FenixEdu™

Dissertação

{en_GB=Discovery of discriminative patterns in oncological data to understand surgical risk factors} {} EVALUATED

Detalhes: {pt=Compreender os riscos da realização de procedimentos cirúrgicos é essencial para personalizar os protocolos preparatórios, de intervenção e pós-cirurgico. Este conhecimento é fundamental na área da oncologia, dada a natureza das intervenções, o perfil frágil dos pacientes com comorbilidades e exposição a quimioterapia, e o possível reaparecimento do cancro. Apesar da sua relevância, a descoberta de padrões discriminativos de risco pós-cirúrgico apresenta alguns desafios: 1) o perfil individual fisiológico e demográfico, bem como os cuidados pós-cirúrgicos diferenciados do paciente, 2) a crescente alta dimensionalidade e natureza heterogenea dos dados disponíveis 3) a necessidade de aprender com as populações onde os tumores têm diferenças significativas e os indivíduos realizam procedimentos cirúrgicos únicos (dados estruturalmente esparsos), 4) a necessidade de foco em padrões não triviais de risco cirúrgico, ao mesmo tempo que garantem sua significância estatística e poder discriminativo dos resultados pós-cirúrgicos, e 5) a falta de interpretabilidade e capacidade de ação das abordagens atuais. Esta tese propõe o uso de \textit{biclustering}, a descoberta de grupos de indivíduos correlacionados em subconjuntos de variáveis, devido às suas propriedades únicas que satisfazem os desafios previamente mencionados, e também um método de discretização, DI2 (Distribution Discretizer), tornando a procura de padrões mais robusta, quando na presença de variáveis não identicamente distribuidas. Os resultados obtidos confirmam o papel fundamental do biclustering em encontrar de forma abragente padrões interpretáveis, com capacidade de ação e estatisticamente significativos. , en=Understanding the individualized risks of undertaking surgical procedures is essential to personalize preparatory, intervention and post-care protocols for minimizing post-surgical complications. This knowledge is key in oncology given the nature of interventions, the fragile profile of patients with comorbidities and drug exposure, and the possible cancer recurrence. Despite its relevance, the discovery of discriminative patterns of post-surgical risk is hampered by major challenges: 1) the unique physiological and demographic individual profile, as well as their differentiated post-surgical care, 2) the increasing high-dimensionality and heterogeneous nature of available biomedical data, combining non-identically distributed risk factors, clinical and molecular variables, 3) the need to learn from populations where tumors have significant histopathological differences and individuals undertake unique surgical procedures (structurally sparse data), 4) the need to focus on non-trivial patterns of surgical risk, while guaranteeing their statistical significance and discriminative power of post-surgical outcomes, and 5) the lack of interpretability and actionability of current approaches. This work proposes the use of biclustering, the discovery of groups of individuals correlated on subsets of variables, due to its unique properties of interest able to satisfy the aforementioned challenges, and a discretization method, DI2 (Distribution Discretizer) enablying a more robust pattern discovery on non-identically distributed variables. The results confirm the role of biclustering in comprehensively finding interpretable, actionable and statistically significant patterns with a comprehensive view on how the patient's profile, cancer histopathology and entailed surgical procedures.}
Keywords: {pt=risco cirúrgico, biclustering, oncologia, padrões discriminativos, análise de dados, ferramenta de software, en=surgical risk, biclustering, oncology, discriminative pattern mining, data analysis, software tool}

Discussão: janeiro 14, 2021, 16:30