Un Primer Abordaje para la Predicción de la Enfermedad de Injerto contra Huésped en Trasplante de Médula Ósea en Pacientes Pediátricos

• Autores: Gibert, Lázaro A.; Guerra, Rodrigo; Dunstan, Jocelyn; Palma, Julia; Soto, Axel J.; Maguitman, Ana Gabriela; Chesñevar, Carlos Iván
• Año de publicación: 2023
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Aprendizaje Automático; Trasplante de médula ósea; Enfermedad de injerto contra huésped
• Institución: Universidad Nacional de La Plata

La enfermedad de injerto contra huésped (EICH) es una complicación común en un paciente, luego de ser sometido a un trasplante de médula ósea y puede ser mortal. En la actualidad los especialistas no tienen manera de predecir de forma efectiva si el paciente puede desarrollar la enfermedad. A partir de esta problemática, en este trabajo se propone obtener distintos modelos de Aprendizaje Automático con el objetivo de predecir, a partir de los datos a los que tiene acceso el especialista, si el paciente va a desarrollar EICH. Como punto de partida se utilizarán dos datasets representativos: por un lado, un conjunto de 187 ejemplos con 37 atributos correspondiente a datos públicos, y por otro, un conjunto de mayor magnitud proporcionado por el Hospital Luis Calvo Mackenna consistente de 536 ejemplos con 227 atributos (seleccionándose un subconjunto de éstos últimos). Nuestra investigación preliminar a partir de los datasets anteriores muestra que se pueden generar distintos modelos con buena capacidad predictiva. En particular utilizamos Árbol de Decisión, Bosque Aleatorio, XGBoost, Regresión Logística, Perceptrón Multicapa, AdaBoost y Potenciación de Gradiente, comparando su desempeño utilizando distintas métricas.
Sociedad Argentina de Informática e Investigación Operativa