Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning

Algunos fármacos que se utilizan para tratar diferentes enfermedades pueden provocan efectos secundarios en la cavidad oral. Entre dichos efectos adversos se encuentra la xerostomía y la hiposalivación. Existen estudios que han observado como ciertos fármacos se asocian a dichas condiciones. Pero no...

ver descrição completa

Detalhes bibliográficos
Autor: Huang, Yuang
Formato: tesis de maestría
Fecha de publicación:2022
País:España
Recursos:Universidad Complutense de Madrid (UCM)
Repositorio:Docta Complutense
Idioma:español
OAI Identifier:oai:docta.ucm.es:20.500.14352/73984
Acesso em linha:https://hdl.handle.net/20.500.14352/73984
Access Level:acceso abierto
Palavra-chave:004.85
615.01/.03
Xerostomía
Hiposalivación
machine learning
fármaco
predicción
Estadística
1209 Estadística
id ES_0e8230710af9c693bcd2f992fd5ff67e
oai_identifier_str oai:docta.ucm.es:20.500.14352/73984
network_acronym_str ES
network_name_str España
repository_id_str
spelling Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine LearningHuang, Yuang004.85615.01/.03XerostomíaHiposalivaciónmachine learningfármacopredicciónEstadística1209 EstadísticaAlgunos fármacos que se utilizan para tratar diferentes enfermedades pueden provocan efectos secundarios en la cavidad oral. Entre dichos efectos adversos se encuentra la xerostomía y la hiposalivación. Existen estudios que han observado como ciertos fármacos se asocian a dichas condiciones. Pero no está claro si la combinación de diferentes fármacos tendría un efecto sinérgico. La finalidad de este trabajo es estudiar los fármacos que influyen en estas dos patologías en un grupo de pacientes polimedicados. Este trabajo utiliza los enfoques de aprendizaje automático para construir dos modelos de regresión logística y de árbol de decisión, para identificar los fármacos que afectan a estos dos problemas diferentes por separado, así como los fármacos que actúan sobre ambas afecciones. También, se proponen dos modelos avanzados de predicción, SVM y XGBoost para cuantificar la posibilidad de que un individuo sufra xerostomía e hiposalivación en función del medicamento que está tomando. Finalmente, regresión logística y árbol de decisión concluyen al menos un factor significativo que causa a la xerostomía e hiposalivación, y al menos dos fármacos protectores, en cada nivel de fármacos. Además, se encuentra que en los niveles dos a cuatro, XGBoost hace mejores predicciones para estimar el riesgo de xerostomía e hiposalivación en virtud de su alta AUC, precisión y sensibilidad. En el nivel cinco, SVM es la mejor opción para ambas patologías. El uso del clustering jerárquico complementa algunos de los fármacos no detectados por regresión logística y árbol de decisión y sus efectos.Sarasa Cabezuelo, AntonioLópez-Pintor Muñoz, Rosa MaríaUniversidad Complutense de Madrid20222022-09-0120222022-09-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14352/73984reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/739842026-06-02T12:44:21Z
dc.title.none.fl_str_mv Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
title Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
spellingShingle Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
Huang, Yuang
004.85
615.01/.03
Xerostomía
Hiposalivación
machine learning
fármaco
predicción
Estadística
1209 Estadística
title_short Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
title_full Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
title_fullStr Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
title_full_unstemmed Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
title_sort Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
dc.creator.none.fl_str_mv Huang, Yuang
author Huang, Yuang
author_facet Huang, Yuang
author_role author
dc.contributor.none.fl_str_mv Sarasa Cabezuelo, Antonio
López-Pintor Muñoz, Rosa María
Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 004.85
615.01/.03
Xerostomía
Hiposalivación
machine learning
fármaco
predicción
Estadística
1209 Estadística
topic 004.85
615.01/.03
Xerostomía
Hiposalivación
machine learning
fármaco
predicción
Estadística
1209 Estadística
description Algunos fármacos que se utilizan para tratar diferentes enfermedades pueden provocan efectos secundarios en la cavidad oral. Entre dichos efectos adversos se encuentra la xerostomía y la hiposalivación. Existen estudios que han observado como ciertos fármacos se asocian a dichas condiciones. Pero no está claro si la combinación de diferentes fármacos tendría un efecto sinérgico. La finalidad de este trabajo es estudiar los fármacos que influyen en estas dos patologías en un grupo de pacientes polimedicados. Este trabajo utiliza los enfoques de aprendizaje automático para construir dos modelos de regresión logística y de árbol de decisión, para identificar los fármacos que afectan a estos dos problemas diferentes por separado, así como los fármacos que actúan sobre ambas afecciones. También, se proponen dos modelos avanzados de predicción, SVM y XGBoost para cuantificar la posibilidad de que un individuo sufra xerostomía e hiposalivación en función del medicamento que está tomando. Finalmente, regresión logística y árbol de decisión concluyen al menos un factor significativo que causa a la xerostomía e hiposalivación, y al menos dos fármacos protectores, en cada nivel de fármacos. Además, se encuentra que en los niveles dos a cuatro, XGBoost hace mejores predicciones para estimar el riesgo de xerostomía e hiposalivación en virtud de su alta AUC, precisión y sensibilidad. En el nivel cinco, SVM es la mejor opción para ambas patologías. El uso del clustering jerárquico complementa algunos de los fármacos no detectados por regresión logística y árbol de decisión y sus efectos.
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-09-01
2022
2022-09-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/73984
url https://hdl.handle.net/20.500.14352/73984
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869403401360506880
score 15,300719

Registos relacionados