El proyecto tiene como objetivo desarrollar una metodología innovadora, multimodal y no invasiva para la detección temprana y evaluación del riesgo cardiometabólico en niños con sobrepeso y obesidad, mediante la integración de tecnologías de inteligencia artificial y visión por computador.
La obesidad infantil constituye uno de los principales desafíos actuales de salud pública, debido a su asociación con alteraciones metabólicas y cardiovasculares que pueden manifestarse desde edades tempranas y persistir durante la vida adulta. La identificación precoz de estos riesgos resulta fundamental para favorecer estrategias de prevención e intervención personalizadas.
Mediante el desarrollo e integración de nuevas tecnologías de análisis, el proyecto pretende contribuir a la identificación de indicadores asociados al riesgo cardiometabólico, facilitando una evaluación más accesible y menos invasiva de la salud infantil.
Esta iniciativa se enmarca en el ámbito de la innovación tecnológica aplicada a la medicina preventiva y personalizada, impulsando el desarrollo de nuevas herramientas que permitan mejorar la detección precoz, la evaluación y el seguimiento del riesgo cardiometabólico en población pediátrica.
El objetivo general del proyecto es desarrollar una metodología multimodal no invasiva que permita mejorar la detección precoz y la estratificación del riesgo cardiometabólico en población infantil con sobrepeso y obesidad, mediante la aplicación de tecnologías de inteligencia artificial y visión por computador.
Para ello, se plantean los siguientes objetivos específicos:
Investigar indicadores y parámetros asociados al riesgo cardiometabólico en población infantil con sobrepeso y obesidad.
Explorar el potencial de las tecnologías de visión por computador para la obtención y análisis no invasivo de información relevante.
Integrar diferentes fuentes de información mediante una metodología multimodal para mejorar la evaluación del riesgo cardiometabólico.
Desarrollar modelos de inteligencia artificial orientados a la identificación temprana y clasificación de diferentes niveles de riesgo.
Evaluar el potencial de la metodología desarrollada como herramienta de apoyo a la prevención y a la toma de decisiones clínicas.
El proyecto se desarrolla en el marco del programa Proyectos Estratégicos en Cooperación STEP, impulsado por la Agencia Valenciana de la Innovación (AVI – IVACE+i Innovación), para el fortalecimiento y desarrollo del Sistema Valenciano de Innovación.
El proyecto cuenta con una subvención concedida de 252.949,78 €, sobre un presupuesto subvencionable total de 421.583,00 €, y un periodo de ejecución comprendido entre el 22 de abril de 2026 y el 31 de diciembre de 2028.
Esta actuación está prevista para su cofinanciación por el Programa FEDER de la Comunitat Valenciana 2021-2027, en el marco de la Plataforma de Tecnologías Estratégicas para Europa (STEP).
Expediente del proyecto: INNSTP/2026/67
Entidad beneficiaria: SABARTECH, S.L.
La sarcopenia es una enfermedad caracterizada por la pérdida progresiva de masa y función muscular, asociada al envejecimiento y a múltiples patologías crónicas. Su detección precoz constituye uno de los grandes retos actuales de la medicina personalizada.
Mediante la integración de datos multiómicos, biomarcadores clínicos y herramientas de inteligencia artificial, SARCORISK pretende generar un sistema predictivo capaz de identificar individuos en riesgo de desarrollar sarcopenia y facilitar intervenciones clínicas tempranas.
El proyecto se enmarca en el ámbito de la medicina personalizada de precisión, contribuyendo al desarrollo de nuevas herramientas para mejorar la prevención, el diagnóstico y la gestión de enfermedades asociadas al envejecimiento.
El objetivo general del proyecto es desarrollar un algoritmo predictivo multiescala que permita mejorar la detección, diagnóstico y monitorización de la sarcopenia.
Para ello se plantean los siguientes objetivos específicos:
Identificar biomarcadores moleculares asociados a la sarcopenia mediante tecnologías ómicas humanas y microbianas.
Analizar la interacción entre microbiota, metabolismo y función muscular en el desarrollo de la enfermedad.
Integrar datos clínicos, moleculares y microbiológicos para construir modelos predictivos avanzados.
Desarrollar un algoritmo de inteligencia artificial que permita detectar individuos con riesgo elevado de sarcopenia.
Validar el modelo predictivo en cohortes clínicas para su posible implementación en la práctica médica.
El proyecto SARCORISK se desarrolla en el marco de la actuación conjunta ISCIII-CDTI para el impulso de proyectos de I+D en medicina personalizada y terapias avanzadas.
Proyecto financiado por el Centro para el Desarrollo Tecnológico y la Innovación (CDTI) y el Instituto de Salud Carlos III (ISCIII) en el marco del Plan de Recuperación, Transformación y Resiliencia, financiado por la Unión Europea – NextGenerationEU.
Expediente del proyecto: ACTUACIÓN CONJUNTA ISCIII-CDTI (EXP – 00162668 / IDI-20230947)
Participantes: Sabartech, Dawako Medtech, CoMMLab (Computational Multiscale Simulation Lab) de la Universitat de València y el Ci2B (Centro de Investigación e Innovación en Bioingeniería) de la Universitat Politènica de València.
Expediente: INNEST/2021/292
Una tecnología disruptiva que tiene como objetivo ofrecer soluciones de prevención, diagnóstico, tratamiento y seguimiento de enfermedades, personalizadas en función de la variabilidad genética de los pacientes.
Búsqueda automatizada de datos entre el amplio espectro de bases de datos genómicos y biológicos disponibles.
Puntuación de riesgo genético desarrollada a partir de la combinación de las directrices ACMG/AMP para enfermedades hereditarias y la tecnología de puntuación de riesgo poligénico para enfermedades complejas.
Bioscore multiescala que integra diferentes capas de datos, genéticos, antropométricos, demográficos, sanitarios y clínicos en un nivel único para asignar el riesgo o el impacto.
Aprendizaje Automático para el entrenamiento de los Modelos Matemáticos construidos para cada condición o enfermedad y datos propios para alimentar el Algoritmo AIG