Modelos de Aprendizaje de Máquina para la determinación óptima de la Supervivencia y la Asignación Donante/REceptor en trasplante hepático. MASS-ALLOCATION

Accesos: 8801
Estado:
No iniciado
Líderes del proyecto:
Colaboradores:
Inicio propuesto:
2020-01-01
Límite propuesto:
2022-01-01

Descripción:

Organismo: Proyectos I+D+i en el marco del Programa Operativo FEDER Andalucía 2014-2020

Periodo: 2020-2022

 

Resumen español:

 

 

Este proyecto plantea la aplicación de diversas técnicas de inteligencia artificial para el diseño de un sistema útil, eficiente y equitativo de asignación donante receptor (D/R) en trasplante hepático. La inteligencia artificial está adquiriendo un papel relevante en el uso y explotación de grandes bases de datos, a través de la aplicación de técnicas de aprendizaje automático, que son capaces de mejorar el conocimiento de problemas complejos y de obtener modelos predictivos para el apoyo en la toma de decisiones. Dado que, habitualmente, las medidas de prioridad en la lista de espera para un trasplante hepático sólo tienen en cuenta las características del receptor o del donante por separado, pretendemos aplicar técnicas de aprendizaje automático que utilicen características del donante, del receptor y del procedimiento del trasplante para predecir mejor la supervivencia del órgano trasplantado, con el objetivo final de obtener un sistema de apoyo a la decisión más preciso y justo. Para ello, contamos con una base de datos de más de 200.000 trasplantes realizados en los Estados Unidos, en los que se recoge una gran cantidad de variables, incorporando así mucha información sobre el problema. El proyecto, en el que participan expertos en aprendizaje automático de la Universidad de Córdoba (UCO), expertos en trasplante hepático del Hospital Universitario Reina Sofía (HURS) y expertos en estadística e investigación operativa de la Universidad Loyola de Andalucía, plantea una serie de fases: cribado de la base de datos, modelado mediante técnicas novedosas de aprendizaje automático, y diseño de un sistema de asignación D/R. Además de ser esta un área de aplicación poco explorada en inteligencia artificial, el proyecto desarrollará técnicas metodológicas punteras. De esta forma, el problema se abordará mediante clasificación ordinal, ya que las categorías de supervivencia del órgano (a seis meses, un año, dos años y 5 años), muestran un orden natural. El grupo solicitante tiene una gran experiencia en clasificación ordinal, permitiendo explorar nuevas metodologías mediante, por ejemplo, el uso de técnicas de aprendizaje profundo o deep learning, esperando resultados competitivos. También planteamos desarrollar nuevos modelos de clasificación semi-supervisada, ya que el problema real así lo demanda (muchos de los trasplantes no reciben una estimación de supervivencia debido a las restricciones temporales de la censura). El último elemento por incorporar es la utilización de algoritmos de aprendizaje automático para análisis de supervivencia, que nos permitirían conseguir una información de grano fino, capaz de mejorar aún más el sistema de asignación (por ejemplo, en el caso de empates). Como la robustez de las técnicas de inteligencia artificial es directamente proporcional a la cantidad y calidad de los datos utilizados, el tamaño de la base de datos, con más de 200.000 registros y cientos de variables, nos hace ser optimistas en cuanto a los resultados. Pese a que la base de datos utilizada es una muestra obtenida en Estados Unidos, las conclusiones obtenidas serán adaptadas al entorno andaluz, permitiendo la adopción, en un futuro, de un sistema de apoyo a la toma de decisión en las unidades andaluzas de trasplante hepático. Por último, debemos reseñar que el grupo de trabajo multidisciplinar que plantea este proyecto tiene una experiencia conjunta de más de 8 años de duración, que incluye varios proyectos de investigación, publicaciones y contratos

 

Resumen inglés:

This project proposes the application of various artificial intelligence techniques for the design of a useful, efficient and equitable donor-recipient (D/R) allocation system in liver transplantation. Artificial intelligence is acquiring a relevant role in the use and exploitation of large databases, through the application of automatic learning techniques, which are capable of improving knowledge of complex problems and obtaining predictive models to support decision-making. Given that, usually, priority measures in the waiting list for a liver transplant only take into account the characteristics of the recipient or the donor separately, we aim to apply machine learning techniques that use characteristics of the donor, the recipient and the transplant procedure to better predict the survival of the transplanted organ, with the ultimate goal of obtaining a more accurate and fairer decision support system. To this end, we rely on a database of more than 200,000 transplants performed in the United States, in which a large number of variables are collected, thus incorporating a great deal of information about the problem. The project, which involves machine learning experts from the University of Cordoba (UCO), liver transplant experts from the Reina Sofia University Hospital (HURS) and experts in statistics and operations research from the Loyola University of Andalusia, involves a series of phases: screening of the database, modelling using novel machine learning techniques, and design of a D/R assignment system. In addition to being an area of application that has been little explored in artificial intelligence, the project will develop cutting-edge methodological techniques. In this way, the problem will be tackled by ordinal classification, since the organ survival categories (six months, one year, two years and five years) show a natural order. The applicant group has extensive experience in ordinal classification, allowing us to explore new methodologies by, for example, the use of deep learning techniques, expecting competitive results. We also propose to develop new semi-supervised classification models, as the real problem demands it (many of the transplants do not receive a survival estimate due to the temporal restrictions of censoring). The last element to be incorporated is the use of machine learning algorithms for survival analysis, which would allow us to obtain fine-grained information, capable of further improving the allocation system (e.g. in the case of ties). As the robustness of artificial intelligence techniques is directly proportional to the quantity and quality of the data used, the size of the database, with more than 200,000 records and hundreds of variables, makes us optimistic about the results. Despite the fact that the database used is a sample obtained in the United States, the conclusions obtained will be adapted to the Andalusian setting, allowing the adoption, in the future, of a decision support system in Andalusian liver transplant units. Finally, it should be noted that the multidisciplinary working group involved in this project has more than 8 years of joint experience, including several research projects, publications and contracts.