ModGraProDep: inteligencia artificial y modelización probabilística aplicada a la oncología clínica

Imagen*
UB | jueves, 11 de junio de 2020

Mejorar la predicción de indicadores de supervivencia en enfermos de cáncer de mama mediante herramientas de inteligencia artificial y modelización probabilística es el propósito principal ModGraProDep, un sistema innovador presentado en un estudio que ha dirigido Ramon Clèries, profesor del Departamento de Ciencias Clínicas de la Facultad de Medicina y Ciencias de la Salud y miembro del Plan director de oncología (ICO-IDIBELL) y en el que han participado investigadores del CIBERESP. El trabajo ha sido publicado en la revista Artificial Intelligence in Medicine.

La nueva tecnología ha sido desarrollada por un amplio equipo de expertos en epidemiología, oncología y gestión de datos del Plan director de oncología-IDIBELL, el CIBERESP, la Universidad de Barcelona, la Universidad Politécnica de Cataluña, el Instituto Catalán de Oncología (ICO), el Instituto de Investigación Biomédica de Girona (IDIBGI), la Universidad de Girona, la Universidad de Alicante, el Hospital Universitario Sant Joan de Reus, el Servicio de Oncología Médica del ICO Girona, los Registros de Cáncer de Girona y Tarragona y la entidad MC Mutual.

Modelización matemática: nuevas fronteras en la lucha contra el cáncer

Una de las aplicaciones de la modelización numérica de indicadores clínicos en oncología es el desarrollo de modelos predictivos que ayuden a los oncólogos y clínicos a clasificar y valorar futuros escenarios de evolución para los pacientes de cáncer. En ese contexto, la predicción de la supervivencia de los enfermos —con variables concretas y edades específicas— es decisiva para valorar tratamientos e identificar subgrupos entre los pacientes. Sin embargo, a menudo esta información se debe estimar mediante la modelización numérica, dado que no existe una población muestral suficiente para calcular estos indicadores de forma específica.

La aplicación de la nueva metodología ModGraProDep (Modeling Graphical Probabilistc Dependencies) ha impulsado dos investigaciones coordinadas por la profesora Mireia Vilardell, de la Sección de Estadística del Departamento de Genética, Microbiología y Estadística de la Facultad de Biología de la UB, y la investigadora María Buxó, del IDIBGI.

En el primer caso, ModGraProDep permite identificar la estructura de una base de datos y generar una «población sintética» (simulada) de pacientes con las características demográficas de la cohorte original. Con esta aproximación, se pueden identificar posibles nuevos patrones de pacientes y calcular indicadores (por ejemplo, la supervivencia de un paciente en función de los valores de sus variables).

En el segundo estudio, ModGraProDep se revela como una tecnología capaz de asignar valores de forma probabilística en variables de las que no se había podido recoger información.

El equipo científico también ha diseñado una aplicación web de gran interés clínico que permite obtener una predicción de indicadores de supervivencia y riesgo de mortalidad por cáncer —y por otras causas— de cada paciente hasta un plazo máximo de veinte años.

*Imagen

La predicción de la supervivencia de los enfermos —con variables concretas y edades específicas— es decisiva para valorar tratamientos e identificar subgrupos entre los pacientes.

Artículo de referencia:

Vilardell, M.; Buxó, M.; Clèries, R.; Martínez, J. M.; Garcia, G.; Ameijide, A.; Font, R.; Civit, S. «Missing data imputation and synthetic data simulation through modeling graphical probabilistic dependencies between variables (ModGraProDep): An application to breast cancer survival»Artificial Intelligence in Medicine, mayo de 2020. Doi: 10.1016/j.artmed.2020.101875

Ciberesp