Desarrollo de una herramienta de inteligencia artificial para detectar recaídas en pacientes con cáncer de mama

Abstract

Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Tutor: Dr. Tomás Urda Valcárcel. Introducción: La predicción de recidiva en pacientes que han sido operados de cáncer de mama juega un papel muy importante en tareas médicas como el diagnóstico y la planificación del tratamiento que hay que realizarle al mismo. Las redes neuronales artificiales se muestran como una herramienta potente para el análisis de conjuntos de datos donde hay relaciones no lineales entre los datos a estudio y la información a ser pronosticada. Objetivo: - Objetivo general: analizar e identificar variables clínicas sobre pacientes con cáncer de mama con el fin de obtener patrones estadísticos y desarrollar un modelo predictivo basado en inteligencia artificial que detecte posibles recaídas. - Objetivos específicos: definir la técnica o algoritmo requerido que automatice esa generación de modelos para el análisis de la información con respecto al seguimiento, control y posible recaída del cáncer de mama. Material y métodos: estudio descriptivo con el objeto de identificar y caracterizar diferentes variables (clínicas, fisiopatológicas, tumorales, moleculares) de pacientes que han sufrido cáncer de mama para finalmente obtener una herramienta de inteligencia Artificia (IA) o algoritmo que pueda identificar factores de riesgo de recaída con una precisión óptima, para brindar un tratamiento adecuado de forma precoz acorde a las nuevas evidencias. Resultados: para nuestra investigación, el modelo teórico final propuesto sería el de Redes Neuronales Artificiales (RNA). La RNA es un método de aprendizaje supervisado empleado para dar solución a problemas de clasificación y regresión en aprendizaje automático. Un aspecto crucial para poder realizar aprendizaje y diagnóstico en la red neuronal es seleccionar dos conjuntos independientes de datos procedentes de la base de datos de los pacientes, que serán usados respectivamente para el entrenamiento de la red y para validar la eficacia de la predicción. Conclusiones: gracias a la digitalización de grandes cantidades de datos, el desarrollo de algoritmos de Aprendizaje Automático y la mejora de la capacidad de cálculo de los ordenadores de las últimas décadas, la IA puede abrir excelentes oportunidades para la automatización de tareas, la aplicación de la medicina de precisión o el avance en la investigación a través de la detección de patrones complejos en bases de datos médicas.

Introduction: the prediction of recurrence in patients who have undergone surgery for breast cancer plays a very important role in medical tasks such as diagnosis and treatment planning that must be carried out. Artificial neural networks are shown to be a powerful tool for the analysis of data sets where there are non-linear relationships between the data under study and the information to be forecast. Aim: -General objective: analyze and identify clinical variables on patients with breast cancer in order to obtain statistical patterns and develop a predictive model based on artificial intelligence that detects possible relapses. - Specific objectives: define the technique or algorithm required to automate the generation of models for the analysis of information regarding the follow-up, control, and possible relapse of breast cancer. Materials and methods: descriptive study in order to identify and characterize different variables (clinical, pathophysiological, tumor, molecular) of patients who have suffered from breast cancer to finally obtain an Artificial Intelligence (AI) tool or algorithm that can identify risk factors for relapse with optimal precision, to provide adequate treatment early according to new evidence. Results: for our research, the final theoretical model proposed would be that of Artificial Neural Networks (RNA). ANN is a supervised learning method used to solve classification and regression problems in machine learning. A crucial aspect to be able to perform learning and diagnostics in the neural network is to select two independent data sets from the patient database, which will be respectively used for training the neural network and to validate the efficacy of the neural network. prediction. Conclusions: thanks to the digitization of large amounts of data, the development of Machine Learning algorithms and the improvement in the computing power of computers in recent decades, AI can open up excellent opportunities for task automation, the application of medicine of precision or advancement in research through the detection of complex patterns in medical databases.