Asignación de órganos en trasplante hepático mediante regresión ordinal

Áreas de investigación:

• Methodology - Machine learning

Año:

2013

Tipo de publicación:

Artículo en conferencia

Autores:

• Hervás-Martínez, César
• Pérez-Ortiz, María
• Cruz-Ramírez, Manuel
• Gutiérrez, Pedro Antonio

Título del libro:

Actas del VII Simposio de Teoría y Aplicaciones de Minería de Datos (TAMIDA2013), XV Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2013)

Páginas:

1343-1352

Organización:

Madrid (Spain)

Mes:

17th-20th September

ISBN:

978-84-695-8348-7

BibTex:

@conference{AOTHconRO2013, author = "C{\'e}sar Herv{\'a}s-Mart{\'i}nez and Mar{\'i}a P{\'e}rez-Ortiz and Manuel Cruz-Ram{\'i}rez and Pedro Antonio Guti{\'e}rrez", abstract = "En este trabajo se presenta una metodolog{\'i}a novedosa de asignaci{\'o}n donante-receptor en el contexto de trasplante hep{\'a}tico, utilizando para ello t{\'e}cnicas de reconocimiento de patrones. M{\'a}s concretamente, se construye un modelo para predecir la supervivencia del injerto a distintos niveles temporales a partir de la informaci{\'o}n contenida en una base de datos de pares de donantes-receptores pertenecientes a siete hospitales espa{\~n}oles y uno ingl{\'e}s. La metodolog{\'i}a final de asignaci{\'o}n a{\'u}na el mejor modelo predictivo obtenido junto con una de la metodolog{\'i}as m{\'a}s habituales en trasplante hep{\'a}tico (conocida como \emph{Model for End-stage Liver Disease score} o MELD). El modelo de clasificaci{\'o}n desarrollado hace uso de un paradigma de aprendizaje conocido como regresi{\'o}n ordinal (ya que las clases del problema presentan un orden natural entre ellas) desarrollando para ello un m{\'e}todo de descomposici{\'o}n binaria en cascada. Los resultados obtenidos muestran que dicha metodolog{\'i}a obtiene resultados muy prometedores para resolver este dif{\'i}cil problema de asignaci{\'o}n donante-receptor y que la uni{\'o}n de dicho modelo con el m{\'e}todo MELD conduce a un compromiso entre el principio de supervivencia (proporcionado por el modelo predictivo) y la gravedad del paciente (proporcionada por el MELD).", booktitle = "Actas del VII Simposio de Teor{\'i}a y Aplicaciones de Miner{\'i}a de Datos (TAMIDA2013), XV Conferencia de la Asociaci{\'o}n Espa{\~n}ola para la Inteligencia Artificial (CAEPIA 2013)", isbn = "978-84-695-8348-7", month = "17th-20th September", organization = "Madrid (Spain)", pages = "1343-1352", title = "{A}signaci{\'o}n de {\'o}rganos en trasplante hep{\'a}tico mediante regresi{\'o}n ordinal", year = "2013", }

Abstract:

En este trabajo se presenta una metodología novedosa de asignación donante-receptor en el contexto de trasplante hepático, utilizando para ello técnicas de reconocimiento de patrones. Más concretamente, se construye un modelo para predecir la supervivencia del injerto a distintos niveles temporales a partir de la información contenida en una base de datos de pares de donantes-receptores pertenecientes a siete hospitales españoles y uno inglés. La metodología final de asignación aúna el mejor modelo predictivo obtenido junto con una de la metodologías más habituales en trasplante hepático (conocida como \emph{Model for End-stage Liver Disease score} o MELD). El modelo de clasificación desarrollado hace uso de un paradigma de aprendizaje conocido como regresión ordinal (ya que las clases del problema presentan un orden natural entre ellas) desarrollando para ello un método de descomposición binaria en cascada. Los resultados obtenidos muestran que dicha metodología obtiene resultados muy prometedores para resolver este difícil problema de asignación donante-receptor y que la unión de dicho modelo con el método MELD conduce a un compromiso entre el principio de supervivencia (proporcionado por el modelo predictivo) y la gravedad del paciente (proporcionada por el MELD).