El cáncer de endometrio es una causa importante de muerte entre mujeres a nivel mundial y afecta a las mujeres en postmenopausia, siendo la malignidad más común del tracto genital femenino en los países desarrollados. En alrededor del 8-10% de pacientes con carcinoma de endometrio en estadio I, se observa invasión del espacio linfovascular (LVSI, Lymphovascular Space Invasion). Cuando se habla de LVSI, se refiere a la penetración de las células cancerosas en los capilares sanguíneos y los vasos linfáticos que rodean al tumor. La afectación de este espacio sugiere que las células cancerosas podrían haberse diseminado a través de estos vasos, lo que aumenta la posibilidad de que se establezcan en otras partes del cuerpo, dando lugar a metástasis. Por todo ello, LVSI se considera un marcador crítico en cánceres de endometrio, ya que su presencia indica un mayor riesgo de diseminación a los ganglios linfáticos y se ha demostrado que afecta negativamente la supervivencia de las pacientes, incluso en etapas tempranas de la enfermedad. Esto subraya la importancia de identificar y tratar adecuadamente LVSI en el manejo clínico de estas pacientes. Sin embargo, la presencia del LVSI no se confirma hasta que se emite el informe histológico final, resaltándose la necesidad de identificar predictores preoperatorios para planificar la evaluación ganglionar. Actualmente, existen varios estudios que destacan la importancia de LVSI como factor pronóstico independiente en pacientes con cáncer de células endometrio. Debido a que la presencia de LVSI es desfavorable para el pronóstico en términos de supervivencia libre de enfermedad (SLE) y supervivencia global (SG), incluso en etapas tempranas de la enfermedad. El objetivo principal de este Trabajo de Fin de Grado es desarrollar modelos de Machine Learning capaces de predecir la presencia o ausencia de LVSI mediante características clínicas de la paciente. Para llevar estos algoritmos a la práctica clínica y ofrecer una solución al problema existente con la LVSI, se implementa una aplicación que sirva como sistema de ayuda a la decisión clínica. De esta manera, se pretende detectar de forma más rápida la LVSI, lo que a su vez permitirá personalizar el tratamiento de las pacientes de manera más efectiva y precisa. La herramienta se utiliza, por un lado, para realizar una evaluación preoperatoria de la posible presencia de LVSI. Por otro lado, para realizar una evaluación postoperatoria del útero extraído en la operación y, gracias a la herramienta confirman el diagnóstico final sobre la presencia o ausencia de LVSI. Por un lado, se realiza un análisis univariante para identificar posibles factores de riesgo asociados con la LVSI y, por tanto, que puedan resultar útiles para la predicción de LVSI. Por otro lado, se diseñan los modelos y se analizan sus métricas para identificar su rendimiento. Aunque los resultados de predicción obtenidos no mejoran la precisión alcanzada por las técnicas de identificación actuales de la práctica clínica, el mejor modelo presenta una sensibilidad de 0,70, un valor de F1_score 0,69, una especificidad de 0,69 y un AUC de 0,73, unos valores que indican que, con un conjunto de datos menos desbalanceado, pueda servir como herramienta de ayuda a los clínicos. Tras estudiarse la bondad de los modelos se espera que los resultados de predicción de LVSI sirvan como evaluación preoperatoria y también sirvan para la confirmación postoperatoria del diagnóstico definitivo.
El cáncer de endometrio es una causa importante de muerte entre mujeres a nivel mundial y afecta a las mujeres en postmenopausia, siendo la malignidad más común del tracto genital femenino en los países desarrollados. En alrededor del 8-10% de pacientes con carcinoma de endometrio en estadio I, se observa invasión del espacio linfovascular (LVSI, Lymphovascular Space Invasion). Cuando se habla de LVSI, se refiere a la penetración de las células cancerosas en los capilares sanguíneos y los vasos linfáticos que rodean al tumor. La afectación de este espacio sugiere que las células cancerosas podrían haberse diseminado a través de estos vasos, lo que aumenta la posibilidad de que se establezcan en otras partes del cuerpo, dando lugar a metástasis. Por todo ello, LVSI se considera un marcador crítico en cánceres de endometrio, ya que su presencia indica un mayor riesgo de diseminación a los ganglios linfáticos y se ha demostrado que afecta negativamente la supervivencia de las pacientes, incluso en etapas tempranas de la enfermedad. Esto subraya la importancia de identificar y tratar adecuadamente LVSI en el manejo clínico de estas pacientes. Sin embargo, la presencia del LVSI no se confirma hasta que se emite el informe histológico final, resaltándose la necesidad de identificar predictores preoperatorios para planificar la evaluación ganglionar. Actualmente, existen varios estudios que destacan la importancia de LVSI como factor pronóstico independiente en pacientes con cáncer de células endometrio. Debido a que la presencia de LVSI es desfavorable para el pronóstico en términos de supervivencia libre de enfermedad (SLE) y supervivencia global (SG), incluso en etapas tempranas de la enfermedad. El objetivo principal de este Trabajo de Fin de Grado es desarrollar modelos de Machine Learning capaces de predecir la presencia o ausencia de LVSI mediante características clínicas de la paciente. Para llevar estos algoritmos a la práctica clínica y ofrecer una solución al problema existente con la LVSI, se implementa una aplicación que sirva como sistema de ayuda a la decisión clínica. De esta manera, se pretende detectar de forma más rápida la LVSI, lo que a su vez permitirá personalizar el tratamiento de las pacientes de manera más efectiva y precisa. La herramienta se utiliza, por un lado, para realizar una evaluación preoperatoria de la posible presencia de LVSI. Por otro lado, para realizar una evaluación postoperatoria del útero extraído en la operación y, gracias a la herramienta confirman el diagnóstico final sobre la presencia o ausencia de LVSI. Por un lado, se realiza un análisis univariante para identificar posibles factores de riesgo asociados con la LVSI y, por tanto, que puedan resultar útiles para la predicción de LVSI. Por otro lado, se diseñan los modelos y se analizan sus métricas para identificar su rendimiento. Aunque los resultados de predicción obtenidos no mejoran la precisión alcanzada por las técnicas de identificación actuales de la práctica clínica, el mejor modelo presenta una sensibilidad de 0,70, un valor de F1_score 0,69, una especificidad de 0,69 y un AUC de 0,73, unos valores que indican que, con un conjunto de datos menos desbalanceado, pueda servir como herramienta de ayuda a los clínicos. Tras estudiarse la bondad de los modelos se espera que los resultados de predicción de LVSI sirvan como evaluación preoperatoria y también sirvan para la confirmación postoperatoria del diagnóstico definitivo. Read More
Related posts:
Asma grave e intervenciones de ejercicio recomendadas: revisión sistemática
Diseño de un servicio de asesoramiento dirigido a la digitalización en el Metaverso: Metasport
Evaluación y análisis visual de la postura corporal en pacientes con prótesis o dispositivos ortopédicos en los miembros inferiores
La voz de las mujeres: análisis de la terminología sobre la menopausia desde distintos puntos de vista = Women’s voices: analysing terminology relating to menopause from different perspectives
Predicción avanzada de Sepsis en pacientes hospitalizados: exploración de métodos y modelos en series temporales
Evaluación y utilización del compost generado en la planta de compostaje de la Escuela Técnica Superior de Ingeniería Agronómica, Alimentaria y Biosistemas (ETSIAAB)