Resumen

En la actualidad, el cáncer es la segunda causa de muerte en todo el mundo, y se prevé que el número de personas diagnosticadas con esta enfermedad aumente. El cáncer de mama es el más diagnosticado en las mujeres, y tiene una de las mayores tasas de supervivencia cuando se trata adecuadamente. Dado que la eficacia y, por tanto, la supervivencia del paciente dependen de cada caso, es fundamental conocer de antemano el modelo de su supervivencia. La inteligencia artificial es un campo en rápida expansión, y sus aplicaciones clínicas le siguen el ritmo (habiendo superado a los humanos en muchas tareas médicas basadas en la evidencia). Desde que apareció el primer estimador de riesgo estable basado en métodos estadísticos en el análisis de supervivencia, se han creado numerosas versiones del mismo, de las que sólo se ha utilizado el aprendizaje automático en algunas. Las relaciones no lineales entre variables y el impacto que tienen sobre la variable a predecir son muy fáciles de evaluar mediante métodos estadísticos. Sin embargo, al no ser más que ecuaciones matemáticas, tienen fallos que limitan la calidad de sus resultados. El objetivo principal de este estudio es encontrar los mejores algoritmos de aprendizaje automático para predecir la supervivencia individualizada de las pacientes con cáncer de mama, así como el tratamiento más adecuado, y proponer nuevas estratificaciones de variables numéricas. Se seguirán utilizando métodos de aprendizaje automático no supervisado que dividan a las pacientes en grupos en función de su riesgo en cada conjunto de datos. Lo compararemos con las agrupaciones estándar para ver si tiene más importancia. Sabiendo que el mayor reto al tratar con datos clínicos es su cantidad y calidad, nos hemos esforzado por garantizar su calidad antes de replicarlos. Hemos utilizado el método estadístico de Cox junto con otros métodos y pruebas estadísticas para encontrar el mejor conjunto de datos posible con el que entrenar nuestro modelo, a pesar de su facilidad de análisis multivariante.

• Materias:Ingeniería biomédica Biomecánica Prótesis Extremidades (Cuerpo Humano) Músculos Hidromecánica
• Subjects:Biomedical engineering Biomechanics Prostheses Limbs (Human Body) Muscles Hydromechanics
• Palabras claves:métodos estadísticos, tasa de supervivencia más alta, calidad, tarea médica basada, causa de muerte, métodos de aprendizaje automático, supervivencia de la mama, número de personas, estratificación de variables numéricas, mejor conjunto de datos posible
• Keywords:statistical methods, highest survival rate, quality, based medical task, cause of death, machine learning methods, survival of breast, number of people, numerical variable stratification, best possible dataset