Farmacéutica Propuesto por Sanofi

RADIANT · IA para derivación pediátrica en dermatitis atópica

Detectar dermatitis atópica moderada-severa en pediatría leyendo historiales clínicos electrónicos con IA, y guiar la derivación temprana al especialista.

Sector

Farmacéutica

Empresa

Sanofi

Sistemas propuestos

4

Sobre la empresa

S

Sanofi

Farmacéutica

Compañía farmacéutica multinacional con presencia en más de 90 países. Su área de inmunología desarrolla terapias biológicas para enfermedades inflamatorias crónicas, entre ellas Dupixent (dupilumab) para dermatitis atópica moderada-severa en población adulta y pediátrica.

La dermatitis atópica moderada-severa pediátrica está sistemáticamente infradiagnosticada. Pacientes que cumplirían criterios de derivación a dermatología y de tratamiento biológico permanecen en pediatría general con corticoides tópicos como única línea, retrasando el acceso a la terapia indicada y limitando la biopenetración de Dupixent en la cohorte pediátrica.

Web de la empresa

El problema

"Pediatras y atención primaria no disponen de tiempo ni de herramientas para releer cada historial clínico y detectar de forma sistemática los patrones que indican DA moderada-severa: brotes recurrentes, escalado de corticoides tópicos, comorbilidades atópicas asociadas (asma, rinitis alérgica), impacto en sueño y calidad de vida. El resultado es infradiagnóstico, derivaciones tardías y baja penetración del tratamiento biológico en pediatría."

Por qué con tecnología e IA

Un sistema de IA puede leer continuamente los historiales clínicos electrónicos —texto libre de evoluciones, prescripciones, comorbilidades, frecuencia de visitas— y detectar la combinación de señales débiles que un clínico no puede revisar paciente a paciente a escala. NLP médico sobre el texto, reglas clínicas codificadas y un modelo de scoring permiten emitir alertas accionables al pediatra con recomendación de derivación. El feedback del especialista (alerta aceptada/rechazada) cierra el bucle y reentrena el modelo, mejorando precisión cohort tras cohort.

Qué buscamos

Objetivo del caso

Construir un piloto end-to-end con las 4 fases del sistema (Recopilación → Análisis IA → Alertas → Validación) capaz de leer historiales pediátricos anonimizados, identificar candidatos a DA moderada-severa y emitir alertas con explicabilidad clínica que el pediatra pueda aceptar o rechazar, generando dataset etiquetado para reentrenamiento continuo.

Cómo funciona

El recorrido del sistema de extremo a extremo, en 4 fases.

01
Recopilación

Análisis de palabras clave y señales clínicas en el historial clínico electrónico del paciente pediátrico.
- Diagnósticos previos: dermatitis atópica, eccema, neurodermatitis
- Uso recurrente de corticoides tópicos y escalado de tratamiento
- Comorbilidades atópicas: asma, rinitis alérgica
- Alteraciones del sueño y patrones asociados
02
Análisis IA

El modelo de machine learning identifica los pacientes de alto riesgo a partir de las señales recopiladas.
- Modelo predictivo de DA moderada-severa
- Algoritmo de detección combinada de factores de riesgo
- Score de probabilidad con explicabilidad por paciente
03
Alertas

Notificación automática al pediatra responsable cuando un paciente supera el umbral de riesgo.
- Resumen de los hallazgos clínicos que justifican la alerta
- Sugerencia de derivación al especialista
- Información de soporte a la decisión, nunca un diagnóstico
04
Validación

Verificación del porcentaje de diagnóstico correcto y cierre del bucle de aprendizaje.
- % de pacientes derivados que confirman DA moderada-severa
- Bucle de feedback del especialista hacia el modelo
- Ciclo de mejora continua del algoritmo

Sistemas que podrían abordarlo

Ejemplos de ejecuciones técnicas progresivas que podrías llevar a cabo para construir el sistema. La idea es iterar sobre un sistema base: cada paso amplía el anterior, de modo que —te quedes en la fase que te quedes— tengas algo que ya aporta valor. No es una receta cerrada: cada grupo decide su propio diseño, con servicios gestionados de AWS o herramientas open-source.

01

Ingesta y normalización de historiales clínicos

El punto de partida: un pipeline que ingesta historiales clínicos electrónicos (texto libre + datos estructurados de prescripción y diagnóstico), los anonimiza eliminando PII y los normaliza a un modelo común. Por sí solo ya aporta valor: deja los datos clínicos limpios, trazables y listos para explotar.

Amazon S3 pandas Amazon SageMaker Processing Amazon Comprehend (anonimización de PII) Estándar FHIR

02

Motor de detección de DA moderada-severa

Sobre esos datos ya normalizados se construye el motor de scoring: combina NLP médico sobre el texto libre con reglas clínicas y un modelo que evalúa brotes recurrentes, escalado de corticoides, comorbilidades atópicas y proxies de calidad de vida. Devuelve un score de probabilidad con explicabilidad por paciente.

scikit-learn Hugging Face Transformers Amazon SageMaker Amazon Comprehend Medical

03

Sistema de alertas a pediatras

Con un score fiable, el siguiente salto es accionarlo: cuando un paciente supera el umbral, el sistema emite una alerta al pediatra responsable con la recomendación de derivación, las señales clínicas que la justifican y un enlace a la ficha. Integrable con el HCE existente o vía portal web.

FastAPI React Amazon EventBridge Amazon SNS

04

Validación clínica y bucle de reentrenamiento

El último evolutivo cierra el círculo: el especialista marca cada alerta como acierto o falso positivo, y esa etiqueta alimenta un dataset versionado que dispara reentrenamientos periódicos del modelo, con seguimiento de métricas (precision, recall, drift) por cohort. El sistema mejora solo con el uso.

MLflow DVC (Data Version Control) Evidently AI (detección de drift) Amazon SageMaker Pipelines

RADIANT no diagnostica: actúa como un sistema de soporte a la decisión que levanta la mano cuando un historial concentra señales compatibles con dermatitis atópica moderada-severa. La decisión clínica y la derivación siguen siendo del pediatra y del dermatólogo.

El alcance del piloto, los criterios clínicos exactos y el modelo de gobernanza del dato se concretan con Sanofi y los centros participantes en la primera semana de la academia.

¿Listo para construir esto?

Accede al portal de la academia y empieza a trabajar en tu cuenta AWS sandbox.

Acceder al portal