This post is also available in: English (Inglés)

Tratamiento personalizado del dolor: el uso de la tecnología en la toma de decisiones a través del procesamiento del big data y la inteligencia artificial

Coloquialmente, el término inteligencia artificial (IA) se aplica cuando una máquina imita las funciones “cognitivas” que los humanos asocian con otras mentes humanas, como por ejemplo “percibir”, “razonar”, “aprender” y “resolver problemas”. El Machine learning (ML) es una forma reducida de IA donde los algoritmos hacen predicciones para interpretar datos o “aprender” sin instrucciones estáticas.

La fisioterapia moderna ha incorporado progresivamente y de forma creciente la tecnología, pero a pesar de todos los avances la cognición humana tiene limitaciones en el procesamiento de datos complejos, además del consumo de tiempo que eso implica para el profesional. Hoy en día tenemos acceso a una gran cantidad de datos de nuestros pacientes a través de múltiples sensores, APPs o smartwatches, que miden diferentes variables de forma más o menos fiable, pero que ofrecen información no integrada y por tanto difícil de procesar para el fisioterapeuta y con un alto coste de tiempo que lo hace inviable en el día a día.

Fruto de esta necesidad de dotar a los fisioterapeutas con información lista para consumir que puedan aplicar al tratamiento de sus pacientes y basado en la evidencia científica que aporta el análisis dinámico de este big data, surge el proyecto Hefora, en el que participa el grupo de investigación iPhysio de la Universidad San Jorge junto al grupo de investigación Howlab de la Universidad de Zaragoza y las empresas Geoslab y Fisio Consultores. La plataforma, que inicialmente está en una versión beta, permite recoger de forma estructurada datos de pacientes, así como prescribir ejercicios y llevar un seguimiento personalizado de los pacientes. La estructuración de todos estos datos y sus cambios a lo largo del tiempo permiten análisis posteriores de forma anonimizada para identificar factores relacionados, causalidad y/o o patrones.

El ML supervisado tiene un gran potencial para hacer evolucionar la fisioterapia hacia una fisioterapia 3.0. Un reto importante podría ser la predicción del riesgo de desarrollar dolor crónico basado en variables modificables (estilos de vida) y no modificables (genética), para ver en qué medida un fenotipo es más o menos responsable del riesgo de sufrir dolor u otros problemas de salud, así como en qué medida la interrelación de diferentes factores permite modificar la expresión de un condicionante genético en la vida real. Otro ejemplo podría ser la medición de la adherencia y la mejora de la misma, o poder saber si el ejercicio ha sido bien hecho por el paciente sin necesidad de ser supervisado por el fisioterapeuta.

En cuanto a modelos predictivos en fisioterapia, existen grandes retos como analizar en qué medida pueden desarrollarse modelos fiables que muestren cómo ciertos programas educativos o el empoderamiento del paciente respecto a su estilo de vida pueden conseguir cambios en las variables determinantes de dolor crónico y ayudar a mejorar la salud de los individuos.

Pablo Herrero

  • Diplomado en Fisioterapia, especializado en el área de Fisioterapia Invasiva y Dolor Miofascial.
  • Doctor en Fisioterapia por la Universidad de Zaragoza con Mención Europea.
  • Evaluación positiva por la ANECA para las figuras de profesor contratado doctor, profesor ayudante doctor y profesor de universidad privada.
  • Reconocido Sexenio de Investigación para el periodo 2010-2016
  • Actualmente es Docente e Investigador de la Universidad San Jorge, siendo Responsable del Grupo de Investigación iPhysio de la Universidad San Jorge.
  • Además de la experiencia docente en Grado, participa en diferentes formaciones internacionales y de Máster Oficial, como el Máster Oficial de Fisioterapia Invasiva de la Universidad San Pablo CEU.
  • Es Presidente de la Asociación para la Investigación en la Discapacidad Motriz (AIDIMO) y Editor (Editor-in-Chief) de la Revista Fisioterapia Invasiva (ISSN: 2386-4591) y Journal of Invasive Techniques in Physical Therapy (ISSN: 2386-4583).
  • Entre los logros científicos destacan diferentes publicaciones en revistas de impacto internacional en el área de fisioterapia invasiva y dolor, destacando además ser el autor de la técnica y concepto DNHS® y co-inventor de la herramienta patentada 3TOOL para el tratamiento y autotratamiento de contracturas y sobrecargas musculares. Tanto la técnica DNHS (www.dnhs.es) como la herramienta 3TOOL (www.3tool.es) están presentes internacionalmente y representan un ejemplo de transferencia desde el área de Fisioterapia al campo profesional y la Sociedad. Además, la herramienta 3TOOL recibió el Premio a la Innovación Emergente en los Premios Tercer Milenio.
  • Entre los proyectos en los que ha participado el Dr. Pablo Herrero destacan dos proyectos europeos que fueron liderados por él, en concreto el titulado “3TOOLing your Health” dentro del Proyecto Europeo INNOvative LABS for leveraging cross capacity building between ICT, Health, BIO and Medicine sectors for new emerging industries in personalized health INNOLABS, Grant Agreement. 691556, Sub-Grant Agreement No.: 2017/A09 (50000€) y el proyecto titulado “Knowledge Alliance for Innovative Measures in Prevention of Work-Related Musculoskeletal Disorders. Prevent4Work” en la Erasmus + Programme – Key Action 2 (KA2) — Cooperation for innovation and the exchange of good practices. Call for Proposals EAC/A05/2017 – Knowledge Alliances” (898476€). Recientemente ha obtenido otro Proyecto europeo, con una financiación de 180000€, para la transferencia de tecnología desde el sector aeroespacial al sector sanitario, en concreto al sector de fisioterapia, concretamente para la rehabilitación de la marcha en pacientes neurológicos.

Pablo Herrero

  • Diplomado en Fisioterapia, especializado en el área de Fisioterapia Invasiva y Dolor Miofascial.
  • Doctor en Fisioterapia por la Universidad de Zaragoza con Mención Europea.
  • Evaluación positiva por la ANECA para las figuras de profesor contratado doctor, profesor ayudante doctor y profesor de universidad privada.
  • Reconocido Sexenio de Investigación para el periodo 2010-2016
  • Actualmente es Docente e Investigador de la Universidad San Jorge, siendo Responsable del Grupo de Investigación iPhysio de la Universidad San Jorge.
  • Además de la experiencia docente en Grado, participa en diferentes formaciones internacionales y de Máster Oficial, como el Máster Oficial de Fisioterapia Invasiva de la Universidad San Pablo CEU.
  • Es Presidente de la Asociación para la Investigación en la Discapacidad Motriz (AIDIMO) y Editor (Editor-in-Chief) de la Revista Fisioterapia Invasiva (ISSN: 2386-4591) y Journal of Invasive Techniques in Physical Therapy (ISSN: 2386-4583).
  • Entre los logros científicos destacan diferentes publicaciones en revistas de impacto internacional en el área de fisioterapia invasiva y dolor, destacando además ser el autor de la técnica y concepto DNHS® y co-inventor de la herramienta patentada 3TOOL para el tratamiento y autotratamiento de contracturas y sobrecargas musculares. Tanto la técnica DNHS (www.dnhs.es) como la herramienta 3TOOL (www.3tool.es) están presentes internacionalmente y representan un ejemplo de transferencia desde el área de Fisioterapia al campo profesional y la Sociedad. Además, la herramienta 3TOOL recibió el Premio a la Innovación Emergente en los Premios Tercer Milenio.
  • Entre los proyectos en los que ha participado el Dr. Pablo Herrero destacan dos proyectos europeos que fueron liderados por él, en concreto el titulado “3TOOLing your Health” dentro del Proyecto Europeo INNOvative LABS for leveraging cross capacity building between ICT, Health, BIO and Medicine sectors for new emerging industries in personalized health INNOLABS, Grant Agreement. 691556, Sub-Grant Agreement No.: 2017/A09 (50000€) y el proyecto titulado “Knowledge Alliance for Innovative Measures in Prevention of Work-Related Musculoskeletal Disorders. Prevent4Work” en la Erasmus + Programme – Key Action 2 (KA2) — Cooperation for innovation and the exchange of good practices. Call for Proposals EAC/A05/2017 – Knowledge Alliances” (898476€). Recientemente ha obtenido otro Proyecto europeo, con una financiación de 180000€, para la transferencia de tecnología desde el sector aeroespacial al sector sanitario, en concreto al sector de fisioterapia, concretamente para la rehabilitación de la marcha en pacientes neurológicos.

Tratamiento personalizado del dolor: el uso de la tecnología en la toma de decisiones a través del procesamiento del big data y la inteligencia artificial

Coloquialmente, el término inteligencia artificial (IA) se aplica cuando una máquina imita las funciones “cognitivas” que los humanos asocian con otras mentes humanas, como por ejemplo “percibir”, “razonar”, “aprender” y “resolver problemas”. El Machine learning (ML) es una forma reducida de IA donde los algoritmos hacen predicciones para interpretar datos o “aprender” sin instrucciones estáticas.

La fisioterapia moderna ha incorporado progresivamente y de forma creciente la tecnología, pero a pesar de todos los avances la cognición humana tiene limitaciones en el procesamiento de datos complejos, además del consumo de tiempo que eso implica para el profesional. Hoy en día tenemos acceso a una gran cantidad de datos de nuestros pacientes a través de múltiples sensores, APPs o smartwatches, que miden diferentes variables de forma más o menos fiable, pero que ofrecen información no integrada y por tanto difícil de procesar para el fisioterapeuta y con un alto coste de tiempo que lo hace inviable en el día a día.

Fruto de esta necesidad de dotar a los fisioterapeutas con información lista para consumir que puedan aplicar al tratamiento de sus pacientes y basado en la evidencia científica que aporta el análisis dinámico de este big data, surge el proyecto Hefora, en el que participa el grupo de investigación iPhysio de la Universidad San Jorge junto al grupo de investigación Howlab de la Universidad de Zaragoza y las empresas Geoslab y Fisio Consultores. La plataforma, que inicialmente está en una versión beta, permite recoger de forma estructurada datos de pacientes, así como prescribir ejercicios y llevar un seguimiento personalizado de los pacientes. La estructuración de todos estos datos y sus cambios a lo largo del tiempo permiten análisis posteriores de forma anonimizada para identificar factores relacionados, causalidad y/o o patrones.

El ML supervisado tiene un gran potencial para hacer evolucionar la fisioterapia hacia una fisioterapia 3.0. Un reto importante podría ser la predicción del riesgo de desarrollar dolor crónico basado en variables modificables (estilos de vida) y no modificables (genética), para ver en qué medida un fenotipo es más o menos responsable del riesgo de sufrir dolor u otros problemas de salud, así como en qué medida la interrelación de diferentes factores permite modificar la expresión de un condicionante genético en la vida real. Otro ejemplo podría ser la medición de la adherencia y la mejora de la misma, o poder saber si el ejercicio ha sido bien hecho por el paciente sin necesidad de ser supervisado por el fisioterapeuta.

En cuanto a modelos predictivos en fisioterapia, existen grandes retos como analizar en qué medida pueden desarrollarse modelos fiables que muestren cómo ciertos programas educativos o el empoderamiento del paciente respecto a su estilo de vida pueden conseguir cambios en las variables determinantes de dolor crónico y ayudar a mejorar la salud de los individuos.