“La Càtedra TIC Salut i Social ofereix un entorn molt proper a la realitat del sistema de salut, i això és especialment valuós per a un doctorand”

Parlem amb el Dr. Guillem Hernández, investigador del grup eXiT, Enginyeria de Control i Sistemes Intel·ligents de l’Institut d’Informàtica i Aplicacions de la Universitat de Girona i també del grup d’Innovació, Economia de la Salut i Transformació Digital de l’Institut de Recerca Germans Trias i Pujol, sobre la seva tesi doctoral centrada en mètodes d’intel·ligència artificial (IA) per ajudar a la presa de decisions sanitàries basades en dades longitudinals. La seva recerca ha estat codirigida per la Càtedra TIC Salut i Social de la UVic-UCC.

Ens pots explicar en què ha consistit la teva tesi?

La meva tesi ha consistit en desenvolupar mètodes d’IA per ajudar el sistema sanitari a anticipar-se millor a les necessitats dels pacients i prendre decisions més informades. He treballat amb dades reals de salut recollides al llarg del temps per construir models capaços de predir la demanda assistencial, identificar relacions rellevants entre diagnòstics i estimar el risc individual d’evolució d’un pacient.

La idea central no ha estat només fer models que “encertin”, sinó crear eines que també siguin interpretables, fiables i útils per als professionals sanitaris. En aquest sentit, la tesi combina IA, raonament causal i dades clíniques per avançar cap a una medicina més preventiva, personalitzada i eficient.

En resum, el treball busca demostrar com la IA pot transformar grans volums de dades sanitàries en coneixement accionable per planificar millor els recursos, detectar riscos abans i donar suport a una millor atenció als pacients.

Quina utilitat poden tenir els resultats de la teva recerca per al Sistema de Salut?

Els resultats de la meva recerca poden ajudar el Sistema de Salut a passar d’un model més reactiu a un model més anticipatiu, preventiu i eficient. D’una banda, els models desenvolupats poden servir per predir l’evolució de la demanda sanitària i, per tant, ajudar a planificar millor professionals, agendes, recursos i serveis. Això és especialment rellevant en atenció primària, on anticipar pics de demanda pot contribuir a reduir la pressió assistencial, millorar l’organització i adaptar millor els recursos a les necessitats reals de la població. De fet, aquesta línia de recerca ja s’està traslladant a un cas pràctic i aplicatiu: actualment estem desenvolupant un sistema basat en IA per predir l’evolució de la demanda a tota l’atenció primària de Catalunya. L’objectiu és que aquests models no quedin només en l’àmbit acadèmic, sinó que puguin convertir-se en eines útils per a la planificació i la gestió del sistema sanitari.

D’altra banda, la tesi aporta eines per entendre millor l’evolució dels pacients, identificant relacions entre diagnòstics i estimant riscos individuals. Això pot facilitar una detecció més precoç de pacients vulnerables i ajudar els professionals a prioritzar intervencions.

Finalment, un punt clau és que els models busquen ser interpretables, no només predictius. Això és essencial perquè la IA pugui integrar-se en la pràctica clínica com una eina de suport fiable, comprensible i orientada a millorar la presa de decisions i l’ús dels recursos sanitaris.

Has desenvolupat la teva tesi en un àmbit en constant evolució que, especialment en el sector de la salut, està generant un gran impacte en els darrers anys. Com ha estat aquesta experiència?

Ha estat una experiència molt intensa, exigent i alhora molt enriquidora. Treballar en IA aplicada a la salut vol dir moure’s en un àmbit on la tecnologia avança molt ràpid, però on cada decisió ha de tenir sentit clínic, ètic i pràctic.

Durant la tesi he après que no n’hi ha prou amb desenvolupar models que funcionin bé sobre el paper: cal que siguin útils, interpretables i pensats per encaixar en la realitat del sistema sanitari. Aquest equilibri entre recerca, tecnologia i impacte real ha estat probablement un dels grans aprenentatges del procés.

També ha estat una etapa de creixement personal. El doctorat té moments d’incertesa, de frustració i de molta feina invisible, però també moments molt gratificants, sobretot quan veus que allò que estàs desenvolupant pot tenir una aplicació real per millorar la salut de les persones.

Vull aprofitar també per agrair als meus directors de tesi, a totes les persones que m’han acompanyat des de l’àmbit clínic i acadèmic, i als equips de recerca amb qui he compartit aquest camí. També a la meva família i a les persones properes, pel suport constant durant tot aquest procés. I, especialment, a totes aquelles persones que entenen la IA no només com una amenaça o una font d’incertesa, sinó com una tecnologia amb un enorme potencial transformador. Una eina que, si es desenvolupa amb rigor, responsabilitat i sentit humà, pot ajudar a millorar el sistema sanitari i, sobretot, la vida de les persones.

Finalment, què destacaries de l’acompanyament i l’entorn que ofereix la Càtedra TIC Salut i Social als doctorands?

Destacaria sobretot que la Càtedra TIC Salut i Social ofereix un entorn molt proper a la realitat del sistema de salut, i això és especialment valuós per a un doctorand. Fer una tesi en aquest àmbit no consisteix només a desenvolupar tecnologia, sinó a entendre quines necessitats reals tenen els professionals, els pacients i les institucions. En aquest sentit, la Càtedra ajuda a connectar la recerca amb l’aplicació pràctica, facilitant el contacte amb projectes, experts i reptes reals del sector.

També destacaria l’acompanyament humà i professional. Sentir que formes part d’un ecosistema que impulsa la innovació, però que alhora entén la complexitat del sistema sanitari i social, dona molt valor al procés doctoral. Per mi, aquest entorn ha estat clau per orientar la recerca cap a resultats que no quedin només en l’àmbit acadèmic, sinó que puguin tenir impacte real en la transformació digital del sistema de salut.

Articles científics relacionats amb l’estudi:

Aquesta tesi s’ha presentat com un compendi de tres articles científics, cadascun dels quals aborda una necessitat o limitació diferent del sistema sanitari, però tots amb un fil conductor comú: l’ús de la IA i el raonament causal per millorar la presa de decisions:

• Hernández Guillamet, G. , López Seguí, F., Vidal-Alaball, J., López, B. (2023). CauRuler: Causal irredundant association rule miner for complex patient trajectory modelling. In Computers in Biology and Medicine (Vol. 155, p. 106636). Elsevier BV. [JCR IF 7.0 (2023): , Q1]
• Hernández Guillamet, G. , López Seguí, F., Vidal-Alaball, J., López, B. (2025). CTBN-PH: A Continuous-Time Bayesian Network for Individualised Diagnostic Risk Prediction. In Computers in Biology and Medicine (Vol. 197, p. 111069). Elsevier BV. [JCR IF 6.3 (2024): , Q1]
• Hernández Guillamet, G. , López Seguí, F., Vidal-Alaball, J., López, B. (2025). CCLR-DL: A novel statistics and deep learning hybrid method for feature selection and forecasting healthcare demand. In Computer Methods and Programs in Biomedicine (Vol. 272, p. 109057). Elsevier BV. [JCR IF 4.8 (2024): , Q1]