WISE — Women's Intelligent Stratification for Endometrium
Transformant dades clíniques complexes en decisions accionables per al càncer d'endometri
Inspiració
El càncer d'endometri és el tumor ginecològic més freqüent a Europa. Dins d'aquest, el subgrup NSMP (Non-Specific Molecular Profile) representa un 25-30% dels casos i suposa un repte clínic especial.
El problema: No hi ha marcadors moleculars clars per estratificar el risc en pacients NSMP. Els clínics no disposen d'eines objectives, i les decisions de tractament esdevenen incertes.
La nostra pregunta: Podem utilitzar Intel·ligència Artificial per resoldre aquesta necessitat clínica real?
Què fa?
WISE és un sistema de suport a la decisió clínica que ajuda els metges a prendre decisions informades.
El flux és simple:
- El metge introdueix les dades del pacient al formulari
- WISE analitza les dades amb IA
- El metge rep un informe complet per prendre una decisió clínica informada
5 funcionalitats clau
| Funcionalitat | Descripció | |
|---|---|---|
| 📈 | Predicció de Supervivència | Risc de recurrència (DFS) i supervivència global (OS) |
| 🔀 | Estratificació | 2 clústers de risc amb models específics |
| 🧠 | IA Explicable | SHAP mostra QUINES variables influeixen i PER QUÈ |
| 👥 | Casos Similars | Pacients històrics amb característiques semblants |
| 📝 | Informe Narratiu | Gemini genera explicacions clíniques comprensibles |
Com ho hem fet
Arquitectura
El sistema té tres capes principals:
- Capa de Dades*
- Partim de raw_data.csv amb dades clíniques reals
- Apliquem Feature Engineering per netejar i transformar les variables
Generem model_ready.csv preparat per entrenar
Capa de Model*
Clustering jeràrquic (Ward) per definir 2 grups de risc
Models Cox Proportional Hazards específics per cada clúster
SHAP per explicar les prediccions
Capa d'Aplicació*
Formulari web intuïtiu per introduir dades
FastAPI com a backend
Gemini 2.5 Flash per generar informes narratius
Supabase per emmagatzemar resultats
Stack tecnològic
- Backend: FastAPI + Uvicorn
- ML/Stats: scikit-learn, lifelines, SHAP, XGBoost
- Frontend: HTML, CSS, JavaScript
- IA Generativa: Google Gemini 2.5 Flash
- Base de dades: Supabase (PostgreSQL)
Obstacles que ens hem trobat
⚠ Repte 1: Dades clíniques complexes
Valors missing, codificacions inconsistents i múltiples formats de dates. Vam haver de fer un preprocessament exhaustiu.
⚠ Repte 2: Pocs events de recurrència
El dataset tenia poques recurrències, cosa que feia els models Cox inestables. Vam aplicar regularització i validació creuada.
⚠ Repte 3: SHAP amb Survival Analysis
Integrar explicabilitat SHAP amb models de supervivència no és trivial. Vam usar KernelExplainer per resoldre-ho.
⚠ Repte 4: Orquestració en temps real
Connectar Model predictiu + KNN + LLM de forma síncrona va requerir una arquitectura ben pensada.
Assoliments
✅ Sistema end-to-end funcional — Des de dades fins a informe clínic, tot integrat
✅ IA explicable real — No només prediiem, sinó que expliquem el PERQUÈ de cada predicció
✅ Interfície pensada per metges — Formulari intuïtiu amb terminologia clínica
✅ Integració multi-tècnica — Clustering + Cox + SHAP + LLM treballant junts
Què hem après?
📖 Survival Analysis — Models Cox, events, censura i com interpretar-los clínicament
📖 Explicabilitat — Diferències entre TreeExplainer i KernelExplainer de SHAP
📖 LLM Integration — Com usar Gemini per generar narratives clíniques coherents
📖 Disseny per clínics — Simplicitat sempre guanya a complexitat
Futur de WISE
🔜 Validació clínica amb més pacients i centres hospitalaris
🔜 Integració KNN directament a l'API per casos similars en temps real
🔜 Corbes de supervivència interactives al frontend
🔜 Més marcadors moleculars quan estiguin disponibles
🔜 Integració amb sistemes hospitalaris (HIS) per ús en producció
Equip
Projecte WISE — Hackathon bitsxlaMarató
Repte: Hack the Uterus! - NEST (NSMP Endometrial Stratification Tool)
Log in or sign up for Devpost to join the conversation.