Resumen de Unsupervised learning approaches for disease progression modeling
Onintze Zaballa Larumbe
Esta tesis presenta metodologías para el aprendizaje no supervisado a partir de secuencias discretas quedefinen el historial clínico de un paciente. Específicamente, estos métodos permiten modelar la evoluciónde las trayectorias de tratamientos asociados a una o varias enfermedades. Desarrollamos modelosbasados en diversas técnicas de clasificación de secuencias para capturar los subtipos de tratamientospara una enfermedad, las irregularidades temporales entre eventos médicos y la evolución conjunta de lostratamientos en el historial clínico de un paciente. Además, introducimos métodos eficientes para elaprendizaje de estos modelos. Utilizamos una base de datos proporcionada por Osakidetza para laevaluación de las metodologías propuestas, donde cada paciente está representado por una secuencia deservicios médicos a lo largo del tiempo, con solo el 19% de estos eventos médicos con diagnósticoasociado. Incluímos aplicaciones prácticas enfocadas en pacientes con diagnóstico de cáncer de mama,destacando así la relevancia e impacto de los modelos en situaciones del mundo real. En resumen , estatesis propone metodologías interpretables para comprender la dinámica de las enfermedades, abordandode manera efectiva los desafíos particulares que surgen en los registros electrónicos de salud.
