Árboles de decisión para la evaluación del riesgo biológico de procesos biofarmacéuticos.

• Autores: Pavel Novoa Hernandez, Dailín Cobos Valdes, Eduardo Samaniego Mena, Milvio Novoa Pérez
• Localización: Revista Ciencia UNEMI, ISSN-e 2528-7737, ISSN 1390-4272, Vol. 11, Nº. 28, 2018 (Ejemplar dedicado a: Septiembre-Diciembre), págs. 8-17
• Idioma: español
• DOI: 10.29076/issn.2528-7737vol11iss28.2018pp8-17p
• Títulos paralelos:
  • Decision trees for the biological risk assessment in biopharmaceutical processes.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En el presente trabajo se propone un nuevo modelo para la evaluación del riesgo biológico en procesos biofarmacéuticos. La propuesta extiende un modelo existente, aportando como principal novedad el tratamiento de las determinaciones de los niveles de consecuencia y probabilidad de riesgo, como problemas de clasificación supervisada. Específicamente, se obtuvieron modelos de clasificación basados en árboles de decisión que poseen como ventajas más importantes: 1) un número menor de indicadores para la determinación de consecuencias y probabilidades, 2) un orden de medición de los indicadores, basado en la importancia de los mismos. Con el objetivo de analizar las bondades del nuevo modelo, se consideraron tres casos de estudio relacionados con procesos farmacéuticos reales. En comparación con el modelo anterior, el nuevo ofrece resultados similares, pero facilitando notablemente el proceso de evaluación del riesgo biológico.

  • English

    A new model for assessing biological risk in biopharmaceutical process is proposed in the present work. This proposal extends an existing model including the handling of the consequence and probability levels computations as main novelty, and also as supervised classification problems. Specifically, two classification models based on decision trees were obtained, which gives as major advantages: 1) a lower number of indicators for the determination of consequence and probabilities, and 2) an order of measurement of the related indicators. In order to analyze the benefits of the new model, three real pharmaceutical processes were considered as cases studies. In comparison with the previous model, the new one offers similar results, but significantly facilitating the biological risk assessment process.

• Referencias bibliográficas
  • Abraham, A. (2005). Adaptation of Fuzzy Inference System Using Neural Learning BT - Fuzzy Systems Engineering: Theory and Practice. In N....
  • Alanazi, H. O., Abdullah, A. H., & Qureshi, K. N. (2017). A Critical Review for Developing Accurate and Dynamic Predictive Models Using...
  • Benavent, N., LLorca, J. L., Laborda, R., & Soto, P. (2004). Manual práctico para la evaluación del riesgo biológico en actividades laborales...
  • Campbell, C., & Ying, Y. (2011). Learning with Support Vector Machines. Synthesis Lectures on Artificial Intelligence and Machine Learning,...
  • Cedeño, M. (2010). Evaluación del riesgo biológico en el diagnóstico bacteriológico de la tuberculosis humana mediante la aplicación del método...
  • Chazard, E., Preda, C., Merlin, B., Ficheur, G., & Beuscart, R. (2009). Data-Mining-based Detection of Adverse Drug Events. In A. H-P.,...
  • Cobos, D., Vázquez, J., Cedeño, M., & Rodríguez, A. (2009). Methodology to evaluate biological risks. Revista Electrónica Ciencias Holguín,...
  • Guazzelli, A., Lin, W.-C., & Jena, T. (2012). PMML in Action: Unleashing the Power of Open Standards for Data Mining and Predictive Analytics...
  • Hathout, R. M., & Metwally, A. A. (2016). Towards better modelling of drug-loading in solid lipid nanoparticles: Molecular dynamics, docking...
  • Hofmann, M., & Klinkenberg, R. (2013). RapidMiner: Data Mining Use Cases and Business Analytics Applications. Chapman and Hall/CRC.
  • Ian H. Witten, Eibe Frank, Mark A. Hall, & Christopher J. Pal. (2017). Data mining: Practical machine learning tools and techniques (fourth...
  • Jarne, A. R., & Ferrarotti, N. F. (2003). Bioriesgo intrínseco mínimo: un método para la evaluación del riesgo causado por agentes biológicos....
  • Krämer, J., Schreyögg, J., & Busse, R. (2017). Classification of hospital admissions into emergency and elective care: a machine learning...
  • Lötsch, J., Sipilä, R., Tasmuth, T., Kringel, D., Estlander, A.-M., Meretoja, T., … Ultsch, A. (2018). Machine-learning-derived classifier...
  • Novoa-Hernández, P., Bayas, B. O., Oviedo, J. M., Puris, A., Menace, M., & Corona, C. C. (2016). Impacto de la auto-adaptación en ambientes...
  • Novoa-Hernández, P., Corona, C. C., & Pelta, D. A. (2015). A software tool for assisting experimentation in dynamic environments. Applied...
  • Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.
  • Ranginkaman, A. E., Kazemi Kordestani, J., Rezvanian, A., & Meybodi, M. R. (2014). A note on the paper “A multi-population harmony search...
  • Revuelta-Zamorano, P., Sánchez, A., Rojo-Álvarez, J. L., Álvarez-Rodríguez, J., Ramos-López, J., & Soguero-Ruiz, C. (2016). Prediction...
  • Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.
  • Sikora, M., Krzystanek, Z., Bojko, B., & Śpiechowicz, K. (2011). Application of a hybrid method of machine learning for description and...
  • Vázquez, J. (2011). Aplicación del Método BIOGAVAL para la evaluación del Riesgo biológico en el laboratorio Clínico y Microbiológico del...
  • Zio, E. (2018). The future of risk assessment. Reliability Engineering & System Safety, 177, 176–190.