¿Puede Data Science ayudarnos a mejorar el pronóstico y tratamiento del Paciente oncológico?
Barra lateral del artículo
Contenido principal del artículo
Resumen
El campo de la informática de la salud está en la cúspide de su período más emocionante hasta la fecha. Las tecnologías de big data, IA y data science están ayudando a tomar decisiones relativas a diagnóstico, tratamiento... La alta implantación de la historia clínica digital es un hecho. El análisis de los datos de la historia clínica permitirá definir nuevas soluciones para todos los integrantes del sistema sanitario. Es necesaria la cobertura de todos los datos posibles para desarrollar nuevos servicios con el objetivo de mejorar el seguimiento y la prevención de enfermedades, y generar valor a partir de ellos. No obstante, el proceso de aplicación de las tecnologías tiene que afrontar todavía retos como el de integración de la información, aplicación de técnicas de lenguaje natural, y elección de las técnicas mas apropiadas dependiendo del problema y de la naturaleza de los datos. En este artículo nos planteamos los retos que tiene la aplicación de estas técnicas en el caso particular del paciente oncológico
Descargas
Detalles del artículo
1 DERECHOS DE AUTOR
1.1 Los derechos de edición son de la Universidad Francisco de Vitoria y es necesario su permiso para cualquier reproducción. Por este motivo los autores deberán firmar un acuerdo de cesión de derechos y declaración de conflicto de intereses. Este es un requisito necesario para la publicación del artículo. En todo caso será necesario indicar la procedencia de cualquier reproducción total o parcial.
1.2 La UFV conserva los derechos patrimoniales (copyright) de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia de uso indicada en CREATIVE COMMONS.
Citas
Basel Kayyali, David Knott, Steve Van Kuiken. The big-data revolution in US health care: Accelerating value and innovation. En: McKinsey Company [Internet]. McKinsey Company; 2013. Disponible en: http://www.mckinsey.com/insights/health_systems_and_services/the_big-data_revolution_in_us_health_care
Fayyad UM, Piatetsky-Shapiro G, Smyth P. From data mining to knowledge discovery: an overview. En: Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R, editores. Advances in Knowledge Discovery and Data Mining [Internet]. Menlo Park, CA, USA: American Association for Artificial Intelligence; 1996 [citado 24 de noviembre de 2015]. p. 1–34. Disponible en: http://dl.acm.org/citation.cfm?id=257938.257942
Ian H. Witten, Eibe Frank, Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques, Third Edition. 3 edition. Burlington, MA: Morgan Kaufmann; 2011. 664 p.
Agrawal R, Srikant R. Fast Algorithms for Mining Association Rules in Large Databases. En: Proceedings of the 20th International Conference on Very Large Data Bases [Internet]. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.; 1994 [citado 5 de noviembre de 2019]. p. 487–499. (VLDB ’94). Disponible en: http://dl.acm.org/citation.cfm?id=645920.672836
Aguilar-Ruiz JS, Gama J. Data Streams. J Univers Comput Sci. 28 de agosto de 2005;11(8):1349–1352.
Gaber MM, Krishnaswamy S, Zaslavsky A. On-board Mining of Data Streams in Sensor Networks. En: Advanced Methods for Knowledge Discovery from Complex Data [Internet]. Springer London; 2005 [citado 24 de noviembre de 2015]. p. 307-35. (Advanced Information and Knowledge Processing). Disponible en: http://link.springer.com/chapter/10.1007/1-84628-284-5_12
Domingos P, Hulten G. Mining High-speed Data Streams. En: Proceedings of the Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining [Internet]. New York, NY, USA: ACM; 2000 [citado 24 de noviembre de 2015]. p. 71–80. (KDD ’00). Disponible en: http://doi.acm.org/10.1145/347090.347107
Aggarwal CC, Han J, Wang J, Yu PS. A Framework for Clustering Evolving Data Streams. En: Proceedings of the 29th International Conference on Very Large Data Bases - Volume 29 [Internet]. Berlin, Germany: VLDB Endowment; 2003 [citado 24 de noviembre de 2015]. p. 81–92. (VLDB ’03). Disponible en: http://dl.acm.org/citation.cfm?id=1315451.1315460
Wirth R. CRISP-DM: Towards a standard process model for data mining. En: Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining. 2000. p. 29–39.
Siegel RL, Miller KD, Jemal A. Cancer statistics, 2018. CA Cancer J Clin. 2018;68(1):7-30.
NSCLC Meta-analysis Collaborative Group. Preoperative chemotherapy for non-small-cell lung cancer: a systematic review and meta-analysis of individual participant data. Lancet Lond Engl. 3 de mayo de 2014;383(9928):1561-71.
Sculier J-P, Berghmans T, Meert A-P. TNM classification and clinicopathological factors: what is helpful for adjuvant chemotherapy decision after lung cancer resection? J Thorac Oncol Off Publ Int Assoc Study Lung Cancer. marzo de 2014;9(3):266-70.
Chansky K, Sculier J-P, Crowley JJ, Giroux D, Van Meerbeeck J, Goldstraw P, et al. The International Association for the Study of Lung Cancer Staging Project: prognostic factors and pathologic TNM stage in surgically managed non-small cell lung cancer. J Thorac Oncol Off Publ Int Assoc Study Lung Cancer. julio de 2009;4(7):792-801.
Massuti B, Cobo M, Camps C, Dómine M, Provencio M, Alberola V, et al. Trabectedin in patients with advanced non-small-cell lung cancer (NSCLC) with XPG and/or ERCC1 overexpression and BRCA1 underexpression and pretreated with platinum. Lung Cancer Amst Neth. junio de 2012;76(3):354-61.
Provencio M, Camps C, Cobo M, De las Peñas R, Massuti B, Blanco R, et al. Prospective assessment of XRCC3, XPD and Aurora kinase A single-nucleotide polymorphisms in advanced lung cancer. Cancer Chemother Pharmacol. diciembre de 2012;70(6):883-90.
Provencio M, Isla D, Sánchez A, Cantos B. Inoperable stage III non-small cell lung cancer: Current treatment and role of vinorelbine. J Thorac Dis. septiembre de 2011;3(3):197-204.
Earle CC, Park ER, Lai B, Weeks JC, Ayanian JZ, Block S. Identifying potential indicators of the quality of end-of-life cancer care from administrative data. J Clin Oncol Off J Am Soc Clin Oncol. 15 de marzo de 2003;21(6):1133-8.
Garrido P, González-Larriba JL, Insa A, Provencio M, Torres A, Isla D, et al. Long-term survival associated with complete resection after induction chemotherapy in stage IIIA (N2) and IIIB (T4N0-1) non small-cell lung cancer patients: the Spanish Lung Cancer Group Trial 9901. J Clin Oncol Off J Am Soc Clin Oncol. 20 de octubre de 2007;25(30):4736-42.
Iadeluca L, Mardekian J, Chander P, Hopps M, Makinson GT. The burden of selected cancers in the US: health behaviors and health care resource utilization. Cancer Manag Res. 2017;9:721-30.
Leach CR, Weaver KE, Aziz NM, Alfano CM, Bellizzi KM, Kent EE, et al. The complex health profile of long-term cancer survivors: prevalence and predictors of comorbid conditions. J Cancer Surviv Res Pract. junio de 2015;9(2):239-51.