En su tercera anualidad, BIGSALUD3 tiene el objetivo de consolidar y ampliar el trabajo realizado en los proyectos BIGSALUD1 y BIGSALUD2. Durante la ejecución de los mismos, se identificaron una serie de retos clínicos en los que aplicar técnicas de Machine Learning podría aportar valor. Entre los retos identificados se presentan algunos ejemplos que pretenden abordarse, aunque no tiene porqué limitarse a estos, clasificados de acuerdo a la naturaleza de los datos que se utilizarían para abordarlos: análisis de datos clínicos u ómicos: pronóstico de reingreso no programado de pacientes crónicos, pronóstico de respuesta de tratamiento en Leucemia Mieloide Aguda, y pronóstico de evaluación clínica de pacientes con COVID19. Así como el análisis de imagen médica, caracterización de tejidos de mamografías digitales y su influencia en el desarrollo de cáncer de mama.

Objetivos Combinando de forma innovadora servicios de infraestructura para tratamiento de información, tanto a nivel de almacenamiento como de procesamiento distribuido, con Inteligencia Artificial, se espera aportar soluciones novedosas a los problemas relacionados con la medicina de precisión, como los mencionados anteriormente. Con ello se pretende mejorar la calidad de vida con una medicina donde los tratamientos se ajusten a cada paciente y donde un hospital pueda anticiparse mejor a sus necesidades Como resumen de los objetivos del proyecto, se pueden destacar los siguientes ejes: -Consolidación de una metodología de adaptación de datos sanitarios.Consolidar un flujo de trabajo común entre equipos médicos y analistas de datos para intercambiar, entender y transformar los datos sanitarios (imágenes médicas, información genómica, información clínica, etc.) de manera optimizada para su análisis con técnicas Machine Learning.  -Análisis de datos sanitarios mediante técnicas de Machine Learning. Perfeccionar las técnicas de Aprendizaje Automático (Machine Learning) para extraer características discriminativas de imágenes médicas, identificar las variables relevantes de un conjunto de datos sanitarios, producir modelos predictivos con el fin de emitir pronósticos que apoyan la decisión clínica. Estas mismas técnicas serían aplicables en cualquier otro ámbito de interés para un hospital. -Infraestructura y software de apoyo clínico. Optimizar la infraestructura de análisis de datos a las necesidades de un hospital. Extender un servicio predictivo donde un médico pueda introducir en un sistema basado en Inteligencia Artificial los datos de un paciente para obtener una estimación en tiempo real e integrarlo con los servicios y aplicaciones que éste pueda disponer y que se consideren relevantes para la ejecución de los modelos de ML implementados.