{"id":10704,"date":"2024-04-04T08:27:13","date_gmt":"2024-04-04T08:27:13","guid":{"rendered":"https:\/\/planescomplementariossalud.es\/ia4dt2\/"},"modified":"2025-08-07T08:22:37","modified_gmt":"2025-08-07T08:22:37","slug":"ia4dt2","status":"publish","type":"post","link":"https:\/\/planescomplementariossalud.es\/gl\/ia4dt2\/","title":{"rendered":"IA4DT2"},"content":{"rendered":"\n
<\/div>\n\n\n\n
\n
\n
<\/span>\"\"
\n
\n

\n IA4DT2\n <\/h2>\n<\/div>\n<\/div><\/div>\n\n\n\n

Development and implementation of integrated artificial intelligence models for Type 2 Diabetes (T2D) risk prediction.<\/h2>\n\n\n\n

LINEA DE ACTUACI\u00d3N 2:<\/strong> IMPLEMENTACI\u00d3N Y AN\u00c1LISIS DE BASES DE DATOS EN MEDICINA DE PRECISI\u00d3N.

Palabras clave:<\/strong> Diabetes tipo 2 (DT2); Protocolos de predicci\u00f3n y prevenci\u00f3n; Variables ambientales; Variantes gen\u00e9ticas; Inteligencia artificial; modelos de aprendizaje autom\u00e1tico.
Coordina:<\/strong> Barcelona Supercomputing Center
Participa:<\/strong> Germans Trias i Pujol Research Institute (IGTP); Universidad del Pa\u00eds Vasco \/ Euskal Herriko Unibertsitatea.
Persona de contacto:<\/strong> David Torrents Arenales\u202f (david.torrents@bsc.es)<\/p>\n<\/div>\n<\/div>\n\n\n

\n

RESUMEN PROYECTO<\/h2>\n
\n\n\n\n\n

Una gran parte de la carga sanitaria en los pa\u00edses desarrollados se dedica al tratamiento y seguimiento de pacientes con enfermedades complejas, como la diabetes tipo 2 (DT2). Por ello, la identificaci\u00f3n de tratamientos, pero sobre todo protocolos para su predicci\u00f3n y prevenci\u00f3n, se han convertido en prioridades para la investigaci\u00f3n en biomedicina y para su traducci\u00f3n a la pr\u00e1ctica cl\u00ednica. Estas enfermedades tienen una etiolog\u00eda compleja, con una importante carga gen\u00e9tica y una fuerte dependencia de variables externas, ambientales, de estilo de vida y del exposoma. Numerosos estudios gen\u00e9ticos han identificado cientos de variaciones en el genoma asociadas al riesgo de desarrollar este tipo de enfermedades, con la promesa y esperanza de que sus resultados permitan identificar dianas farmacol\u00f3gicas y la posibilidad de predecir el riesgo de padecer la enfermedad. Sin embargo, aunque se han dirigido a genes espec\u00edficos, la traducci\u00f3n de esta informaci\u00f3n gen\u00e9tica en modelos predictivos con validez cl\u00ednica es actualmente muy limitada. Esto se debe al escaso poder predictivo de los enfoques reduccionistas, como los Polygenic Risk Scores, y a las limitadas posibilidades de integrar otras variables cl\u00ednicas, ambientales y de estilo de vida, que son potenciales modificadores del riesgo en este tipo de patolog\u00eda. Por ello, en este proyecto proponemos la construcci\u00f3n de modelos de predicci\u00f3n de la diabetes tipo 2, basados en enfoques m\u00e1s integradores utilizando inteligencia artificial (modelos de aprendizaje autom\u00e1tico), para la identificaci\u00f3n de determinantes gen\u00e9ticos, cl\u00ednicos (variables y patolog\u00edas asociadas) y ambientales, y para la construcci\u00f3n de modelos de predicci\u00f3n y clasificaci\u00f3n de pacientes con diabetes tipo 2. Con estos modelos combinados, no solo podemos proponer nuevos objetivos terap\u00e9uticos sino tambi\u00e9n predictores s\u00f3lidos que permitan el desarrollo y la implementaci\u00f3n de protocolos de prevenci\u00f3n cl\u00ednica basados en el estilo de vida para cada individuo.<\/p>\n\n\n\n

\n