Development of clinically based prediction models using machine learning and Bayesian statistics / Desarrollo de modelos de predicción basados clínicamente utilizando aprendizaje automático y estadísticas bayesianas
Nucleus (La Habana)
;
(65): 6-10, ene.-jun. 2019. graf
Artigo
em Inglês
|
LILACS-Express
| LILACS
| ID: biblio-1091381
ABSTRACT
Abstract In this work, the framework for developing generic clinically based models is emphasized and illustrated with Bayesian statistics neurologic grade prediction models in order to exemplify the type of models that can be developed from a mathematical point of view. The models are based on clinical records of patients who underwent radiotherapy treatment due to glioblastoma which is an aggressive brain cancer. A first model requires as a parameter the neurologic grade of the patient before the treatment then predicts the grade after the treatment. A second, enhanced, model was developed with the aim of making the prediction more realistic and it uses the neurologic grade before the treatment as well, but it additionally depends on the Clinical Target Volume (CTV). Furthermore, with the aid of Bayesian statistic we were able to estimate the uncertainty of the predictions.
RESUMEN
Resumen En este trabajo el marco teórico, para desarrollar modelos genéricos basados en datos clínicos, se enfatiza e ilustra con estadísticas bayesianas las cuales predicen grados neurológicos para ilustrar los tipos de modelos que se pueden desarrollar desde un punto de vista matemático. Los modelos se basan en datos clínicos de pacientes que se han sometido a radioterapia por causa de un glioblastoma, el cual es un cáncer de cerebro agresivo. Un primer modelo requiere como parámetro el grado neurológico del paciente antes del tratamiento y predice el grado después del tratamiento. Un segundo modelo, mejorado, fue desarrollado con el propósito de hacerlo más real, éste emplea también el grado neurológico antes del tratamiento; además depende del Volumen Blanco Clínico (CTV por sus siglas en inglés). Por último, con el uso de estadísticas bayesianas fue posible estimar la incertidumbre de las predicciones.
Texto completo:
DisponíveL
Índice:
LILACS (Américas)
Tipo de estudo:
Estudo prognóstico
/
Fatores de risco
Idioma:
Inglês
Revista:
Nucleus (La Habana)
Assunto da revista:
Medicina Nuclear
/
Radioterapia
Ano de publicação:
2019
Tipo de documento:
Artigo
País de afiliação:
França
Instituição/País de afiliação:
Université Caen Normandie/FR
Similares
MEDLINE
...
LILACS
LIS