A nivel mundial, 1710 millones de personas tienen síntomas de afectación musculoesqueléticas, principal contribuyente a la discapacidad. Esta estratificación temprana de la enfermedad es importante para garantizar la atención adecuada (el proveedor de atención médica más adecuado y la mejor opción de tratamiento). Actualmente, el diario del paciente desde el diagnóstico hasta el tratamiento efectivo conllevan un largo e ineficiente proceso, lo que resulta en una carga de enfermedad persistente e inviable económicamente. Esto se debe a que las relaciones entre las causas de las enfermedades y las similitudes de los síntomas entre las enfermedades no se comprenden lo suficiente: diversidad de pruebas, enfoque y error en el tratamiento inicial.
SPIDeRR tiene como objetivo desenredar la complejidad en la vida real del diagnóstico temprano de enfermedades reumáticas, al considerar la red completa de los factores que influyen en los síntomas de los pacientes. El enfoque de SPIDeRR va más allá del estado del arte así:
– Al identificar diferentes grupos de enfermedades, que requieren diferentes terapias, entre pacientes con síntomas similares en contraste con el enfoque tradicional, con el objetivo de detectar solo una enfermedad de manera temprana.
– Al integrar todas las dimensiones de datos relevantes de todos los niveles de atención médica (atención primaria y secundaria, y pacientes que buscan asesoramiento en línea).
– Traduciendo y aplicando técnicas de aprendizaje automático desde el campo “óhmico” a datos clínicos de pacientes, lo que dará como resultado nuevos canalizaciones para la ciencia de datos traslacional
SPIDERR entregará tres modelos clínicos:
– Un verificador de síntomas para los pacientes.
– Una herramienta de apoyo a la toma de decisiones para los proveedores de atención primaria, que proporciona orientación sobre exámenes adicionales y decisiones de derivación.
-Una red de similitud paciente-paciente para optimizar los grupos de diagnóstico en reumatología y apoyar la decisión de tratamiento.
Para lograr esto, también ofrecerán soluciones para la integración de datos y análisis compartidos a través de la investigación digital compatible con RGDP, entorno y conductos de aprendizaje federados.
Finalmente, probará la aceptabilidad de los modelos,a través de estudios de stakeholders, y proporcionando una escena de implementación adaptada al sistema de sanidad actual en Europa.