Examinando por Autor "Salazar Ramírez, Juan José"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónAcceso abierto
    Algoritmo de inteligencia artificial para predecir la respuesta a la inmunoterapia en cáncer
    (Universidad EIA, 2025) Salazar Ramírez, Juan José; Castaño Portilla, Carolina
    RESUMEN: Este trabajo de grado se centra en la validación de un modelo de inteligencia artificial desarrollado para predecir la respuesta de pacientes con tumores sólidos tratados con inmunoterapia basada en inhibidores de puntos de control inmunitario. Aunque la inmunoterapia representa un avance significativo en oncología, su eficacia no es homogénea entre los pacientes, debido a diferencias biológicas y genéticas. Esta variabilidad ha generado la necesidad de identificar biomarcadores que permitan predecir de forma más adecuada qué pacientes podrían beneficiarse del tratamiento. El modelo abordado en este proyecto utiliza datos transcriptómicos obtenidos mediante secuenciación de ARN (RNA-seq) de biopsias tumorales tomadas antes del inicio de la terapia. El desarrollo del proyecto se organizó en tres etapas. En la primera, se recolectaron y procesaron datos transcriptómicos de bases de datos públicas que cumplían con criterios de inclusión como la disponibilidad de respuesta clínica evaluada según los criterios RECIST, así como el uso exclusivo de inmunoterapia anti-PD-1 o anti-PD-L1. Posteriormente, las matrices crudas de conteo fueron normalizadas mediante el método de cuentas por millón (CPM), permitiendo la estandarización de las expresiones génicas entre muestras. Se generaron visualizaciones exploratorias que permitieron validar la calidad de los datos normalizados y descartar muestras atípicas. En la segunda etapa, se entrenó el modelo de aprendizaje automático utilizando los conjuntos de datos Kim, Cho, y un grupo adicional de pacientes nuevos. Las matrices normalizadas fueron evaluadas utilizando métricas como sensibilidad, precisión, F1-score y área bajo la curva (AUC), con el objetivo de determinar la capacidad predictiva del modelo. Finalmente, en la tercera etapa, se evaluó el comportamiento del modelo al aplicar los datos de pacientes nuevos, analizando su capacidad de generalización y desempeño fuera del conjunto de entrenamiento. Los resultados obtenidos respaldan el uso de esta herramienta como un apoyo potencial en decisiones clínicas dentro del contexto de la oncología personalizada. Este estudio contribuye a la medicina de precisión al integrar análisis transcriptómicos completos con algoritmos de aprendizaje automático, facilitando la identificación de pacientes con mayor probabilidad de beneficiarse de la inmunoterapia. Aunque se requiere validación futura con datos prospectivos, los hallazgos indican que el modelo presenta un comportamiento robusto y clínicamente relevante.