Desarrollo de modelos de predicción basados clínicamente utilizando aprendizaje automático y estadísticas bayesianas

Contenido principal del artículo

Oscar Daniel Zambrano Ramírez
Jean-Marc FONTBONNE

Resumen

En este trabajo el marco teórico, para desarrollar modelos genéricos basados en datos clínicos, se enfatiza e ilustra con estadísticas bayesianas las cuales predicen grados neurológicos para ilustrar los tipos de modelos que se pueden desarrollar desde un punto de vista matemático. Los modelos se basan en datos clínicos de pacientes que se han sometido a radioterapia por causa de un glioblastoma, el cual es un cáncer de cerebro agresivo. Un primer modelo requiere como parámetro el grado neurológico del paciente antes del tratamiento y predice el grado después del tratamiento. Un segundo modelo, mejorado, fue desarrollado con el propósito de hacerlo más real, éste emplea también el grado neurológico antes del tratamiento; además depende del Volumen Blanco Clínico (CTV por sus siglas en inglés). Por último, con el uso de estadísticas bayesianas fue posible estimar la incertidumbre de las predicciones.

Detalles del artículo

Cómo citar
Zambrano Ramírez, O. D., & FONTBONNE, J.-M. (2019). Desarrollo de modelos de predicción basados clínicamente utilizando aprendizaje automático y estadísticas bayesianas. Nucleus, (65), 6-10. Recuperado a partir de http://nucleus.cubaenergia.cu/index.php/nucleus/article/view/670
Sección
Ciencias Nucleares

Citas

[1] KANG J, SCHWARTZ R, FLICKINGER J, BERIWAL S. Machine learning approaches for predicting radiation therapy outcomes: a clinician’s perspective. Int J Radiat Oncol Biol Phys. 2015; 93(5): 1127-1135.
[2] EL NAQA I. Perspectives on making big data analytics work for oncology. Methods. 2016; 11: 32-44.
[3] PELLA A, et. al. Use of machine learning methods for prediction of acute toxicity in organs at risk following prostate radiotherapy. Medical physics. 2011; 38: 2859-2867.
[4] SESEN MB, NICHOLSON AE, BANARES-ALCANTARA R, et. al. Bayesian networks for clinical decision support in lung cancer care. PLOS ONE. 2013; 8(12): e82349.
[5] CASTANEDA C, et. al. Clinical decision support systems for improving diagnostic accuracy and achieving precision medicine. J Clin Bioinforma. 2015; 5: 4.
[6] CHIB S, GREENBERG E. Understanding the metropolis-hastings algorithm. The American Statistician. 1995; 49(4): 327-335.
[7] BIBAULT JE, GIRAUD P, BURGUN A. Big data and machine learning in radiation oncology: state of the art and future prospects. Cancer Letters. 2016; 382: 110-117.
[8] LUSTBERG T, et. al. Big data in radiation therapy: challenges and opportunities. Br J Radiol. 2017; 90(1069): 20160689.
[9] ADAMINA M, TOMLINSON G, GULLER U. Bayesian statistics in oncology: a guide for the clinical investigator. Cancer. 2009; 115: 5371-5381.