Publicación: Algoritmo de inteligencia artificial para predecir la respuesta a la inmunoterapia en cáncer
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen
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.
Resumen en español
ABSTRACT: This thesis focuses on the validation of an artificial intelligence model developed to predict the response of patients with solid tumors treated with immune checkpoint inhibitors. While immunotherapy represents a major advancement in oncology, its effectiveness is not uniform across patients due to biological and genetic variability. This has underscored the need to identify biomarkers that can more accurately predict which patients are likely to benefit from treatment. The model developed in this project uses transcriptomic data obtained from RNA sequencing (RNA-seq) of tumor biopsies collected prior to the start of therapy. The project was structured into three stages. In the first stage, transcriptomic data were collected and processed from public datasets that met inclusion criteria, such as the availability of clinical response data assessed according to RECIST criteria and exclusive treatment with anti-PD-1 or anti-PD-L1 immunotherapy. Raw count matrices were normalized using the counts per million (CPM) method, allowing gene expression levels to be standardized across samples. Exploratory visualizations were generated to assess data quality and rule out outlier samples. In the second stage, a machine learning model was trained using the Kim, Cho, and a new patient dataset. The normalized matrices were evaluated using metrics such as sensitivity, precision, F1-score, and area under the curve (AUC) to determine the model's predictive performance. Finally, in the third stage, the model was tested on the new patient data to analyze its generalization capacity and performance outside the training set. The results support the use of this tool as a potential aid in clinical decision-making within the context of personalized oncology. This study contributes to precision medicine by integrating comprehensive transcriptomic analyses with machine learning algorithms, facilitating the identification of patients most likely to respond to immunotherapy. Although further validation with prospective data is needed, the findings indicate that the model demonstrates robust and clinically meaningful performance.