La predicción del pronóstico de pacientes COVID19 poco tiempo después de recibir un diagnóstico puede ser una potente herramienta para aumentar la calidad asistencial del paciente y optimizar los recursos hospitalarios en tiempos de alta ocupación. En la literatura, y producidos en muy poco tiempo, podemos encontrar intentos de modelar diagnóstico tanto con técnicas básicas de estadística y, sobre todo, con enfoques basados en el machine learning (ML). Todos ellos tienen en común que no se acompañan con evidencias de que los mismos sean replicables. O dicho de otro modo, todos se evalúan con individuos obtenidos de la misma muestra que los que se usaron para modelar. De hecho, estamos asistiendo a una crisis de replicabilidad de resultados en el campo de la IA y, en particular, en este dominio concreto. En esta tesis, pretendemos paliar eso enfocándonos en generación modelos de pronóstico, basados en ML, y replicables.

Seguiremos un enfoque data-centric para el ML, primando la calidad y tratamiento de los datos clínicos, la reproducibilidad de resultados y el carácter secuencial del historial de paciente con vistas a las técnicas de ML a usar. La principal contribución de esta tesis será en el campo del ML replicable, específicamente para técnicas de Deep learning.