Visualización de datos y personalización inteligente de explicaciones para su utilización en la medicina del deporte

Abstract

El presente documento refleja el Trabajo Final correspondiente al Máster Universitario en Internet de las Cosas, y se ubica en el área de aplicación de sistemas inteligentes. En el desarrollo del proyecto se tratan generalmente los principios de visualización aplicables en cualquier entorno del Internet de las Cosas y que pueden estar dirigidos a equipos y usuarios de todo tipo. Hoy en día se tratan métodos de recogida y procesamiento de datos altamente heterogéneos, orientando la capacidad de conocimiento de esos datos a una cantidad de usuarios también muy heterogénea. De este modo, la generación de explicaciones visuales e interactivas dentro de plantillas de informes se puede optimizar mediante el uso de técnicas de Inteligencia Artificial (IA) como el Case-Based Reasoning (CBR), capaz de abordarse junto al diseño e implementación de herramientas de visualización avanzada. Este conjunto de aportaciones inteligentes se traduce en una personalización total de los informes, y posee la finalidad última de facilitar la cognición y detección de relaciones entre patrones dentro de los casos tratados mediante técnicas avanzadas de visualización de datos, además de capacitar la automatización de decisiones a partir de la observación y evaluación de los datos asociados a dichos casos. Así pues, resulta de especial interés el hecho de trasladar este objetivo a la Medicina y aplicar técnicas de IA como el CBR en sistemas compuestos por sensores de electromiografía (EMG), con tal de explicar a los expertos las características de los datos de pacientes y así poder facilitar a la toma de decisiones en el día a día. Este Trabajo Final de Máster conforma una división importante dentro de un ambicioso proyecto de investigación, y el objetivo primordial definido para su ejecución se basa en el desarrollo de un prototipo de mecanismo inteligente de generación de explicaciones visuales personalizables e interactivas con capacidad de aprendizaje a partir de la interacción. Aunque el mecanismo y la metodología se establecen de forma genérica, la prueba de concepto se realiza con datos correspondientes al dominio de la Medicina del Deporte, concretamente proporcionando soporte al profesional médico en el proceso de interpretación de características de datos asociados a pacientes que se corresponden con análisis de electromiografía. Para ello, en primer lugar, se describen los procesos y jerarquías CBR en la reutilización de elementos visuales en informes. Seguidamente, se analiza la naturaleza de las técnicas de visualización de datos de una forma genérica, con tal de a posteriori focalizar en un perfil de entidad concreto dentro del campo que ocupa la Medicina del Deporte. Este enfoque se aborda a lo largo del proyecto a modo de estudio práctico, y en todo momento se persigue explotar la funcionalidad de la herramienta perteneciente a dicha entidad para seguidamente potenciar su evolución tanto desde la perspectiva descriptiva como predictiva. Este análisis de datos médicos es causante de que, en última instancia, se estudien los procedimientos legislativos para el tratamiento de los propios datos dentro del ámbito sanitario.This document reflects the Final Master Project corresponding to the Master's Degree in Internet of Things, developed within the area of intelligent systems’ application. During the progress of the project, the visualization principles applicable in any environment of the Internet of Things are explained generally and aimed to any kind of equipment and final user. Nowadays, highly heterogeneous data collection and processing methods are used, orienting the knowledge capacity of these data to a very heterogeneous number of users. In this way, the generation of visual and interactive explanations within report templates can be optimized through the use of Artificial Intelligence (AI) techniques such as CaseBased Reasoning (CBR), capable of being addressed alongside the design and implementation of advanced visualization tools. This set of intelligent contributions translates into a total personalization of the reports, and has the ultimate purpose of facilitating the cognition and detection of relationships between patterns within the cases treated by advanced data visualization techniques, in addition to enabling the automation of decisions based on the observation and evaluation of the data associated with these cases. Therefore, it is of special interest to transfer this objective to Medicine and apply AI techniques such as CBR in systems composed of electromyography (EMG) sensors, in order to explain to the experts the characteristics of patient data and thus facilitate day-to-day decision making. This Master's Final Project forms an important division within an ambitious research project, and the main objective defined for its implementation is based on the development of a prototype of an intelligent mechanism for generating customizable and interactive visual explanations with the ability to learn from interaction. Although the mechanism and methodology are established in a generic way, the proof of concept is made with data corresponding to the domain of Sports Medicine, specifically providing support to the medical professional in the process of interpreting characteristics of data associated with patients that correspond to electromyography analysis. To do this, first of all, the CBR processes and hierarchies in the reuse of visual elements in reports are described. Next, the nature of the data visualization techniques is analysed in a generic way, in order to subsequently focus on a specific entity profile within the field of Sports Medicine. This approach is approached throughout the project as a practical study, and at all times the aim is to exploit the functionality of the tool belonging to this entity in order to then enhance its evolution from both a descriptive and predictive perspective. This analysis of medical data ultimately leads to a review of the legislative procedures for the processing of the data themselves in the health field.