1. Calibración probabilística de un modelo de crecimiento del cáncer de vejiga teniendo en cuenta la incertidumbre de los datos
- Author
-
Universitat Politècnica de València. Departamento de Matemática Aplicada - Departament de Matemàtica Aplicada, Universitat Politècnica de València. Instituto Universitario de Matemática Multidisciplinar - Institut Universitari de Matemàtica Multidisciplinària, Generalitat Valenciana, Cortés, J.-C., López-Navarro, Elena, Moscardó-García, Ana, Villanueva Micó, Rafael Jacinto, Universitat Politècnica de València. Departamento de Matemática Aplicada - Departament de Matemàtica Aplicada, Universitat Politècnica de València. Instituto Universitario de Matemática Multidisciplinar - Institut Universitari de Matemàtica Multidisciplinària, Generalitat Valenciana, Cortés, J.-C., López-Navarro, Elena, Moscardó-García, Ana, and Villanueva Micó, Rafael Jacinto
- Abstract
[ES] El carcinoma vesical o cáncer de vejiga es una de las enfermedades malignas mas comunes del sistema urinario y una neoplasia altamente agresiva. Los tumores se pueden extirpar a través de una Resección Transuretral, un procedimiento endoscópico quirúrgico que se considera cirugía menor. Sin embargo, este cáncer se caracteriza por la recurrencia para mas de la mitad de los pacientes, esto es, el tumor aparece de nuevo después de un tiempo y puede progresar. En este trabajo se propone considerar un modelo lineal de crecimiento tumoral en el que se tenga en cuenta la incertidumbre y los errores en las medidas de los tamaños de los tumores, que se consideraran como variables aleatorias, teniendo en cuenta la reducción de los tamaños tras las resecciones. Asignando variables aleatorias apropiadas a los tamaños del tumor en diversos instantes temporales, las muestrearemos y calibraremos el modelo usando el algoritmo Particle Swarm Optimization (PSO). Si realizamos este procedimiento un numero alto de veces, estimaremos la distribución de probabilidad de los parámetros del modelo al tiempo que las estimaciones de las distribuciones que devuelve el modelo (model output) en los instantes temporales en los que tenemos datos, sean lo mas parecidos posible a las variables aleatorias que representan dichos datos. Una buena calibración permitirá hacer predicciones ajustadas de utilidad para los urólogos en su practica clínica diaria, conociendo de antemano la evolución del tumor del paciente para administrar tratamientos mas adecuados y seleccionar mejores tiempos de seguimiento y revisión.
- Published
- 2021