Speaker
Description
El cáncer de próstata es uno de los más comunes en los países desarrollados y en vías de desarrollo. La braquiterapia de próstata (BT) constituye una de las terapias más efectivas contra este tipo de tumores. Este tratamiento consiste en introducir una fuente radiactiva en distintas posiciones del tumor mediante el uso de catéteres. Uno de los principales problemas de este tipo de tratamiento (y de radioterapia en general) es la toxicidad en los órganos sanos adyacentes al tumor.
La aplicación de técnicas de machine learning (ML) a la cantidad de información clínica disponible sobre los pacientes y sobre el proceso de BT nos puede permitir mejorar nuestra capacidad de predicción de efectos secundarios
Estos sistemas de ML no son ajenos al mundo clínico y se están utilizando con éxito en la medicina para la evaluación de riesgos en pacientes o ayuda a diagnóstico entre otros usos mediante la información clínica disponible del mismo.
El presente trabajo modela y entrena una red neuronal artificial capaz de predecir, a partir de variables clínicas del paciente y variables dosimétricas del tratamiento impartido, la aparición de estas toxicidades en órganos sanos. Entrenando la red con 199 instancias de otros tantos pacientes se obtienen valores de sensibilidad de 0.79 ± 0.04 y de especificidad de 0.59 ± 0.09. A pesar de ser valores relativamente buenos, un aumento en la cantidad y calidad de los datos de entrenamiento podría mejorar los resultados de la red.
