Algoritmos de aprendizaje automático para predecir la curación de malformaciones arteriovenosas cerebrales tratadas con radiocirugía

• Autor: Salas Ojeda, María Isabel
• Formato: tesis de maestría
• Fecha de Publicación: 2021
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/4283
• Enlace del recurso: https://hdl.handle.net/20.500.14138/4283
• Nivel de acceso: acceso abierto
• Materia: aprendizaje automático; malformaciones arteriovenosas cerebrales; algoritmos; predecir; radiocirugía; supervisado; https://purl.org/pe-repo/ocde/ford#1.07.00

El objetivo de esta tesis es identificar los factores que influyen en la curación de las malformaciones arteriovenosas (MAV) cerebrales en pacientes que fueron tratados mediante radiocirugía estereotáctica y comparar diversos algoritmos de aprendizaje automático para predecir la curación de esta enfermedad. Las MAVs cerebrales son enfermedades de baja prevalencia, pero de gran impacto por la elevada morbimortalidad que producen como consecuencia de su ruptura por lo que evaluamos 202 pacientes con este diagnóstico intervenidos mediante radiocirugía estereotáctica en el Instituto de Radiocirugía de la Clínica San Pablo entre los años 2005 al 2018, se anotó 45 variables entre socio demográficas y clínicas de los pacientes, así como las características morfológicas y hemodinámicas a través de imágenes de las MAVs cerebrales. Los pacientes que se curaron de las MAVs fueron 167 (83%), durante el periodo de seguimiento de hasta 3 años. El modo de presentación clínica más frecuente fue cefalea (88.12 %) seguido de hemorragia cerebral (76.73%), y convulsiones (55 %). A fin de determinar el mejor modelo predictivo se seleccionaron 23 variables predictores y luego se evaluaron los algoritmos aprendizaje automático de regresión logística, Naive Bayes, Máquina de Soporte Vectorial, Random Forest y Redes Neuronales. Se utilizo, 80% de los datos para el entrenamiento de los algoritmos de aprendizaje automático y 20% para el test de la performance predictiva de los modelos. El algoritmo que obtuvo las mejores métricas fue el algoritmo de máquina de soporte vectorial donde el accuracy, la sensibilidad y especificidad fue de 98.51%, 100% y 96.97%, respectivamente. Asimismo, el algoritmo random forest también mostro buenos resultados cuyas métricas de accuracy, sensibilidad y especificidad fue de 96.57%, 99.12% y 93.94%, respectivamente. La predicción de la curación de la MAV cerebral a través de los algoritmos de aprendizaje automático puede ayudar a los especialistas a tomar las mejores decisiones respecto al tratamiento de pacientes con este diagnóstico. Por consiguiente, estos algoritmos podrían ser implementados en las guías de tratamiento de MAVs cerebrales para predecir su curación mediante la automatización de los procesos a partir de los datos clínicos y de la técnica de aplicación de la radiocirugia para lograr un flujo de atención eficaz y personalizado en la curación de esta enfermedad.