Browsing by Subject "Leishmaniasis cutánea"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Predicción del desenlace terapéutico para leishmaniasis cutánea combinando información metabolómica y SNPs
    (Pontificia Universidad Javeriana Cali, 2023) Mejía Patiño, Juan Pablo; Linares Ospina, Diego Luis ; Gómez, María Adelaida
    La Leishmaniasis cutánea es una enfermedad presente en múltiples regiones tropicales del mundo, afectando a diversos grupos poblaciones y territorios. América Latina es uno de estos territorios, con la presencia de 15 de sus variedades. Esta enfermedad parasitaria afecta a grupos poblacionales vulnerables que requieren de un tratamiento especializado. Sin embargo, este tratamiento no siempre es exitoso y sus efectos colaterales son, en algunos casos, severos. Teniendo en cuenta esto, es importante contar con herramientas que permitan determinar con un grado alto de confianza el desenlace terapéutico de estos pacientes. Con este objetivo, el presente proyecto busca brindar una predicción sobre el desenlace del tratamiento para la Leishmaniasis Cutánea con un alto grado de confianza, utilizando dos fuentes de datos. Una de información metabolómica y otra de mutaciones genéticas conocidas como “SINGLE NUCLEOTIDE POLYMORPHISMS (SNPs)”,junto con técnicas de aprendizaje automático clásicas. Con base en proyectos del grupo DESTINO como antecedentes, se realizaron 18 experimentos aplicando 3 técnicas de aprendizaje supervisado. De estos, 9 experimentos resultaron en 9 clasificadores base, 6 con cada uno de los conjuntos de datos ya mencionados, y adicionalmente 3 con un nuevo conjunto de datos, originado de la intersección de muestras entre las dos fuentes de datos. Posteriormente, se evalúa su desempeño con métricas como “Accuracy”, “Precision”, “Recall” y “F1 Score”. A partir de esto, se realiza un afinamiento de hiperparámetros de estos clasificadores, usando una técnica de grilla y de nuevo se analizan los resultados con las métricas antes mencionadas. También se experimenta con una técnica de ensamble en cascada, como segunda mecánica para realizar la predicción del tratamiento contra la leishmaniasis. Esto se realiza utilizando los 2 mejores clasificadores que resultan de la fase de afinamiento de modelos. Al finalizar, se obtuvo que un clasificador que mezcla como entradas 7 SNPs, por parte del conjunto de datos de mutaciones genéticas, y 3 metabolitos del conjunto de datos de información metabolómica, obtiene un desempeño superior a los clasificadores con conjuntos de datos separados. Así mismo, el método de ensamble resultó en clasificaciones con un alto nivel de confiabilidad. Esto evidencia, que, combinando fuentes de información diferente bajo dos mecánicas distintas, es posible obtener una herramienta clínica para predecir el desenlace del tratamiento contra la leishmaniasis cutánea.
  • Thumbnail Image
    Item
    Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime
    (Pontificia Universidad Javeriana Cali, 2021) Camacho Calderon, Katherine; Álvarez Vargas, Gloria Inés ; Linares Ospina, Diego Luis
    La leishmaniasis es una enfermedad reemergente en Colombia. Catalogada por la Organización Mundial de la Salud como “enfermedad olvidada”, debido a que está asociada directamente con las personas que viven en regiones muy pobres. Por lo tanto, existe poco interés en invertir en el desarrollo de medicamentos y estrategias para controlar esta enfermedad. El glucantime es uno de los medicamentos usados para tratar la leishmaniasis cutánea, la cual ha sido una enfermedad reemergente en Colombia. La forma de administrar este medicamento en algunas ocasiones ha causado mucho dolor y el hecho de usarlo trae la posibilidad de causar efectos colaterales. El anterior panorama ha sido de inspiración para desarrollar modelos de aprendizaje automático que permitan predecir el desenlace terapéutico del tratamiento glucantime. Con este proyecto se obtuvieron cuatro modelos de aprendizaje automático, donde inicialmente se realizó́ un proceso de preparación de los datos, y luego con ayuda de las técnicas de ensamble se construyeron dichos modelos. Se realizaron evaluaciones de los distintos modelos construidos y se permitió inferir que ningún modelo presentó un desempeño que permita confiar en sus predicciones, esto dado que la cantidad de datos no fue suficiente para que los modelos construyeran hipótesis fuertes. Sin embargo, la técnica que permitió obtener el modelo con el mejor desempeño indica que probablemente con una cantidad mayor de datos se puedan obtener mejores predicciones. CIDEIM (Centro Internacional de Entrenamiento e Investigaciones Médicas) fue el ente que proporcionó el conjunto de datos con el cual se construyeron los modelos.