El aprendizaje federado ya contribuye a mejorar la investigación de fármacos y terapias

La Inteligencia Artificial para el sector de la sanidad está en auge, hasta el punto que alcanzará un valor de 36.150 millones de Dólares para el año 2025, según la consultora Markets and Markets. Prueba de ello es que la Clínica Mayo, institución de salud e investigación sanitaria de referencia mundial, ha anunciado recientemente la creación de una Plataforma de Análisis de Datos Clínicos que estará basada en el aprendizaje federado, una innovadora técnica de Machine Learning desarrollada por Google que garantiza la privacidad de los datos de múltiples fuentes.

La plataforma de la Clínica Mayo aplicará el análisis avanzado a partir de datos sin identificar, tanto propios como de fuentes de literatura científica, para la investigación farmacológica y tratamientos. Esto potenciará el descubrimiento de nuevos fármacos y el desarrollo de terapias, al tiempo que se protegen los datos personales de los pacientes.

Privacidad desde el inicio

El aprendizaje federado es una técnica de Machine Learning (ML) donde una red de unidades, equipos o dispositivos (Edge) colabora para entrenar a un algoritmo que todos comparten en común. La diferencia con los métodos tradicionales de ML es que los datos de cada unidad no son volcados en conjunto en un servidor central donde se procesa el algoritmo, sino que se mantienen en cada una de las unidades por separado. Esto le confiere varias ventajas:

• Privacidad: dado que ninguno de los datos locales son compartidos de manera externa en un repositorio o servidor, la privacidad de los datos es una característica natural del aprendizaje federado.
• Personalización: las unidades locales también pueden aprender del algoritmo en común y del resto de unidades para desarrollar sus patrones particulares, por lo que se puede personalizar su información de manera individual.
• Cumplimiento Normativo: las normativas nacionales para datos sanitarios son estrictas y la propia GDPR recomienda la compartimentación de los datos, que ya proporciona de por sí la arquitectura del aprendizaje federado.

La virtualización de datos, aliado natural

El acceso a la información entre las unidades Edge y el servidor puede ser complejo, sobre todo mediante diferentes niveles de privacidad que puede llegar a necesitar una organización. En este sentido, Denodo recomienda la implementación detecnologías de virtualización de datos (VD), ya que constituyen un aliado natural para el aprendizaje federado: desplegada como capa intermedia entre las unidades y el servidor, es capaz de crear una vista unificada de toda la información con distintos niveles de privilegio, en lugar de hacerlo tradicionalmente por el servidor cloud, lo que mejora la comunicación, la privacidad y la disponibilidad de los datos para la organización en todo momento.

Con respecto a esta relación entre aprendizaje federado y la virtualización de datos, José Andrés García, Responsable de Denodo en España y LATAM, explica: “El aprendizaje federado puede abrir una nueva era de aplicaciones prácticas del Machine Learning por las ventajas que conlleva su descentralización en cuanto a privacidad de los datos y personalización. La virtualización de datos supone un aliado perfecto para ello, ya que mejora la integración, privacidad y disponibilidad de la información”.