La UPC participa en la nova ‘spin-off’ Amalfi Analytics, centrada en l’ús del ‘big data’ per a la gestió sanitària
Amalfi Analytics S.L. és una nova ‘spin-off’ de la UPC que sorgeix a partir de la tecnologia i el coneixement que s’ha desenvolupat en el Laboratori d'Algorísmia Relacional, Complexitat i Aprenentatge (LARCA) de la UPC. L’empresa se centra en el desenvolupament d’eines de software per a l’anàlisi avançat de dades en la gestió sanitària i, en particular, de la malaltia crònica i complexa.
01/06/2017
La Universitat Politècnica de Catalunya (UPC) entra a formar part de la nova spin-off Amalfi Analytics S.L, en què participa Ricard Gavaldà, professor del Departament de Ciències de la Computació de la UPC, i que desenvolupa eines de software per a l'anàlisi avançat de dades (big data i machine learning) en la gestió sanitària i, en particular, en la gestió de la malaltia crònica i complexa. L’empresa parteix del concepte que la sostenibilitat del sistema sanitari i la millora de l’atenció al pacient passen per fer un ús intel·ligent dels volums de dades que s’emmagatzemen i que actualment no són del tot aprofitats. La utilització d’aquesta informació, doncs, aporta als gestors de l’àmbit sanitari eficiència en la presa de decisions.
L’envelliment de la població europea i la creixent prevalença de malalties cròniques i complexes signifiquen un gran repte per als sistemes sanitaris. La utilització intensiva de les dades que les persones gestores ja utilitzen en la seva feina diària té un gran potencial per racionalitzar la despesa del sistema i alhora millorar el servei al pacient. Trobar patrons d'associació de malalties pot ajudar a identificar la població de pacients potencialment en risc. Amb les eines estadístiques tradicionals, detectar aquestes malalties abans que sorgeixin no sol ser fàcil. Les tècniques d’anàlisi de dades aplicades a històries clíniques ajuden, doncs, a pronosticar l’ús de recursos i suggerir accions preventives; en definitiva, obren la porta a millorar la gestió sanitària.
Les primeres aplicacions del sistema s’han fet en la predicció de reingressos hospitalaris i la identificació de perfils de malaltia complexa, amb l’objectiu de racionalitzar els patrons de polimedicació. Els usuaris potencials són entitats sanitàries (hospitals i agències de salut estatals, regionals i locals), amb el focus principal en el sector públic, però sense excloure el privat.
La spin-off neix a partir de la recerca que s’ha dut a terme al LARCA, un grup de recerca de la UPC vinculat al Departament de Ciències de la Computació que treballa en temes d’aprenentatge i mineria de dades, anàlisi de dades i lingüística matemàtica.
L’envelliment de la població europea i la creixent prevalença de malalties cròniques i complexes signifiquen un gran repte per als sistemes sanitaris. La utilització intensiva de les dades que les persones gestores ja utilitzen en la seva feina diària té un gran potencial per racionalitzar la despesa del sistema i alhora millorar el servei al pacient. Trobar patrons d'associació de malalties pot ajudar a identificar la població de pacients potencialment en risc. Amb les eines estadístiques tradicionals, detectar aquestes malalties abans que sorgeixin no sol ser fàcil. Les tècniques d’anàlisi de dades aplicades a històries clíniques ajuden, doncs, a pronosticar l’ús de recursos i suggerir accions preventives; en definitiva, obren la porta a millorar la gestió sanitària.
Les primeres aplicacions del sistema s’han fet en la predicció de reingressos hospitalaris i la identificació de perfils de malaltia complexa, amb l’objectiu de racionalitzar els patrons de polimedicació. Els usuaris potencials són entitats sanitàries (hospitals i agències de salut estatals, regionals i locals), amb el focus principal en el sector públic, però sense excloure el privat.
La spin-off neix a partir de la recerca que s’ha dut a terme al LARCA, un grup de recerca de la UPC vinculat al Departament de Ciències de la Computació que treballa en temes d’aprenentatge i mineria de dades, anàlisi de dades i lingüística matemàtica.
Més informació: