Successfully reported this slideshow.
Your SlideShare is downloading. ×

Píldora tecnológica de Inteligencia Artificial aplicada al entorno médico-hospitalario

Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad
Ad

Check these out next

1 of 58 Ad

Píldora tecnológica de Inteligencia Artificial aplicada al entorno médico-hospitalario

Download to read offline

El programa “Safor Salut”, iniciativa conjunta entre la Fundación para el Fomento de la Investigación Sanitaria y Biomédica de la Comunitat Valenciana (FISABIO), el Campus de Gandia de la Universitat Politècnica de València (UPV), y la Federación de Asociaciones de Empresarios de la Safor (FAES), ha realizado su primera Píldora Tecnológica con una sesión online dedicada a la Inteligencia Artificial aplicada al campo sanitario. Un evento que tuvo lugar el jueves día 1 de octubre desde las 13.00 horas hasta las 14.30 horas, a través de la plataforma Zoom.
Más información: http://cienciagandia.webs.upv.es/2020/09/inteligencia-artificial-en-la-primera-pildora-tecnologica-de-safor-salut/

El programa “Safor Salut”, iniciativa conjunta entre la Fundación para el Fomento de la Investigación Sanitaria y Biomédica de la Comunitat Valenciana (FISABIO), el Campus de Gandia de la Universitat Politècnica de València (UPV), y la Federación de Asociaciones de Empresarios de la Safor (FAES), ha realizado su primera Píldora Tecnológica con una sesión online dedicada a la Inteligencia Artificial aplicada al campo sanitario. Un evento que tuvo lugar el jueves día 1 de octubre desde las 13.00 horas hasta las 14.30 horas, a través de la plataforma Zoom.
Más información: http://cienciagandia.webs.upv.es/2020/09/inteligencia-artificial-en-la-primera-pildora-tecnologica-de-safor-salut/

Advertisement
Advertisement

More Related Content

Slideshows for you (13)

Similar to Píldora tecnológica de Inteligencia Artificial aplicada al entorno médico-hospitalario (20)

Advertisement

More from Campus de Gandia - Universitat Politècnica de València (20)

Recently uploaded (20)

Advertisement

Píldora tecnológica de Inteligencia Artificial aplicada al entorno médico-hospitalario

  1. 1. #SAFORSALUT2020
  2. 2. FUNCIONAMIENTO DE LA JORNADA 00 - Bienvenida - Cesión de derechos de imagen - Funcionamiento - Renombrar perfil - Micros cerrados - Preguntas por el chat y debate - Debate al final - Contactos a posteriori
  3. 3. ORDEN DEL DÍA Por el equipo técnico de Safor Salut Por Jon Ander Gómez, experto en Inteligencia Artificial de la UPV 01 02 04 Aplicaciones de la Inteligencia Artificial. Aprendiendo a identificar problemas abordables a través de la experiencia de otros: Proyecto“El procesoTerminal en el pacienteoncológico” Por Ana Myriam Seva-Llor, Hospital Vega Baja de Orihuela. App INTEMASC Por Jesús Tomás, experto en sensores e Inteligencia Artificial con aplicaciones médicas del Campus de Gandia (UPV). Importancia de la calidad y homogeneización de los datos. Por Maryna Danylyuk de la empresa Veratech Sistemasde asistencia virtualbasados en IA. Por Fernando Pérez de la empresa Aunoa. Debate 03 Inteligencia Artificial aplicada al sector salud. Conceptos, campos de potencial aplicación en el entorno médico-hospitalario, y retos en el uso de datos médicos 05 Cierre Qué es Safor Salut. Objetivos de la jornada y cómo canalizar ideas o retos de posibles proyectos relacionados con la Inteligencia artificial
  4. 4. Qué es Safor Salut. Objetivos de la jornada y cómo canalizar ideas o retos de posibles proyectos relacionados con la Inteligencia artificial 01 Por el equipo técnico de Safor Salut
  5. 5. SAFOR SALUT Es el programa de cooperación entre tres agentes clave en el sistema de innovación en salud en el área territorial de La Safor y su entorno: FISABIO- Departamento de Salud de Gandia, la Universitat Politècnica de València (UPV)-Campus Gandia, y la Federación de Asociaciones de Empresarios de la Safor (FAES), con la finalidad de desarrollar en cooperación investigación e innovación en productos y servicios. El programa comenzó en 2019 y se ha consolidado en 2020.
  6. 6. SAFOR SALUT 1. Fortalecer y promocionar la cooperación en investigación e innovación entre el tejido industrial, tecnológico y sanitario 2. Potenciar la generación de ideas innovadoras basadas en necesidades sanitarias alineadas con la estrategia de los retos AVI y RIS3 4. Dinamizar las nuevas ideas y poner en marcha proyectos colaborativos dando lugar a productos y servicios innovadores, mediante la implantación de una metodología de trabajo colaborativa, basada en el open innovation y la co-creación, entre los tres agentes 3. Mejorar la competitividad de las empresas de la Safor generando nuevas oportunidades de negocio en el sector salud, a través de la transferencia de tecnología y conocimiento a las mismas y la relación establecida entre los tres agentes, así como la difusión del programa 5. Promover la sostenibilidad y escalabilidad del Programa
  7. 7. PRÓXIMOS EVENTOS 2020 (fechas por confirmar) Jornada de co-creación Inteligencia Artificial 15 de octubre Píldora tecnológica Rehabilitación 29 de octubre Jornada de co-creación 12 de noviembre Píldora tecnológica sensores y redes de sensores 26 de noviembre Jornada de co-creación 10 de diciembre
  8. 8. OBJETIVO PRINCIPAL DE ESTA JORNADA Aportar información para incentivar la propuesta de proyectos de investigación colaborativos entre los tres agentes de innovación, personal del Departamento de Salud de Gandia y del Hospital la Pedrera de Dénia con inquietudes en explorar mejoras en la atención de pacientes y la salud global de la población en base a esta tecnología (IA), junto al personal investigador del Campus de Gandia (UPV) y a las empresas de la Safor.
  9. 9. Cómo canalizar ideas y retos de posibles proyectos relacionados con la Inteligencia Artificial A través del formulario Contacta con el equipo Safor Salut En breve pondremos en marcha una web para la gestión de ideas y retos
  10. 10. Jornada de co-creación Inteligencia Artificial Envío de ideas de nuevos proyectos (a partir de hoy) Análisis y búsqueda de socios Se trabajarán las nuevas ideas en la jornada de co-creación Nos vemos el 15 de octubre
  11. 11. Inteligencia Artificial aplicada al sector salud. Conceptos, campos de potencial aplicación en el entorno médico-hospitalario, y retos en el uso de datos médicos 02 Por Jon Ander Gómez, experto en Inteligencia Artificial de la UPV
  12. 12. Concepts, potential application domains within the healthcare sector, and challenges to use medical data Data lifecycle FAIR & Quality data Explainability & Interpretability Trustworthy decision making Concepts Prediction of migraine episodes or seizures Detection of patterns / clues in tissues, delimiting ROIs Assessment whether a patient suffers a given pathology Application domains Collect quality data: properly annotated/labelled Sharing data in data spaces/silos/lakes AI basic concepts managed by domain application experts Challenges https://ai-data-robotics-partnership.eu/ https://ai-data-robotics-partnership.eu/wp-content/uploads/2020/09/AI-Data-Robotics-Partnership-SRIDA-V3.0.pdf
  13. 13. Dataset design Data Acquisition Data Curation Persistent Data Storage Data Partitioning Data Augmentation AI/ML/DL Model training AI/ML/DL Model evaluation Solution Deployment Data Pipeline AI/ML/DL Model Pipeline • Data types and formats –identification and definition • Metadata definition • Data Lake/Silo structure definition • Guidelines / HOW-TOs • Etc. FAIR & Quality Data • Findable • Accessible • Interoperable • Reusable Data sharing
  14. 14. Dataset design Data Acquisition Data Curation Persistent Data Storage Data Partitioning Data Augmentation AI/ML/DL Model training AI/ML/DL Model evaluation Solution Deployment Data Pipeline AI/ML/DL Model Pipeline • Standards with guidelines to create FAIR open datasets with GDPR compliance data (anonymised) • Quality data: properly annotated or labelled • Certified datasets per disease to train, test & validate AI-based solutions • Standards and guidelines to benchmark and validate the robustness and performance in terms of accuracy of certified AI-based solutions  trustworthy decision making • Training programs to ensure application domain experts can manage AI basic concepts
  15. 15. Explainable AI: Interpretability Source: Master thesis of Álvaro López Chilet, MIARFID DSIC UPV Tutors: Roberto Paredes Palacios & Jon Ander Gómez Adrián
  16. 16. Application domains: Detection of patterns / clues in tissues, delimiting ROIs Source: PhD thesis of Jhon Jairo Saenz Gamboa, tutors: Maria de la Iglesia Vayá & Jon Ander Gómez Adrián
  17. 17. Application domains: Detection of patterns / clues in tissues, delimiting ROIs Source: ISIC dataset https://www.isic-archive.com/#!/topWithHeader/wideContentTop/main Used as Use Case 12 in the DeepHealth project https://deephealth-project.eu/
  18. 18. Application domains: Detection of patterns / clues in tissues, delimiting ROIs Source: https://www.kaggle.com/jesperdramsch/siim-acr-pneumothorax-segmentation-data Used as an additional use case in the DeepHealth project https://deephealth-project.eu/
  19. 19. Application domains: Assessment whether a patient suffers a given pathology Source: The Alzheimer’s disease neuroimaging initiative (ADNI): MRI methods Journal of Magnetic Resonance Imaging, 2008 http://adni.loni.usc.edu/ Used in the Bachelor’s Degree thesis of Rafael Sánchez Romero, tutors: María de la Iglesia Vayá & Jon Ander Gómez Adrián
  20. 20. The DeepHealth project SOFTWARE PLATFORM BIOMEDICAL APPLICATION Medical image (CT , MRI , X-Ray,…) Health professionals (Doctors & Medical staff) ICT Expert users Prediction Score and/or highlighted RoIe returned to the doctor Data used to train models Platform uses the toolkit to train models (optional) Images labelled by doctors Add validated images Production environment Training environment Using loaded/trained predictive models Samples to be pre-processed and validated Images pending to be pre-processed and validated HPC infrastructure TOOLKIT
  21. 21. Aplicaciones de la Inteligencia Artificial. Aprendiendo a identificar problemas abordables a través de la experiencia de otros. 03
  22. 22. PROYECTO: El proceso terminal en el paciente oncológico Dra. Seva-Llor, Ana Myriam seva_anallo@gva.es
  23. 23. OBSERVACIONES - JUSTIFICACIÓN Fuente: elaboración propia. ONCO. HVB 2017
  24. 24. Las trayectorias de enfermedad: epidemiología del enfermar y morir
  25. 25. Las trayectorias de enfermedad: epidemiología del enfermar y morir
  26. 26. ¿CÓMO SURGIÓ? • Experiencia profesional • Pacientes • Científicos • Actitud proactiva • Aplicación IA • UCIE • Materiales y equipos Convenio de colaboración entre la UMH y FISABIO
  27. 27. OBJETIVOS OBJETIVO PRINCIPAL Medir con precisión, alto rendimiento y de manera totalmente no-invasiva al paciente oncológico terminal (signos y cambios fisiológicos) para comprender el proceso de empeoramiento, y poder mejorar substancialmente la práctica clínica: diagnóstico, pronóstico, tratamiento, los cuidados en general y los Cuidados Paliativos en particular. OBJETIVOS ESPECÍFICOS * Identificar, con claridad, etapas en el proceso de morir * Construir modelos predictivos que orienten a los profesionales sanitarios en la toma de decisiones, cada vez más individualizadas, para el paciente que sufre una enfermedad oncológica incurable y avanzada -
  28. 28. INTELIGENCIA ARTIFICIAL FINALIDAD •Monitorización continua y en tiempo real de datos fisiológicos CARACTERÍSTICAS •Pequeño gadget: machine learning •Objetividad •No invasiva: sin causar ningún dolor •No ofensiva: situación compleja cargada de significado humano muy profundo CONTEXTO •Era del “Big data” •Proliferación de la innovación en Oncología: ttos nuevos, terapias dirigidas e inmunoterapia •Ley 3/2018, de 5 de diciembre de Protección de Datos Personal y garantía de los derechos digitales DATOS •Multivariados •Longitudinales •Personalizados
  29. 29. CAPACIDADES/COMPETENCIAS/EXPERIENCIA EQUIPO INVESTIGADOR Dra. Ana Myriam Seva Llor Dr. Santiago Canals Gamoneda Dr. Alex Gómez Marín Dra. Silvia Ortín González Andrés Giner Antón José Manuel del Río Cañuelo ONCÓLOGOS Mª Ballester Espinosa Dr. José María Baron Saura ENFERMERAS Regina de Andrés Romero Mª Carmen Botella Marco Belén Garri Chazarra Antonio Teruel Aracil Esther Martínez Birlanga Mª Jesús Gea Giménez Yolanda Gómez Mas Susana Blasco Blasco Aurora Menargues Miralles Enrique García SanBartolomé Obdulia Gómez UH ONCOLOGÍA EQUIPO INVESTIGADOR COLABORADOR PROFESIONALES SANITARIOS TCAES Fátima Belmonte Nuria Méndez Mª Carmen Marco Francisca Morales Mª Teresa Murcia Isabel Vicente Encarnación González Mª del Mar Díaz Olaya Antón
  30. 30. BENEFICIOS DEL ESTUDIO Profesionales sanitarios oncológicos • Aumentar el conocimiento: estudiar científicamente el proceso de morir • Definición de nuevos conceptos y actualización de los existentes • Identificación de la situación de últimos días: buenas prácticas clínicas • Facilitar la toma de decisiones profesionales: intensificación de CP Gestión sanitaria • Innovación del modelo de asistencia al final de la vida: centrado en el paciente oncológico • Medición: calidad asistencial, seguridad del paciente e integración de CPO Paciente y su familia • Calidad de vida y de muerte • Dignidad en el proceso de morir
  31. 31. HECHOS QUE FORTALECEN EL ESTUDIO
  32. 32. "No permitas que nadie diga que eres incapaz de hacer algo, ni si quiera yo. Si tienes un sueño, debes conservarlo. Si quieres algo, sal a buscarlo, y punto. ¿Sabes?, la gente que no logra conseguir sus sueños suele decirles a los demás que tampoco cumplirán los suyos". Will Smith (En busca de la felicidad)
  33. 33. PROYECTO APP INTEMASC Jesús Tomás Campus de Gandia (UPV) jtomas@upv.es
  34. 34. INFORMACIÓN CONCIENCIAR DE LA IMPORTANCIA DE LA CORRECTA COLOCACIÓN DE LA MASCARILLA DETECCIÓN DE ERRORES DE COLOCACIÓN A PARTIR DE IMÁGENES OBTENIDAS DESDE UN MÓVIL OBJETIVO PRINCIPAL OBJETIVOS ESPECÍFICOS
  35. 35. LA IDEA PARTE DE UN GRUPO DE ENFERMERAS DEL HOSPITAL GENERAL D’ONTINYENT. QUE PROPONEN LA IDEA Y CONTACTAN CON LA UPV A TRAVES DE MATCH COVID 19. DESARROLLAR UNA APP QUE PERMITA AUTOVERIFICAR LA COLOCACIÓN DE LA MASCARILLA ORIGEN PROPUESTA
  36. 36. DISEÑO SE TOMAN DOS SELFIS. SE INDICA POSIBLES ERRORES Funcionamiento
  37. 37. 1er fase: obtención del corpus LAS TÉCNICAS DE I.A. BASADAS EN APRENDIZAJE INDUCTIVO REQUIEREN DE MILES DE EJEMPLOS DE APRENDIZAJE Problema APP QUE PERMITE OBTENER/REALIZAR DOS SELFIS Y SUBIRLOS A NUBE Solución
  38. 38. 2ª fase: etiquetado del corpus CADA IMAGEN HA DE ESTAR CORRECTAMENTE ETIQUETADA Problema APP PARA EL ETIQUETADO Solución
  39. 39. 3ª fase: entrenamiento ¿PUEDE UN SISTEMA APRENDER A ETIQUETAR LAS IMÁGENES A PARTIR DE LOS EJEMPLOS? Problema REDES NEURONALES CONVOLUCIONALES. Posible solución - MALA COLOCACIÓN - - PROBLEMA ESPECÍFICO - - PROBLEMA Y POSICIÓN ¿Qué aprendemos?
  40. 40. 4ª fase: implementación app ¿PUEDE UN MÓVIL EJECUTAR ESTAS REDES NEURONALES? Problema UTILIZAREMOS TENSORFLOW. APP PARA ANDROID Y IOS. Solución
  41. 41. Desarrollo de apps, gestión de la información, I.A. aplicada al reconocimiento de imágenes Corpus de entrenamiento etiquetado (3K imágenes) CAPACIDADES RESULTADOS DAVID VALERAZO GRUPO DE ENFERMERAS D’ONTINYENT. Colaboraciones
  42. 42. Proyecto “Importancia de la calidad y homogeneización de los datos” Por Maryna Danylyuk, VeraTech for Health SL
  43. 43. Ineficiencias en sistemas sanitarios: • Errores médicos: quirúrgicos, diagnóstico, comunicativos • Políticas financieras y de precios • Gestión • Reúso de los datos Costes: • Calidad: 44% de los errores médicos son prevenibles • Financieros: $6 mil millones en pérdidas de bienestar económico • Salud: 1 de 10 sufre daños innecesarios en puntos de atención • Tiempo y vidas: hasta 400 miles de muertes prevenibles en EEUU Amenaza: • Esperanza de vida crece y calidad esperada también • Tasa de crecimiento del gasto sanitario (3.9%) en futuro es mayor • que la tasa de crecimiento del PIB (3%) • Insostenibilidad del sistema sanitario Solución: Eficiencia ya no es un adjetivo sino una estrategia de funcionamiento del sistema sanitario y consiste en producir más valor con el mismo nivel ingreso. Permitirá: • Prevenir los errores prevenibles • Optimizar los procesos (waste reduction) • Bajar costes y prever ingresos • Generar calidad y valor adicional (salud) EFICIENCIA EN SISTEMA SANITARIO INTELIGENCIA ARTIFICIAL EN SANIDAD
  44. 44. Necesidad CASOS PRÁCTICOS: 1) Proyecto de ayuda a la prevención de embarazo con gemelos para un instituto de infertilidad 2) Proyecto de ayuda al médico con la definición del tratamiento a los enfermos con cáncer - Historia Clínica Electrónica Oncológica para dos hospitales de Paraguay 3) Proyecto de prevención de enfermedades: definición de un repositorio normalizado de datos de los primeros 1000 días del bebe para desarrollar sistemas de prevención de enfermedades adultas Planteamiento Preparación Desarrollo Solución Implantación de la solución Mantenimiento de la solución FASES:
  45. 45. PRINCIPALES BARRERAS: • Falta de conocimiento técnico • Falta de financiación • Falta de tiempo • Falta de confianza con los proveedores • Calidad de los datos • Malas praxis • Protección de datos – acceso a los datos
  46. 46. CONTACTOS VeraTech: www.veratech.es LinkedIN: Maryna Danylyuk Instagram: @hcecon
  47. 47. F a s t e r & S m a r t e r C u s t o m e r S e r v i c e INTELIGENCIA ARTIFICAL APLICADA AL ENTORNO MEDICO - HOSPITALARIO 1 - O c t u b r e - 2 0 2 0 Sistemas de asistencia virtual basados en IA
  48. 48. IntroducciónP r o b l e m á t i c a a c t u a l El actual canal de comunicación que las personas utilizan a diario para comunicarse entre ellas, es muy distinto al que utilizan las empresas para comunicarse con sus clientes.
  49. 49. La IA Conversacional A I Estar donde los clientes están, comunicarse e interactuar con los clientes del mismo modo y por los mismos canales que estos utilizan a diario por razones personales. Atención al Cliente Marketing Ventas Soluciones basadas en Inteligencia Artificial Conversacional Supervisada – NLP (Natural Language Processing - Chatbots), para mejorar la experiencia del cliente. Automatización 24x7 Servicio Eficiencia Self-service Mejorar experiencia de Cliente Accesibilidad Cercanía Confiabilidad WhatsApp Faceboo k Twitter WebChat Renovación generacionalAcortar brecha digital Q u é e s y p a r a q u e s i r v e ?
  50. 50. Soluciones basadas en IA Conversacional C h a t b o t O m n i c a n a l p a r a a u t o m a t i z a c i ó n d e s e r v i c i o s d e a t e n c i ó n Automatización de respuestas (AI-NLP) Resolución automatizada de consultas frecuentes, con la utilización de IA-NLP (Procesamiento del Lenguaje Natural). Integración con transaccionales (API) Integración con sistemas de clientes para responder consultas transaccionales o relativas a servicios contratados. Solución hibrida (IA + Personas CC) Sistema de transferencia de la IA al Chat en línea con personal del Call Center. Aplicaciones conversacionales Adaptación de aplicaciones existentes a entorno conversacional / mensajería: • Cita previa, encuestas, votaciones… • Gestión documental y firma electrónica: instancias, solicitudes, trámites, contratos… • Procesado audio: Transcripción en tiempo real de ficheros de audio generados por el usuario (Speech-to-Text). 68% AUTOMATION RATE SUPERVISIÓN Y PROACTIVIDAD Entrenamos y supervisamos la IA diariamente para garantizar el funcionamiento óptimo y la proactividad en relación a los usos y demandas de los clientes.
  51. 51. Ejemplo 1 – Autototest COVID y Cita previa Demo Información exlusiva de Aunoa. © 2019 Aunoa Software S.L. Todos los derechos reservados. -  Solución para maximizar la accesibilidad de los usuarios a determinadas aplicaciones.  Mediante la adaptación/conversión de aplicaciones sencillas existentes en entorno web (cita previa, encuestas, votaciones), a aplicaciones conversacionales que funcionan sobre las principales Apps de Mensajería Instantánea como WhatsApp.  Permitiendo a los clientes interactuar con las aplicaciones de un modo sencillo, natural y accesible para el 100% de los usuarios. Descripción Sistema de cita previa Auto-test DEMO WhatsApp F u n c i o n a l i d a d Video Demo (*): https://youtu.be/MXAlcQa5AWc (*) Servicio demostrador, no oficial
  52. 52. Ejemplo 2 – Servicio de Atención al Ciudadano (S. Sociales) F u n c ion a lid ad Utilización de Web y WhatsApp Chatbot, para los servicios de Atención al Ciudadano de las AAPP, consiguiendo de este modo una mayor eficiencia y optimización de procesos y costes. ¿Para qué sirve?  Utilización de la IA para resolución automática 24x7 de consultas sencillas y recurrentes y el personal del CAU para consultas complejas y mejora general del servicio del CAU  Automatización de procesos internos y de trámites con ciudadanos  Automatización del actual servicio Web Live Chat de consultas y atención al cliente. Beneficios Administración  Automatización procesos y eficiencia.  Atención al ciudadano 24x7.  Reducción de costes.  Nº Ilimitado de usuarios simultáneos.  Mover ciudadanos al auto-servicio.  Mejora del engagement de los ciudadanos. Demo Beneficios Administración  Inmediatez, fácil utilización, interfaz conocida.  Eliminar barreras de entrada y acceso a servicios.  Comunicación 1-to-1 personalizada.  Autenticidad, interface por lenguaje natural.  Atención ininterrumpida y ubicua. Video Demo (*): https://youtu.be/1VgXZGdfsLE (*) PuestaenservicioenOctubre2020
  53. 53. Ejemplo 3 – Tramitación electrónica por WhatsApp F u n c ion a lid ad Utilización del WhatsApp para simplificar los procesos de cumplimentación, firma y entrega de documentación. ¿Para qué sirve?  Cumplimentar plantillas de documentos. Documentos tipo plantillas estándar: Instancias, solicitudes, trámites, formularios o contratos, que únicamente deban recopilar campos básicos de información del usuario.  Adjuntar documentación. Adjuntar documentación requerida mediante el envío de fotos.  Firmar. Firma de los documentos mediante firma electrónica. ¿Cómo funciona?  Acceso. El usuario accede al documento a través del número WhatsApp oficial de la compañía, o recibe un sms con un link que le facilita el acceso.  Cumplimentación. Introduce los datos básicos requeridos; nombre, apellidos, dirección y contacto, mediante una conversación / chat con un asistente virtual por WhatsApp.  Adjuntos. Incluye los adjuntos requeridos (foto del ID, otros), remitiendo archivos o fotos desde el carrete de su móvil.  Firma. Firma electrónicamente el documento desde la pantalla de su móvil.  Envío. Remite toda la información dentro de la misma conversación/chat de WhatsApp. Beneficios  Ahorro de tiempos, simplificación y agilidad.  Ahorro de costes.  Mejora la experiencia de cliente.  Mejora medio ambiente con ahorro de papel. Demo Video Demo (*): https://youtu.be/EvyOClD6M6k (*) Puesta en servicio próximamente
  54. 54. F a s t e r & S m a r t e r C u s t o m e r S e r v i c e
  55. 55. DEBATE 04
  56. 56. 05 CIERRE Por Joaquín Miñana, Gerente del Hospital Francesc de Borja de Gandia
  57. 57. CONTACTOS EQUIPO SAFOR SALUT Campus de Gandia (UPV): Pilar Sánchez | psanche@upv.es, Neus Montoro | niemones@upv.es FISABIO-DS Gandia: María Prada | prada_marmar@gva.es, AmparoArlandis | arlandis_ampviy@gva.es, ElenaCarrió | carrio_elearg@gva.es Empresas-FAES: Diego Pérez | saforinnova@faesafor.com

×