Teresa Arroyo-Gallego. (Imagen: Innovators Under 35).
Teresa Arroyo-Gallego. (Imagen: Innovators Under 35).

Fueron las teleco (es ingeniera por la UPM) las que le abrieron la puerta de la biotecnología. “Quería profundizar en las matemáticas y la física para aplicarlas en el desarrollo de soluciones en el ámbito de la salud. Aún no existía la carrera de bioingeniería como tal”, explica Teresa Arroyo-Gallego.

A sus 29 años, la ingeniera habla de un pasado que está a la vuelta de la esquina y, sin embargo, la suya es una historia que ya acumula varios hitos. El más reciente es haber sido reconocida por la edición española de MIT Technology Review como una de las jóvenes europeas innovadoras menores de 35 años de mayor proyección.

Buena parte de culpa de este estatus la tiene su contribución en el desarrollo tecnológico de nQ Medical. En síntesis, la empresa estadounidense ha innovado para permitir la cuantificación automática de la función psicomotora. Lo hace mediante el análisis de la interacción de los usuarios con sus dispositivos electrónicos.

A través de una herramienta basada en una plataforma, y bajo el empleo exhaustivo del machine learning, nQ Medical está en condiciones de evaluar de forma pasiva los patrones de tecleo de los usuarios. “Introducimos biomarcadores objetivos, no intrusivos, capaces de proporcionar un medio para detectar un hipotético deterioro psicomotor de forma casi continua”, apunta.

Tomar ventaja en el diagnóstico

El estándar para el diagnóstico del Parkinson se basa, a día de hoy, en la identificación de una serie de síntomas cardinales mediante evaluación clínica. “En etapas iniciales de la enfermedad, estos síntomas son casi imperceptibles”, señala Arroyo-Gallego. “El diagnóstico definitivo y el inicio del tratamiento se retrasan años. El daño neuronal es entonces muy avanzado”. Sus métodos de análisis permiten la toma de decisiones antes y mejor.  

Actualmente, Teresa Arroyo-Gallego se ocupa del desarrollo y el mantenimiento de lo que en la compañía llaman el cerebro de nQ. Esta materia gris tan particular la conforman los algoritmos y los modelos de análisis de la herramienta. En paralelo, la investigadora concluye sus estudios de Doctorado en Ingeniería de Sistemas Electrónicos. La investigación tiene como epicentro la tecnología de nQ.

Todo empezó en el MIT

Pero para entender la forma y los objetivos actuales de la empresa, hay que rebobinar un poco. Cuando estaba cerca de finalizar sus estudios de master en Ingeniería Biomédica, recibió la oferta de hacer una estancia en el MIT con el equipo neuroQWERTY (precursores de la tecnología nQ Medical). “En principio iba a pasar en Estados Unidos un par de meses. Fui para aprender a desarrollar determinados algoritmos y herramientas aplicables a la enfermedad del Parkinson”.

Los dos meses se convirtieron en dos años. En 2016, cuando Arroyo-Gallego iba a volver a España, los a la postre cofundadores de nQ Medical, decidieron licenciar la tecnología y crear una empresa. Durante la etapa ‘académica’ del proyecto, la ingeniera española se había centrado en el desarrollo de algoritmos y metodologías. El objetivo era transformar las señales de tecleo en indicadores interceptables por los equipos clínicos.

Tras la transición de neuroQWERTY a nQ Medical, ha asumido funciones adicionales, como liderar la conversión del prototipo inicial en un producto viable para su uso real. “Ahora también pretendemos incorporar más enfermedades además del Parkinson susceptibles de beneficiarse de nuestra tecnología. Paso buena parte de mi tiempo dedicada a la creación y validación de nuevos algoritmos que se adapten a las especificidades de cada patología”.

De este modo, en 2020 trabajarán en la aplicabilidad de nQ en el Alzheimer y el deterioro cognitivo leve, la esclerosis lateral amiotrófica (ELA) y la esclerosis múltiple (EL). Pese a que se mueven en un campo de acción “conservador”, Arroyo-Gallego cree que las cosas están cambiando en los últimos años. “Cada vez será más común encontrar soluciones digitales como complemento en la toma de decisiones clínicas derivadas del examen médico”.

El modelo americano

Por la parte que les toca, fuera del laboratorio se han embarcado en el proceso de regular nQ. El cambio será sustancial cuando sea aceptada como herramienta de apoyo en la práctica clínica. “Somos una startup, nuestros recursos son limitados y hemos de elegir muy bien donde invertirlos. Cuando, por ejemplo, abordamos una nueva enfermedad es porque detrás hay un patrocinador dispuesto a financiar un estudio de prueba de concepto".

Estas explicaciones dan algunas pistas sobre las diferencias entre la vida investigadora estadounidense y europea. “Cuando investigaba a tiempo completo en el MIT estaba a caballo entre el Research Laboratory of Electronics (RLE) y el Institute of Medical Engineering and Science (IMES). Me sorprendió la cantidad de recursos que ponen a disposición del investigador. También la agilidad en comparación con España para conseguir fondos que soporten nuevos proyectos. Hay mucha inversión privada y el gap universidad-industria no es tan grande”.

Investigación - Gestión

Teresa Arroyo-Gallego reconoce que aún se siente más cómoda en el laboratorio que en una sala de reuniones. “En parte es por costumbre. Poco a poco disfruto también de la parte comercial. Es más dinámica. A menudo me sale la vena más conservadora, puramente científica, pero es compensada con la ayuda del equipo. Muchos de ellos tienen experiencia emprendedora, así que en estas discusiones me pongo en modo ‘esponja’.”

Firme defensora de formar grupos de trabajo diversos en todos los sentidos y de salir de la burbuja habitual de conocimiento para aprender, la investigadora cree que el truco para progresar está en escuchar. "Hay que permanecer siempre abierta a otros puntos de vista. Preguntar y proponer sin imponer suele dar mejores resultados".

Todo ello en un tiempo en el que ciencia y tecnología se abrazan definitivamente. "La investigación detrás de los algoritmos de aprendizaje automático y el concepto de redes neuronales profundas existen desde hace más de 50 años. Hemos tenido que esperar a que llegara la electrónica necesaria para soportar este tipo de cálculos. Las herramientas de recogida y almacenamiento de datos no habían avanzado lo suficiente como para poder aprovechar las ventajas que ofrece el machine learning", concluye Teresa Arroyo-Gallego.

Dejar una respuesta

Please enter your comment!
Please enter your name here