Digitalización e Innovación en Salud

Permanent URI for this collectionhttps://dspace.unia.es/handle/10334/9932

Browse

Browsing Digitalización e Innovación en Salud by Subject "Aprendizaje automático"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Open AccessMaster Thesis
    Aproximación al uso de herramientas de aprendizaje automático para la predicción de efectos adversos en pacientes con inmunoterapia
    (Universidad Internacional de Andalucía, 2023) Paradela Carreiro, Adolfo; Paradela Carreiro, Adolfo
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Director: Dr. Eduardo Guzmán De los Riscos. La FDA ha puesto a disposición del público una herramienta que permite descargar los datos del sistema de notificación de eventos adversos (FAERS), que recoge información proporcionada por la industria farmacéutica, los profesionales y los pacientes, sobre efectos adversos de medicamentos (EAM). Se descargó localmente la totalidad de los registros correspondientes a 2022, lo que permitió una aproximación a las técnicas de Machine Learning (ML) partiendo de una amplísima colección de datos, obtenidos en vida real, de los que se seleccionaron los correspondientes a los Inhibidores de los puntos de control inmunitario (ICIs): avelumab, atezolizumab, cemiplimab, durvalumab, nivolumab, pembrolizumab e ipilimumab. Durante el proceso de extracción y depuración de los datos se han constatado las limitaciones intrínsecas a un sistema de notificación voluntaria de efectos adversos. El conjunto de datos depurado se analizó utilizando herramientas de hoja de cálculo y de aprendizaje automatizado (algoritmo J48 implementado sobre Weka). El análisis con herramientas propias de una hoja de cálculo (Excel), fundamentalmente tablas dinámicas, es viable para “data set” de hasta un millón de registros, aunque puede ser complejo y lento. En este estudio, fue posible conocer la distribución de las notificaciones de efectos adversos por medicamento y sexo, grupos de edad, etc. También fue posible conocer y ordenar los EAM más notificados y los medicamentos implicados. Se aplicó también un modelo de aprendizaje automático basado en el algoritmo J48 implementado en el aplicativo Weka. Los resultados, cuya comprensión se facilitó al disponer como referencia del análisis con hoja de cálculo, fueron útiles cuando se buscó la asociación entre efecto adverso, sexo y medicamento, ya que permiten visualizar (y en cierta medida cuantificar), para cada efecto adverso el medicamento más frecuentemente asociado. El modelo tiene un funcionamiento peor cuando se analiza la relación efecto adverso-grupo de edad y medicamento, debido a la menor calidad de los datos de partida. Esta memoria pretende poner en práctica los conocimientos adquiridos por el alumno a lo largo del curso. Por ello, la extrapolación de los resultados a una potencial utilidad en práctica clínica, está sujeta a múltiples limitaciones, tanto derivadas de los datos de partida como de la idoneidad del algoritmo empleado. No obstante, puede servir de base para estudios posteriores, con algoritmos más sofisticados, que permitan crear un sistema predictivo inteligente del riesgo de desarrollar efectos adversos graves en pacientes a tratamiento con este grupo farmacológico.
  • Thumbnail Image
    Open AccessMaster Thesis
    Proyecto de creación, implementación y validación de un modelo de predicción de riesgo quirúrgico
    (Universidad Internacional de Andalucía, 2023) Abrisketa Zabala, Javier; Abrisketa Zabala, Javier
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Director: Dr. Salvador Peiró Moreno. Este trabajo es un proyecto que tiene como objetivo la creación y validación de modelos de predicción de riesgo quirúrgico en cuanto a la predicción de complicaciones en pacientes pendientes de intervención quirúrgica durante la intervención, en el postoperatorio inmediato y hasta el mes del alta. En este trabajo se plantea el análisis de datos de pacientes en un hospital. Se plantea un estudio en tres fases: 1ª fase: Desarrollo del modelo predictivo mediante un estudio de cohortes retrospectivo en el que se reclutarán pacientes intervenidos en el hospital a lo largo de 2 años y se obtendrán datos desde el preoperatorio hasta el mes del alta de la intervención. Para la identificación y creación de estos modelos se utilizarán técnicas de machine learning, que es la rama que más peso tiene actualmente dentro de la inteligencia artificial. Dentro del machine learning, el aprendizaje supervisado es el área con más aplicaciones. El aprendizaje supervisado permite a los ordenadores aprender a realizar tareas mediante el descubrimiento de patrones complejos en grandes cantidades de datos y la posterior explotación de los mismos. En el caso concreto de los datos procedentes de la historia clínica electrónica (en adelante, HCE), los algoritmos de machine learning nos permiten emplear el histórico de datos de cada paciente para que el ordenador aprenda a anticipar eventos futuros de manera personalizada, basándose en combinaciones complejas de los históricos de las variables disponibles. 2ª fase: Evaluación de resultados tras la implementación de los modelos en la HCE. 3ª fase: Validación externa de los modelos creados en la primera fase en una cohorte de pacientes intervenidos otros hospitales. Para este trabajo se emplearán variables sociodemográficas y clínicas. Esta información será extraída del sistema de explotación de datos de la HCE corporativa y de la herramienta bussiness intelligence (BI) corporativa. Hay varios objetivos en este trabajo:  Crear un instrumento de ayuda a la toma de decisiones que permita revertir en mejores resultados para el paciente y en su seguridad.  Sostenibilidad del sistema sanitario: con este instrumento de apoyo a la toma de decisión se espera que la asistencia urgente sea prestada de manera más eficiente, es decir, discriminando mejor a los pacientes que más lo necesitan.  Modernizar los sistemas actuales: mediante la integración de estos modelos en la HCE.