Aprendizaje computacional y análisis de supervivencia en pacientes de cáncer de mama.

Abstract

El cáncer es la segunda causa de muerte a nivel mundial actualmente y se prevé que los casos diagnosticados no dejarán de aumentar. El cáncer de mama es el que con más frecuencia se diagnostica en mujeres, y, tratado de forma correcta, tiene uno de los índices de supervivencia más altos. La efectividad y consecuente supervivencia del paciente depende de cada caso particular, por lo que es de vital importancia poder conocer el modelado de su supervivencia de forma previa. La inteligencia artficial es un campo que no deja de crecer, y con él, su aplicación en el ámbito clínico (habiendo superado a los humanos en muchas tareas médicas basadas en evidencia). En análisis de supervivencia, emergió el primer estimador de riesgo estable en 1989 (Gail Model ) basado en métodos estadísticos. Desde entonces, son abundantes las versiones del mismo que se han realizado y escaso el uso del aprendizaje automático en estas. Los métodos estadísticos hacen muy sencillo evaluar las relaciones no lineales entre variables y el impacto que estas causan sobre la variable a predecir (evento). Sin embargo, por no ser más que ecuaciones matemáticas, presentan carencias que limitan la calidad de sus resultados. En este proyecto proponemos algoritmos de aprendizaje automático supervisado como alternativa a los métodos estadísticos para predecir y modelar la supervivencia, habiendo probado su mejor funcionamiento. Sabiendo que la mayor dficultad con la que se lidia en datos clínicos es su cantidad y calidad, además de replicarlos, hemos realizado un extenso paso previo para garantizar la calidad de los mismos. Sin ignorar la facilidad en análisis multivariante que el método estadístico de Cox ofrece, lo hemos usado junto con otros métodos y tests estadísticos para encontrar el mejor conjunto de datos posible con el que entrenar nuestro modelo.