Un equipo de investigación de la UPM ha desarrollado un sistema de inteligencia artificial que mejora la predicción clínica mediante el aprendizaje federado y datos sintéticos, sin intercambiar historiales reales y respetando la privacidad de los pacientes
La inteligencia artificial aplicada a la medicina puede ayudar a estimar cómo evolucionará un paciente, pero en la práctica se encuentra con un obstáculo importante, los hospitales no siempre pueden compartir datos clínicos reales y, además, muchas enfermedades generan conjuntos de datos pequeños, incompletos y muy distintos entre sí (por ejemplo, las enfermedades raras).
Para responder a ese problema, un equipo de la Universidad Politécnica de Madrid (UPM) ha desarrollado FedSDS, una nueva estrategia de aprendizaje federado pensada para el análisis de supervivencia, es decir, para predecir el tiempo hasta que se produzca un evento clínico relevante, como una recaída, una complicación o el fallecimiento de un paciente. Los resultados indican un mejor rendimiento que modelos federados anteriores.
La nueva propuesta evita mover los historiales médicos entre centros. En lugar de compartir datos reales, cada centro participante puede trabajar con datos sintéticos generados localmente, que reproducen patrones estadísticos útiles sin exponer directamente la información de los pacientes. Además, el sistema incorpora un mecanismo que selecciona, entre esos datos sintéticos, los más parecidos a la realidad de cada hospital, lo que permite adaptarse mejor a contextos en los que los datos son escasos o están desequilibrados.
Los resultados muestran que este enfoque mejora el rendimiento frente a estrategias federadas de referencia, especialmente en los escenarios más difíciles. Es decir, cuando hay pocos datos, cuando la información de unos centros es muy diferente a la de otros o, incluso, cuando falta alguna variable clínica importante. Para validarlo, los investigadores trabajaron con conjuntos de datos oncológicos bien conocidos y con un escenario adicional basado en datos clínicos reales de cáncer de mama.
"Más allá del avance técnico, el trabajo apunta a una necesidad muy concreta del sistema sanitario, colaborar sin renunciar a la privacidad", apunta Patricia A. Apellániz, investigadora de la UPM. Herramientas como FedSDS podrían facilitar que hospitales de distintos tamaños entrenen modelos predictivos más robustos sin centralizar la información sensible de sus pacientes, algo especialmente valioso en enfermedades raras o en entornos con pocos casos disponibles.
El estudio, publicado en la revista Computers in Biology and Medicine, ha sido realizado por Patricia A. Apellániz, Juan Parras y Santiago Zazo, del Information Processing and Telecommunications Center (IPTC) y de la ETSI de Telecomunicación de la UPM. La investigación se enmarca en las líneas de trabajo del Grupo de Aplicaciones del Procesado de Señal (GAPS) sobre aprendizaje federado y modelos generativos aplicados a la salud. La investigación ha contado con el apoyo de los proyectos europeos GenoMed4All (GA nº 101017549) y SYNTHEMA (GA nº N° 101095530), ambos coordinados por la Universidad Politécnica de Madrid.
Referencia bibliográfica:
Patricia A. Apellániz, Juan Parras, Santiago Zazo, Enhancing survival analysis through federated learning in non-IID and scarce data scenarios, Computers in Biology and Medicine, 204,2026,111558,ISSN 0010-4825, https://doi.org/10.1016/j.compbiomed.2026.111558
