RT Generic
T1 Aprendizaje computacional y análisis de supervivencia en pacientes de cáncer de mama.
T2 Machine Learning and Survival Analysis of breast cancer patients.
T2 Machine learning and survival analysis of breast cancer patients
A1 Chiclana García, Naira María
K1 Mamas - Cáncer
K1 Análisis de supervivencia (Biometría)
K1 Inteligencia artificial - Aplicaciones médicas
K1 Aprendizaje automático (Inteligencia artificial)
K1 Informática - Trabajos Fin de Grado
K1 Grado en Ingeniería de la Salud - Trabajos Fin de Grado
AB El cáncer es la segunda causa de muerte a nivel mundial actualmente y se prevé que loscasos diagnosticados no dejarán de aumentar. El cáncer de mama es el que con más frecuenciase diagnostica en mujeres, y, tratado de forma correcta, tiene uno de los índices desupervivencia más altos. La efectividad y consecuente supervivencia del paciente dependede cada caso particular, por lo que es de vital importancia poder conocer el modelado desu supervivencia de forma previa.La inteligencia artficial es un campo que no deja de crecer, y con él, su aplicación en elámbito clínico (habiendo superado a los humanos en muchas tareas médicas basadas enevidencia). En análisis de supervivencia, emergió el primer estimador de riesgo estable en1989 (Gail Model ) basado en métodos estadísticos. Desde entonces, son abundantes lasversiones del mismo que se han realizado y escaso el uso del aprendizaje automático enestas. Los métodos estadísticos hacen muy sencillo evaluar las relaciones no lineales entrevariables 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 calidadde sus resultados.En este proyecto proponemos algoritmos de aprendizaje automático supervisado comoalternativa a los métodos estadísticos para predecir y modelar la supervivencia, habiendoprobado su mejor funcionamiento. Sabiendo que la mayor dficultad con la que se lidia endatos clínicos es su cantidad y calidad, además de replicarlos, hemos realizado un extensopaso previo para garantizar la calidad de los mismos. Sin ignorar la facilidad en análisismultivariante que el método estadístico de Cox ofrece, lo hemos usado junto con otrosmétodos y tests estadísticos para encontrar el mejor conjunto de datos posible con elque entrenar nuestro modelo.
YR 2019
FD 2019-11-25
LK https://hdl.handle.net/10630/18898
UL https://hdl.handle.net/10630/18898
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 27 feb 2026