Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores

El objetivo de este trabajo es conocer si la aplicación de técnicas de machine learning es útil para mejorar la clasificación de pacientes con ictus a partir de los valores de una serie de biomarcadores. Para ello, se han utilizado los pacientes con sospecha de ictus de un estudio publicado en el cu...

Descripción completa

Detalles Bibliográficos
Autor: Quintana Luque, Manuel
Tipo de recurso: tesis de maestría
Fecha de publicación:2019
País:España
Institución:Universitat Oberta de Catalunya (UOC)
Repositorio:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/91391
Acceso en línea:http://hdl.handle.net/10609/91391
Access Level:acceso abierto
Palabra clave:machine learning
ictus
biomarkers
biomarcadores
aprendizaje automático
aprenentatge automàtic
biomarcadors
Bioinformatics -- TFM
Bioinformática -- TFM
Bioinformàtica -- TFM
id ES_bb10d23d0d1523cbb24c0bc7bd92b4dd
oai_identifier_str oai:openaccess.uoc.edu:10609/91391
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
title Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
spellingShingle Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
Quintana Luque, Manuel
machine learning
ictus
biomarkers
biomarcadores
ictus
aprendizaje automático
aprenentatge automàtic
ictus
biomarcadors
Bioinformatics -- TFM
Bioinformática -- TFM
Bioinformàtica -- TFM
title_short Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
title_full Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
title_fullStr Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
title_full_unstemmed Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
title_sort Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadores
dc.creator.none.fl_str_mv Quintana Luque, Manuel
author Quintana Luque, Manuel
author_facet Quintana Luque, Manuel
author_role author
dc.contributor.none.fl_str_mv Sánchez-Pla, Alex
Pérez Hoyos, Santiago
dc.subject.none.fl_str_mv machine learning
ictus
biomarkers
biomarcadores
ictus
aprendizaje automático
aprenentatge automàtic
ictus
biomarcadors
Bioinformatics -- TFM
Bioinformática -- TFM
Bioinformàtica -- TFM
topic machine learning
ictus
biomarkers
biomarcadores
ictus
aprendizaje automático
aprenentatge automàtic
ictus
biomarcadors
Bioinformatics -- TFM
Bioinformática -- TFM
Bioinformàtica -- TFM
description El objetivo de este trabajo es conocer si la aplicación de técnicas de machine learning es útil para mejorar la clasificación de pacientes con ictus a partir de los valores de una serie de biomarcadores. Para ello, se han utilizado los pacientes con sospecha de ictus de un estudio publicado en el cual se utilizaron modelos de regresión logística sin éxito. Se han aplicado técnicas de machine learning a los datos de entrenamiento (n=541) y se ha evaluado el rendimiento de los algoritmos obtenidos en una muestra de validación (n=766), obteniendo la capacidad diagnóstica de los modelos mediante matrices de confusión. El mejor algoritmo para clasificar ictus/mimic se ha obtenido mediante un Random Forest entrenado con 10-fold crossvalidation, consiguiendo una precisión del 86.7% en la muestra de validación. El mejor algoritmo para clasificar ictus isquémico/hemorrágico se ha obtenido mediante una red neuronal artificial entrenada con 3-fold crossvalidation, con una precisión del 86.8% en la muestra de validación. No se han mejorado los resultados de los modelos de regresión logística en la clasificación de ictus isquémico / hemorrágico, pero sí en la de ictus/mimic. No obstante, no se han alcanzado las precisiones del 90% esperadas al inicio del estudio. En conclusión, las capacidades diagnósticas de los algoritmos obtenidos mediante técnicas de Machine Learning no son muy superiores a los obtenidos mediante regresión logística. Así, hasta que no se hallen otros marcadores más potentes, no es posible clasificar más precozmente a estos pacientes, siendo necesaria la obtención de pruebas complementarias para ello.
publishDate 2019
dc.date.none.fl_str_mv 2019
2019
2019
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/91391
url http://hdl.handle.net/10609/91391
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869417992746434560
spelling Mejora en la clasificación de pacientes mediante técnicas de machine learning: aplicación a un problema neurológico a partir de la obtención de 14 biomarcadoresQuintana Luque, Manuelmachine learningictusbiomarkersbiomarcadoresictusaprendizaje automáticoaprenentatge automàticictusbiomarcadorsBioinformatics -- TFMBioinformática -- TFMBioinformàtica -- TFMEl objetivo de este trabajo es conocer si la aplicación de técnicas de machine learning es útil para mejorar la clasificación de pacientes con ictus a partir de los valores de una serie de biomarcadores. Para ello, se han utilizado los pacientes con sospecha de ictus de un estudio publicado en el cual se utilizaron modelos de regresión logística sin éxito. Se han aplicado técnicas de machine learning a los datos de entrenamiento (n=541) y se ha evaluado el rendimiento de los algoritmos obtenidos en una muestra de validación (n=766), obteniendo la capacidad diagnóstica de los modelos mediante matrices de confusión. El mejor algoritmo para clasificar ictus/mimic se ha obtenido mediante un Random Forest entrenado con 10-fold crossvalidation, consiguiendo una precisión del 86.7% en la muestra de validación. El mejor algoritmo para clasificar ictus isquémico/hemorrágico se ha obtenido mediante una red neuronal artificial entrenada con 3-fold crossvalidation, con una precisión del 86.8% en la muestra de validación. No se han mejorado los resultados de los modelos de regresión logística en la clasificación de ictus isquémico / hemorrágico, pero sí en la de ictus/mimic. No obstante, no se han alcanzado las precisiones del 90% esperadas al inicio del estudio. En conclusión, las capacidades diagnósticas de los algoritmos obtenidos mediante técnicas de Machine Learning no son muy superiores a los obtenidos mediante regresión logística. Así, hasta que no se hallen otros marcadores más potentes, no es posible clasificar más precozmente a estos pacientes, siendo necesaria la obtención de pruebas complementarias para ello.L'objectiu d'aquest treball és conèixer si l'aplicació de tècniques de machine learning és útil per millorar la classificació de pacients amb ictus a partir dels valors d'una sèrie de biomarcadors. Per a això, s'han utilitzat els pacients amb sospita d'ictus d'un estudi publicat en el qual es van utilitzar models de regressió logística sense èxit. S'han aplicat tècniques de machine learning a les dades d'entrenament (n = 541) i s'ha avaluat el rendiment dels algoritmes obtinguts en una mostra de validació (n = 766), obtenint la capacitat diagnòstica dels models mitjançant matrius de confusió. El millor algoritme per classificar ictus / mimic s'ha obtingut mitjançant un Random Forest entrenat amb 10-fold crossvalidation, aconseguint una precisió del 86.7% en la mostra de validació. El millor algoritme per classificar ictus isquèmic / hemorràgic s'ha obtingut mitjançant una xarxa neuronal artificial entrenada amb 3-fold crossvalidation, amb una precisió del 86.8% en la mostra de validació. No s'han millorat els resultats dels models de regressió logística en la classificació d'ictus isquèmic / hemorràgic, però sí en la d'ictus / mimic. Això no obstant, no s'han assolit les precisions del 90% esperades a l'inici de l'estudi. En conclusió, les capacitats diagnòstiques dels algoritmes obtinguts mitjançant tècniques de Machine Learning no són molt superiors als obtinguts mitjançant regressió logística. Així, fins que no es trobin altres marcadors més potents, no és possible classificar més precoçment a aquests pacients, sent necessària l'obtenció de proves complementàries per a això.The aim of this work is to know if the use of machine learning techniques with biomarkers is useful to improve the classification of stroke patients. For this purpose, patients with suspected stroke have been obtained from a published study in which logistic regression models were used without success. Machine Learning techniques have been applied to the training data (n = 541) and the performance of the algorithms has been evaluated in a validation sample (n = 766), obtaining the diagnostic ability of the models through the use of confusion matrices. The best algorithm to classify stroke/mimic was obtained by a Random Forest trained with 10-fold crossvalidation, obtaining an accuracy of 86.7% in the validation sample. The best algorithm to classify ischemic/hemorrhagic stroke was obtained by an artificial neural network trained with 3-fold crossvalidation, with an accuracy of 86.8% obtained in the validation sample. The results of the logistic regression models have not been improved by machine learning techniques in the classification of ischemic/hemorrhagic stroke, but an improvement was achieved in the stroke/mimic classification. However, the 90% of accuracy expected at the beginning of the study has not been reached. In conclusion, the diagnostic abilities of the algorithms obtained by Machine Learning techniques are not much higher than those obtained by logistic regression. Thus, until the obtention of new potent biomarkers, it is not possible to classify these patients earlier, being still necessary the obtention of complementary medical tests.Universitat Oberta de Catalunya (UOC)Sánchez-Pla, AlexPérez Hoyos, Santiago201920192019info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10609/91391reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)EspañolCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/913912026-05-28T12:42:01Z
score 15,300719

Similares en LA Referencia