FenixEdu™

Dissertação

{en_GB= Clinical Prognosis and Risk Prediction of Postoperative Complications in Cancer Patients} {} EVALUATED

Detalhes: {pt=As complicações pós-operatórias decorrentes de cirurgias oncológicas são difíceis de prever, embora existam calculadoras de risco para o efeito. Estas variam no objetivo, área cirúrgica ou tipo de modelo preditivo. As diferenças entre os estudos, contribuem para a criação de ferramentas altamente especializadas, mas com pouca reusabilidade. A adaptação a diferentes domínios cirúrgicos e populações aumenta o erro, já que muitas vezes esses estudos são desenvolvidos em grupos cirúrgicos limitados. Hoje, existem novas técnicas para criar modelos mais poderosos, capazes de modelar dados de elevada dimensionalidade e as suas complexidades inerentes. Esta tese tem como objetivo estudar e prever o risco de complicações pós-operatórias em pacientes com cancro, oferecendo duas contribuições principais. A primeira, uma calculadora de risco que utiliza modelos de aprendizagem automática, para prever 4 objetivos: existência de complicações pós-operatórias, grau da sua severidade, probabilidade de morte no espaço de 1 ano e o número de dias de internamento na unidade de cuidados intermédios. Em segundo lugar, apoiar o estudo desta doença e melhorar a interpretabilidade dos modelos preditivos. Como resultado, é fornecido um conjunto de modelos com garantias desempenho e novas perspectivas quanto ao processo de decisão. As complicações pós-operatórias podem ser previstas com uma precisão de 68%, a gravidade das complicações pode ser prevista com MAE = 1.56, os dias na UCI podem ser previstos com MAE = 1.04 e a morte no espaço de 1 ano pode ser prevista com precisão de 75%., en=Postoperative complications of cancer surgery are still hard to predict, although there are risk scores intended to make such predictions. They vary with regards to their outcome, surgical cohort, or type of predictive model. The differences among studies, contribute for the creation of highly specialized tools, with poor reusability in foreign contexts. Adaptability to different surgical domains and populations can add to larger errors, since often these studies are developed in carefully selected surgical cohorts. Today, new techniques have been proposed to create potentially more powerful and accurate predictors, capable of modeling high dimensional data and its inherent complexities. This thesis aims to study and predict postoperative complications risk for cancer patients, offering two major contributions. First, to develop a risk calculator using machine learning models, with 4 outcomes of interest: existence of postoperative complications, severity level of said complications, death probability within 1 year, and number of days spent in the intermediate care unit. Second, to support the study of this disease with relevant findings and improve the interpretability of predictive models, especially associative models by extending tree representations to capture measures of generalization ability. As a result, we provide a set of models with reliable guarantees of predictive performance and offer new perspectives and insights into the decision process. Postoperative complications can be predicted with 68% accuracy, complications' severity can be predicted with MAE = 1.56, the days in the ICU can be predicted with MAE = 1.04, and 1 year death can be predicted with 75% accuracy.}
Keywords: {pt=complicações pós-operatórias, previsão de risco, cancro, aprendizagem automática, modelação de dados clínicos, en=postoperative complications, risk prediction, cancer, machine learning, clinical data modeling}

Discussão: novembro 20, 2020, 16:30