Download

Download Full Text (1.5 MB)

Description

Este trabajo de investigación se centra en el análisis de diferencias significativas entre los biomarcadores en suero y orina de los pacientes con Gammopatía Monoclonal de Significado Indeterminado (GMSI) y aquellos con Mieloma Múltiple (MM), utilizando datos del Hospital Universitario de Cabueñes. El objetivo es identificar patrones proporcionados por la combinación de varios biomarcadores que puedan diferenciar a estos grupos de pacientes con alta precisión. Se plantearon dos hipótesis principales: (H1) los marcadores bioquímicos en suero y orina pueden diferenciar significativamente entre pacientes con GMSI y aquellos con MM, y (H2) la combinación de todos los marcadores bioquímicos puede ofrecer una mejor precisión en la clasificación de los pacientes en comparación con el uso de únicamente aquellos considerados más explicativos/relevantes en la diferenciación de las enfermedades. Para validar estas hipótesis, se desarrollaron varias etapas clave. Inicialmente, se realizó una limpieza exhaustiva de los datos para asegurar su integridad y calidad. Luego, mediante la herramienta XaioGraphs, se evaluó la importancia de diferentes biomarcadores, identificando como más explicativos a IgG, PCR, Hemoglobina, Kappa Libre, Lambda Libre, Ratio Kappa/Lambda, Filtrado Glomerular y Proteínas Totales. Para la hipótesis H2, se construyeron y optimizaron varios modelos de clasificación, incluyendo XGBoost, Regresión Logística, K-Nearest Neighbors (KNN) y Redes Neuronales, utilizando tanto los biomarcadores más explicativos como todos los disponibles. Los resultados mostraron que los modelos entrenados con todos los biomarcadores ofrecieron una mejor precisión y F1 score, con la Red Neuronal alcanzando un rendimiento superior del 74.19% de precisión. Este estudio valida la utilidad de los biomarcadores en suero y orina para diferenciar entre GMSI y MM, y demuestra que una combinación de múltiples biomarcadores mejora considerablemente la precisión de los modelos de clasificación.

Publication Date

7-2024

Publisher

UDIT

City

Madrid

Keywords

Diagnóstico, Clasificación, Modelos de Clasificación, Aprendizaje Automático, Aprendizaje Profundo, XaioGraphs, Análisis de Datos Clínicos, Gammapatía Monoclonal de Significado Indeterminado (GMSI), Mieloma Múltiple (MM), Biomarcadores

Análisis y Clasificación de Gammopatía Monoclonal de Significado Indeterminado y Mieloma Múltiple mediante Modelos de Aprendizaje Automático y Herramientas de Explicabilidad Basados en Biormarcadores en Suero y Orina (2024)

Share

COinS