Gestión de datos

ECoMMFiT tiene una gran experiencia en la gestión, almacenaje y procesado de grandes volúmenes de datos. Algunas de las actividades de investigación principales del grupo giran en torno a la Experimentación y la Dinámica de Fluidos Computacional, las cuales generan por diseño un gran volumen de datos. Esta información incluye: datos de imágenes generadas por hardware de adquisición de imágenes (por ejemplo, alta resolución y cámaras de alta velocidad), colección de datos hidrodinámicos de una gran variedad de sensores de flujo (velocidad, temperatura, presión) y datos estructurados generados por simulaciones numéricas computacionales masivas en sistemas de computación de alto rendimiento, tanto internos como externos.

El grupo es experto en los campos de los Datos Masivos y el Aprendizaje Automático. Un conjunto de Inteligencia Artificial, Aprendizaje Automático (o Estadístico) hace referencia a un amplio conjunto de herramientas para el modelado y la comprensión de conjuntos de datos complejos. Este campo ha atraído en los últimos tiempos una creciente atención debido a su capacidad de llevar a cabo la reducción de datos en paquetes de datos enormes. El Aprendizaje estadístico se ha convertido en un camp en ebullición en muchas áreas científicas así como en disciplinas como el marketing, las finanzas, la ingeniería y la empresa.

El análisis de datos masivos proporciona una herramienta para la caracterización de los datos y la detección de anomalías/desviaciones. Combinado con técnicas de Aprendizaje Automático, estos grandes volúmenes de datos pueden ser usados para construir modelos matemáticos más o menos complejos para (1) predecir respuestas a perturbaciones en un gran número de predictores - Aprendizaje Supervisado y (2) clasificar grandes paquetes de datos de acuerdo con características redeterminadas - Aprendizaje No supervisado.

Basado en este conocimiento, el grupo ha realizado en los últimos años diferentes proyectos para diferentes tipos de industrias y aplicaciones. Algunos ejemplos de estos proyectos son el desarrollo de una plataforma destinada a mejorar la gestión del suministro de agua a partir de medidores remotos. Los objetivos específicos se pueden resumir en:
  • modelizar la evolución temporal del consumo de agua y identificar las tendencias de su consumo
  • detección de comportamientos anómalos en la red de distribución
  • seguimiento y identificación de eventos de fugas y fraude
  • implementar un sistema de aviso a medida de cada consumidor para casos de extra o infraconsumo.
  • la mejora del sistema de facturación y detección de fraude en una compañía eléctrica, o
  • la implementación de un sistema de alerta para episodios de extubación accidental en pacientes de Unidades de Cuidados Intensivos (UCI).

  • En colaboración con el Hospital Universitario Joan XXIII de Tarragona, este proyecto utiliza datos monitorizados de alrededor de mil pacientes para:
    • identificar cuadros de pacientes que puedan llevar potencialmente a extubaciones no planificadas en pacientes con ventilación mecánica
    • obtener un modelo para verificar la validez del índice RoX como predictor para una extubación satisfactoria. Este índice (RoX), definida como la razón entre la saturación de oxígeno medida por oximetría de pulsos/FiO2 y el ritmo respiratorio, ha sido ya utilizada como predictor para una extubación satisfactoria en pacientes con hipoxemia respiratoria aguda.
    Los resultados de este trabajo han sido publicados en el artículo siguiente:
  • Fabregat, A., Magret, M., Ferreacute, J.A., Vernet, A., Guasch, N., Rodríguez, A., Gómez, J., Bodí, M.; A Machine Learning decision-making tool for extubation in Intensive Care Unit patients, Computer Methods and Programs in Biomedicine, https://doi.org/10.1016/j.cmpb.2020.105869
  • [top]