Persona: Luque Gallego, Manuel
Cargando...
DirecciĆ³n de correo electrĆ³nico
ORCID
0000-0003-3018-3760
Fecha de nacimiento
Proyectos de investigaciĆ³n
Unidades organizativas
Puesto de trabajo
Apellidos
Luque Gallego
Nombre de pila
Manuel
Nombre
1 resultados
Resultados de la bĆŗsqueda
Mostrando 1 - 1 de 1
PublicaciĆ³n Probabilistic graphical models for decision making in medicine(Universidad Nacional de EducaciĆ³n a Distancia (EspaƱa). Escuela TĆ©cnica Superior de IngenierĆa InformĆ”tica. Departamento de Inteligencia Artificial, 2009-11-20) Luque Gallego, ManuelLos modelos grĆ”ficos probabilĆsticos, en particular las redes bayesianas y los diagramas de influencia, fueron desarrollados en los aƱos 80 por investigadores del campo de Inteligencia Artificial, MatemĆ”ticas y EconomĆa con el propĆ³sito de resolver problemas cuya complejidad excede la capacidad de los mĆ©todos existentes hasta entonces. El trabajo en modelos grĆ”ficos probabilĆsticos comenzĆ³ en la UNED en 1990 con la tesis doctoral de Javier DĆez, que consistiĆ³ en la construcciĆ³n del sistema experto DIAVAL, una red bayesiana para el diagnĆ³stico de enfermedades cardĆacas por ecocardiografĆa. En 2003, el Dr. Carlos Disdier Vicente, un neumĆ³logo en el Hospital San Pedro de AlcĆ”ntara, en CĆ”ceres (EspaƱa), y Javier DĆez, en la UNED, comenzaron la construcciĆ³n de un diagrama de influencia para la estadificaciĆ³n mediastĆnica del cĆ”ncer de pulmĆ³n. Cuando el autor de esta tesis entrĆ³ a formar parte del grupo de investigaciĆ³n, en la UNED, en 2003, se le asignĆ³ como tema de investigaciĆ³n completar la construcciĆ³n del diagrama de influencia, que se encontraba en un estado muy incipiente. El fin de dicho diagrama era proporcionar una estrategia de actuaciĆ³n para las distintas decisiones que aparecen el proceso de estadificaciĆ³n mediastĆnica. Se deseaban incluir tanto parĆ”metros de salud como la prevalencia de la enfermedad, sensibilidades y especificidades de los tests, etc., como tambiĆ©n parĆ”metros econĆ³micos 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 funciĆ³n que combina las utilidades (esto es, las preferencias del decisor, en nuestro caso, la cantidad y calidad de vida de pacientes con cĆ”ncer de pulmĆ³n) nos llevĆ³ a una estructura de nodos de utilidad en nuestro diagrama de influencia. Esto nos llevĆ³ a desarrollar un nuevo algoritmo de evaluaciĆ³n que pudiera mejorar el Ćŗnico algoritmo existente hasta ese momento para ese tipo de diagramas de influencia. En segundo lugar, durante la interacciĆ³n con el experto vimos la necesidad de contar con capacidades de explicaciĆ³n para diagramas de influencia, que nos ayudarĆan en la construcciĆ³n del modelo y en su depuraciĆ³n. AdemĆ”s, serian tambiĆ©n Ćŗtiles al intentar convencer al experto de los resultados. Por esta razĆ³n implementamos nuevos mĆ©todos de explicaciĆ³n en Elvira. Tercero, debido a la incertidumbre en los parĆ”metros del diagrama de influencia, asignados por el experto basado en la literatura y en sus propios datos, implementamos algunas tĆ©cnicas de anĆ”lisis de sensibilidad. Y cuarto, debido a la discusiĆ³n en la literatura mĆ©dica acerca del orden Ć³ptimo en que los tests para la estadificaciĆ³n mediastĆnica del cĆ”ncer de pulmĆ³n deberĆan ser realizados, y dado que los diagramas influencia requieren un orden total, exploramos el uso de los diagramas de influencia no restringidos, una representaciĆ³n que permite un orden parcial entre las decisiones, y desarrollamos un nuevo algoritmo anytime que proporcionara una recomendaciĆ³n para las primeras decisiones cuando encontrar la estrategia Ć³ptima requiriese una excesiva cantidad de tiempo. En esta tesis describimos los algoritmos y mĆ©todos, que no son especĆficos de medicina, y tambiĆ©n el sistema de apoyo a la toma de decisiones para la estadificaciĆ³n mediastĆnica del cĆ”ncer de pulmĆ³n.