Biogipuzkoa Osasun Ikerketako Institutuko eOsasuna taldeko eta Vicomtech-eko ikertzaileek konbinatu dituzte datu sintetikoen sorrera eta ikasketa federatua Leuzemia Mieloide Akutuaren ikerketa errazteko. Imanol Isasa, Andoni Beristain eta Gorka Epelde ikertzaileek (gaur egun, Biogipuzko OIIko datu-koordinatzaileak) parte hartu dute lan honetan, Vicomtech eta EHUko profesionalekin batera, eta lan honen emaitzak JMIR Medical Informatics nazioarteko aldizkari zientifikoan argitaratu dira.
Leuzemia Mieloide Akutua (LMA) hezur-muineko minbizi mota bat da, eta helduen leuzemia ohikoena bada ere, gaixotasun arraro gisa sailkatzen da, populazioan duen intzidentzia txikia dela eta. Horrek bi oztopo sortzen ditu ikerketa medikorako. Alde batetik, datu-eskasia dago, intzidentzia txikia delako. Bestalde, dispertsioa dago eta pribatutasuna kontuan hartu behar da; izan ere, datuak hainbat zentrotan banatuta daude, eta datuak babesteko legeak direla eta (DBEO, adibidez), zaila da datu horiek eskala handiko azterketetarako partekatzea. Oztopo horiek kontuan hartuta, ikertzaile-taldeak abangoardiako bi teknologia konbinatzearen bideragarritasuna ebaluatzea proposatu zuen, LMAren ikerketan laguntzeko, pazienteen datuen pribatutasuna arriskuan jarri gabe. Teknologia horiek izan ziren datu sintetikoak sortzea, hau da, adimen artifizialak (AA) sortutako paziente artifizialen datuak; eta ikasketa federatua, IA ereduak modu banatuan eraikitzea, datuak ospitale bakoitzetik ateratzea saihestuz.
Cardiffeko Unibertsitateak babestutako ikerketa batetik sortutako datu-base publiko zentralizatu bat erabiliz, hainbat agertoki simulatu ziren kolaboratzen duten hainbat ospitaleren artean datuak sakabanatzeko, AA bati LMA duen paziente bat nolakoa den “erakusteko”. Prozesu horretan, ospitaleek AAk eskuratzen duen “ezagutza” partekatzen dute, baina ez dira pazienteen benetako datuak partekatzen (ikasketa federatua). Horrela, lan honetan, kalitate handiko datu sintetikoak sortzea lortu zen (“paziente imaginarioen” datuak, benetakoen antzera jokatzen dutenak). Gainera, pribatutasuna maximoa dela baieztatu zen, segurtasun-probek erakutsi baitzuten ia ezinezkoa dela paziente erreal bat identifikatzea sortutako datu artifizialetatik abiatuta. Azkenik, sistema ospitale askotara eskala daiteke. Egindako probek adierazten dutenez, ikasketa federatua (banatutako ospitaleak) erabiltzearen ondorioz datuen fideltasuna apur bat murriztu bada ere konfigurazio zentralizatuarekin (partekatutako datuak edo ospitale bakarra) alderatuta, sarera ospitale gehiago gehitzeak ez du nabarmen okertzen emaitzen kalitatea. Beraz, teknologia horien konbinazioa bide bideragarri eta segurua da gaixotasun arraroen ikerketa biomedikorako. Hurbilketa horri esker, hainbat erakundetan “harrapatuta” dauden datu-siloen arazoa gaindi daiteke, pazienteen konfidentzialtasuna zorrotz errespetatzen duen lankidetza-ingurune globala sortuz.
Teknologia horien konbinazioari esker, LMA duten pazienteek ikerketa azkarragoa egin dezakete. Hainbat ospitaletako ezagutza konbinatzen duten datu sintetikoak sortzean, benetako informazioa atera behar izan gabe, eta datu artifizialak direnez, komunitate zientifiko globalarekin parteka daitezke, oztopo burokratikoak kenduz eta AAren eredu askoz zehatzagoak entrenatzea ahalbidetuz LMAri aurre egiteko. Gainera, pribatutasuna indartu egiten da; izan ere, pazientearen pribatutasunarekiko konpromisoa indartzen da, aurrerapen medikoari egiten dion ekarpena ahalik eta modu babestuenean egiten dela ziurtatuz.
Ikertzaileek aitortzen dutenez, “Medikuntzan ‘datuen siloak’ deiturikoak eraisten dituen ate teknologiko bat irekitzearen poza sentitzen dugu. Espero dugu emaitza horiek oinarri izatea nazioarteko osasun-zentroen artean benetako lankidetza-sareak sortzeko, adimen artifizialak datu bakoitzak duen gaixotasunen tratamenduak pertsonalizatzen lagun dezan.”
Ikerketa hau egin ahal izan da Europar Batasunaren Horizonte Europa Ikerketa eta Berrikuntza Programaren SYNTHEMA proiektuaren (101095530 zenbakiko dirulaguntza) finantzatzeari esker.
