Modelos gráficos probabilistas para el análisis de decisiones en medicina

• Autores: Manuel Luque
• Directores de la Tesis: Francisco Javier Díez Vegas (dir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2009
• Idioma: español
• Títulos paralelos:
  • Probabilistic graphical models for decision making in medicine
• Tribunal Calificador de la Tesis: Serafín Moral Callejón (presid.) , Manuel Gómez Olmedo (secret.) , Concha Bielza Lozoya (voc.) , David Ríos Insua (voc.) , Peter Lucas (voc.)
• Enlaces
  • Tesis en acceso abierto en: e-spacio
• Resumen

  • Los modelos gráficos probabilísticos, en particular las redes bayesianas y los diagramas de influencia, fueron desarrollados en los años 80 por investigadores del campo de Inteligencia Artificial, Matemáticas y Economía con el propósito de resolver problemas cuya complejidad excede la capacidad de los métodos existentes hasta entonces, El trabajo en modelos gráficos probabilísticos comenzó en la UNED en 1990 con la tesis doctoral de Javier Díez, que consistió en la construcción del sistema experto DIAVAL, una red bayesiana para el diagnóstico de enfermedades cardíacas por ecocardiografía.

    En 2003, el Dr. Carlos Disdier Vicente, un neumólogo en el Hospital San Pedro de Alcántara, en Cáceres (España), y Javier Díez, en la UNED, comenzaron la construcción de un diagrama de influencia para la estadificación mediastínica del cáncer de pulmón.

    Cuando el autor de esta tesis entró a formar parte del grupo de investigación, en la UNED, en 2003, se le asignó como tema de investigación completar la construcción del diagrama de influencia, que se encontraba en un estado muy incipiente. El fin de dicho diagrama era proporcionar una estrategia de actuación para las distintas decisiones que aparecen el proceso de estadificación mediastínica. Se deseaban incluir tanto parámetros de salud como la prevalencia de la enfermedad, sensibilidades y especificidades de los tests, etc., como también parámetros económicos como el coste de los tratamientos y de los distintos tests.

    Las necesidades surgidas al construir dicho diagrama, llamado MEDIASTINET, ha motivado el desarrollo de nuevos modelos, algoritmos, y herramientas software.

    En primer lugar, la forma de la función que combina las utilidades (esto es, las preferencias del decisor, en nuestro caso, la cantidad y calidad de vida de pacientes con cáncer de pulmón) nos llevó a una estructura de nodos de utilidad en nuestro diagrama de influencia. Esto nos llevó a desarrollar un nuevo algoritmo de evaluación que pudiera mejorar el único algoritmo existente hasta ese momento para ese tipo de diagramas de influencia.

    En segundo lugar, durante la interacción con el experto vimos la necesidad de contar con capacidades de explicación para diagramas de influencia, que nos ayudarían en la construcción del modelo y en su depuración. Además, serian también útiles al intentar convencer al experto de los resultados. Por esta razón implementamos nuevos métodos de explicación en Elvira.

    Tercero, debido a la incertidumbre en los parámetros del diagrama de influencia, asignados por el experto basado en la literatura y en sus propios datos, implementamos algunas técnicas de análisis de sensibilidad.

    Y cuarto, debido a la discusión en la literatura médica acerca del orden óptimo en que los tests para la estadificación mediastínica del cáncer de pulmón deberían ser realizados, y dado que los diagramas influencia requieren un orden total, exploramos el uso de los diagramas de influencia no restringidos, una representación que permite un orden parcial entre las decisiones, y desarrollamos un nuevo algoritmo anytime que proporcionara una recomendación para las primeras decisiones cuando encontrar la estrategia óptima requiriese una excesiva cantidad de tiempo.

    En esta tesis describimos los algoritmos y métodos, que no son específicos de medicina, y también el sistema de apoyo a la toma de decisiones para la estadificación mediastínica del cáncer de pulmón.