Los grupos de trabajo de ARPHAI

¿Qué herramientas permiten aprovechar la Ciencia de Datos y la Inteligencia Artificial para establecer predicciones y anticipar posibles brotes epidémicos? A partir de la investigación, en el proyecto ARPHAI se diseñaron tres caminos y se constituyeron diversos equipos de trabajo:

Modelos predictivos: nuestros especialistas se ocupan en adaptar sus modelos previos para incorporar el uso de los datos obtenidos con la Historia Clínica Electrónica. De este modo, se buscan herramientas que puedan ayudar a anticipar posibles brotes tanto de COVID-19 como de dengue.

Fenotipos computables: este equipo trabaja con información estructurada y texto libre. Su objetivo es la construcción de fenotipos que posibiliten la detección de patologías a partir de la información ingresada. El grupo está compuesto en su totalidad por mujeres.

Dashboard: los especialistas de este grupo apuntan al diseño de tableros de control para asistir al management intermedio en la toma de decisiones. La herramienta tiene potencial para apoyar a funcionarios del área de salud tanto en el nivel nacional como en el provincial y el municipal.

A ellos se suman dos aspectos que son transversales:

Detección de Sesgos: ARPHAI auditará los modelos predictivos para descubrir potenciales sesgos en relación con el género, la edad o la localización geográfica de las personas. A partir de ese estudio, se definirán estrategias de mitigación. De hecho, un documento con resultados preliminares y recomendaciones ya fue presentado ante la Dirección de Género y Diversidad del Ministerio de Salud de la Nación.

Ética y Uso responsable de los datos: la información de las Historias Clínicas Electrónicas es confidencial y sensible. ARPHAI se preocupó especialmente por proteger estos datos no solo a través de un estricto proceso de anonimización, sino también mediante compromisos de confidencialidad por parte de sus miembros y la aprobación de un Comité de Ética con sede en la Universidad Nacional de Quilmes.

ARPHAI auditará los modelos predictivos para detectar potenciales sesgos en la carga de información de las Historias Clínicas Electrónicas: por género, por edad o por localización geográfica