UroAnalytics: predicción y gestión de datos para una unidad de uro-oncología

Abstract

El cáncer de próstata es uno de los tumores con mayor prevalencia en la actualidad. Hay muchas variables que influyen en el desarrollo de esta enfermedad, por lo que los especialistas necesitan una gran cantidad de datos para poder estudiar las causas y consecuencias de esta enfermedad, así como encontrar los métodos más efectivos para poder tratarla. Una de las variables más relevantes es la recidiva bioquímica, que indica si un paciente vuelve a tener un tumor activo tras el tratamiento radical primario. En este trabajo se ha propuesto crear una herramienta que sea capaz de gestionar un conjunto de datos relacionados con el cáncer de próstata, con el objetivo de facilitar la labor del médico especialista en Urología para realizar un correcto seguimiento y predicción del riesgo de recidiva. En este sentido, la aplicación es capaz de predecir si, a partir de un conjunto de datos, un paciente padecerá de recidiva bioquímica utilizando técnicas de Machine Learning. El conjunto de datos utilizado para entrenar a los modelos de Machine Learning contiene información relacionada con el seguimiento de 269 pacientes, en la que cada uno posee información en más de 50 variables durante un periodo que va desde el año 2008 hasta el año 2015.Prostate cancer is one of the most prevalent tumors today. There are many variables that influence the development of this disease, so specialists need a large amount of data to be able to study the causes and consequences of this disease, as well as to find the most effective methods to treat it. One of the most relevant variables is biochemical recurrence, which indicates whether a patient has an active tumor again after primary radical treatment. In this work we have proposed to create a tool that is able to manage a set of data related to prostate cancer, with the aim of facilitating the work of the Urology specialist to perform a correct monitoring and prediction of the risk of recurrence. In this sense, the application is able to predict whether, from a set of data, a patient will suffer from biochemical recurrence using Machine Learning techniques. The dataset used to train the Machine Learning models contains information related to the follow-up of 269 patients, in which each patient has information on more than 50 variables during a period ranging from 2008 to 2015.