Probabilistic graphical models for decision making in medicine
Manuel Luque Gallego · 2009
Los modelos graficos probabilisticos, en particular las redes bayesianas y los diagramas de influencia, fueron desarrollados en los anos 80 por investigadores del campo de Inteligencia Artificial, Matematicas y Economia con el proposito de resolver problemas cuya complejidad excede la capacidad de los metodos existentes hasta entonces. El trabajo en modelos graficos probabilisticos comenzo en la UNED en 1990 con la tesis doctoral de Javier Diez, que consistio en la construccion del sistema experto DIAVAL, una red bayesiana para el diagnostico de enfermedades cardiacas por ecocardiografia. En 2003, el Dr. Carlos Disdier Vicente, un neumologo en el Hospital San Pedro de Alcantara, en Caceres (Espana), y Javier Diez, en la UNED, comenzaron la construccion de un diagrama de influencia para la estadificacion mediastinica del cancer de pulmon. Cuando el autor de esta tesis entro a formar parte del grupo de investigacion, en la UNED, en 2003, se le asigno como tema de investigacion completar la construccion del diagrama de influencia, que se encontraba en un estado muy incipiente. El fin de dicho diagrama era proporcionar una estrategia de actuacion para las distintas decisiones que aparecen el proceso de estadificacion mediastinica. Se deseaban incluir tanto parametros de salud como la prevalencia de la enfermedad, sensibilidades y especificidades de los tests, etc., como tambien parametros economicos como el coste de los tratamientos y de los distintos tests. Las necesidades surgidas al construir dicho diagrama, llamado MEDIASTINET, ha motivado el desarrollo de nuevos modelos, algoritmos, y herramientas software. En primer lugar, la forma de la funcion que combina las utilidades (esto es, las preferencias del decisor, en nuestro caso, la cantidad y calidad de vida de pacientes con cancer de pulmon) nos llevo a una estructura de nodos de utilidad en nuestro diagrama de influencia. Esto nos llevo a desarrollar un nuevo algoritmo de evaluacion que pudiera mejorar el unico algoritmo existente hasta ese momento para ese tipo de diagramas de influencia. En segundo lugar, durante la interaccion con el experto vimos la necesidad de contar con capacidades de explicacion para diagramas de influencia, que nos ayudarian en la construccion del modelo y en su depuracion. Ademas, serian tambien utiles al intentar convencer al experto de los resultados. Por esta razon implementamos nuevos metodos de explicacion en Elvira. Tercero, debido a la incertidumbre en los parametros del diagrama de influencia, asignados por el experto basado en la literatura y en sus propios datos, implementamos algunas tecnicas de analisis de sensibilidad. Y cuarto, debido a la discusion en la literatura medica acerca del orden optimo en que los tests para la estadificacion mediastinica del cancer de pulmon deberian ser realizados, y dado que los diagramas influencia requieren un orden total, exploramos el uso de los diagramas de influencia no restringidos, una representacion que permite un orden parcial entre las decisiones, y desarrollamos un nuevo algoritmo anytime que proporcionara una recomendacion para las primeras decisiones cuando encontrar la estrategia optima requiriese una excesiva cantidad de tiempo. En esta tesis describimos los algoritmos y metodos, que no son especificos de medicina, y tambien el sistema de apoyo a la toma de decisiones para la estadificacion mediastinica del cancer de pulmon.