validez predictiva de un modelo de machine learning para la detección intra-operatira de tumor cerebral
Resumen:
El Machine Learning (ML) está revolucionando la neurooncología, especialmente en la detección de tumores cerebrales. Juan Aibar, alumno del Máster en Machine Learning, ha desarrollado un modelo predictivo que utiliza datos del ácido 5-aminolevulínico (5-ALA) y ecografía cerebral intraoperatoria para identificar tumores.
La distinción visual entre tejido cerebral sano y tumoral es complicada. Aibar ha diseñado un algoritmo de ML que, basado en el estudio histológico del tejido, predice la probabilidad de infiltración tumoral en tiempo real durante la cirugía, mejorando la seguridad y efectividad de las intervenciones.
El algoritmo utiliza un modelo de regresión logística con dos variables categóricas generadas en el quirófano. Este modelo tiene una tasa de acierto del 79.7%, con una sensibilidad del 75.6% y una especificidad del 86.2%, lo que lo hace práctico y aplicable en el entorno clínico.
Aunque se probaron otros algoritmos con más variables y metodologías, el modelo de regresión logística fue el más efectivo. Con datos prospectivos, se espera mejorar aún más su precisión y guiar la resección de tumores cerebrales, optimizando la atención al paciente.
Este avance en ML no solo ayuda en la cirugía, sino que también tiene el potencial de mejorar el diagnóstico y pronóstico de los gliomas. La investigación continua y la ampliación de los conjuntos de datos son cruciales para hacer estos algoritmos más robustos y aplicables a gran escala.
Autor: Juan Aibar
Director TFM: Ignacio García
Fecha: 12/12/2022
Descarga el TFM
