify the presence of hypergranulated tissue in wound beds from images —an indicator of risk and a challenging feature to detect. Additionally, a solution has been created to automatically calculate wound size, and an algorithm provides a diagnostic proposal for a wound based on its image by displaying other clinically evaluated similar cases. Finally, a novel approach has been introduced that integrates new technologies, such as large language models and generative models, offering clinicians an information support tool for chronic wound care. The developed solutions have been validated through clinical trials with patients and expert evaluation. The results have led to several scientific publications, three of which have been accepted in specialized journals, while two others are currently under review. Overall, these results demonstrate that it is possible to detect hypergranulated tissue in wounds with 86.3\% accuracy, calculate wound area non-invasively with a correlation index exceeding 90\% compared to traditional invasive methods, and support diagnostics with a clinical grading proposal based on images with 71.12\% accuracy. However, Large Language Models have shown that while the results are promising, further development is needed to provide comprehensive support while ensuring patient safety. In conclusion, this thesis demonstrates that algorithms based on advanced technologies can provide comprehensive support to healthcare professionals, improving the efficiency and accuracy of chronic wound diagnosis.