[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-127771-110":49,"doc-detail-127771-es":123},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":116,"head_meta":118,"extra_data":120,"updated_unix":122},110,"es","applying-machine-learning-techniques-to-predict-pathology-response-in-cancer-colorectal","Aplicación de técnicas de aprendizaje automático para la predicción de respuesta patológica en cáncer - colorrectal","","Las técnicas de machine learning (ML) transforman la atención médica, y en oncología se aplican desde entornos de laboratorio hasta la práctica clínica. Este proyecto implementa cuatro modelos de ML para pronosticar supervivencia a 5 años en cáncer colorrectal usando datos ómicos. Se evalúa el sesgo considerando como variable de estudio “RACE” y como atributo sensible “Black and African American”, empleando una cohorte real de 594 pacientes de TCGA e integrando RNAseq, metilación y microbioma.",{"@graph":59,"@context":115},[60,77,98],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":27,"@type":66,"position":73},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/applying-machine-learning-techniques-to-predict-pathology-response-in-cancer-colorectal/127771/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/applying-machine-learning-techniques-to-predict-pathology-response-in-cancer-colorectal/127771.png","ImageObject",300,407,{"name":85,"@type":86},"Eliana","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-16","2026-08-05",true,{"@type":95,"interactionType":96,"userInteractionCount":73},"InteractionCounter",{"@type":97},"ViewAction",{"@type":99,"mainEntity":100},"FAQPage",[101,107,111],{"name":102,"@type":103,"acceptedAnswer":104},"Qué se busca predecir en el proyecto y con qué horizonte temporal?","Question",{"text":105,"@type":106},"Se predice la respuesta patológica vinculada al pronóstico de supervivencia a 5 años en cáncer colorrectal mediante modelos de machine learning.","Answer",{"name":108,"@type":103,"acceptedAnswer":109},"Cómo se evalúa el sesgo de los modelos y qué variables intervienen?",{"text":110,"@type":106},"El sesgo se evalúa considerando “RACE” como variable de estudio y “Black and African American” como atributo sensible, usando métricas orientadas al desempeño y a la detección de sesgo.",{"name":112,"@type":103,"acceptedAnswer":113},"Qué tipos de datos ómicos y qué métodos se emplean para construir los modelos?",{"text":114,"@type":106},"Se integran tres tipos de datos ómicos por muestra: RNAseq, grado de metilación y abundancia de microorganismos en el microbioma. Se aplican dos métodos de selección de variables secuencial para escoger las 30 variables más significativas por conjunto ómico, y los modelos se implementan con lgbm (Python) y caret (R).","https://schema.org",{"og:url":75,"og:type":117,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":119,"canonical":75},"index,follow",{"doc_id":121,"site_id":52},127771,1785941530,{"code":4,"msg":5,"data":124},{"doc_id":121,"user_id":125,"nickname":85,"user_avatar":126,"doc_module":4,"category_id":26,"category_name":27,"doc_title":55,"doc_description":57,"doc_content":127,"file_id":128,"file_url":129,"file_type":130,"file_size":131,"view_count":73,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":132,"language":133,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":57,"update_tm":122,"read_time":137},1099523882182,"https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8","Graduado en Ingeniería de la Salud  \nAplicación de técnicas de aprendizaje automático para la predicción de respuesta patológica en cáncer  \ncolorrectal  \nApplying machine learning to predict pathology response in  \ncolorectal cancer  \nRealizado por  \nAlejandro Domínguez Recio  \nTutorizado por  \nMercedes Amor Pinilla Eduardo Guzmán de los Riscos  \nDepartamento  \nLenguajes y Ciencias de la Computación  \nUNIVERSIDAD DE MÁLAGA  \nMálaga, Noviembre de 2023  \nAgradecimientos  \nEn primer lugar un enorme agradecimiento a mis padres y familia por confiar en miy apoyarme en todo momento. A mis profesores, por todo su esfuerzo, paciencia y dedicación. A mis tutores de TFG, Mercedes y Eduardo, por su total predisposición a ayudarme y por todos sus consejos. A mis compañeros y amigos, por todos los momentos compartidos juntos y por todo el apoyo recibido. En definitiva a todas aquellas personas que de una forma u otra han formado parte de todos los logros conseguidos durante estos años como estudiante de Ingeniería dela Salud en la Universidad de Málaga. Ha sido una experiencia de enorme desarrollo tanto personal como profesional y os estaré siempre agradecido a todos los que habéis formado parte de ella.  \nAbstract  \nMachine learning (ML) techniques are transforming many aspects of our society nowadays. In the medical field and more specifically in oncology ML is being applied from laboratories to clinical practice. In this project, 4 ML models will be applied in the prognosis of 5-year survival using colorectal cancer omics data. Atthe same time, the bias in the predictions of the models will be evaluated considering as study variable ’RACE’ and as sensitive attribute ’Black and African American’. The dataset used corresponds to a real cohort of 594 patients and was downloaded from the public repository The Cancer Genome Atlas TCGA. The integration of 3 types of omics data (RNAseq, degree of methylation and abundance of microorganisms in microbiome) associated with each sample was applied in the development of the ML models. The most significant variables from the omics datasets were selected by 2 sequentially applied feature selection methods. The  \n30 most significant feature from each omics dataset were applied in the development of ML models. The ML models were implemented using the lgbm libraries of Python and Caret of R. The performance of the models was evaluated by 5x2 Cross Validation. A selection of metrics were applied both in evaluating the performance of the ML models and in detecting bias in their predictions. The results showed significant differences in performance between the families of ML models applied. The analysis of the bias in the predictions was influenced by the unbalanced proportion of variables in the ’Race’ variable, causing a decrease in the robustness of the results in the applied metrics.  \nKeywords: Machine Learning, Bias, Cancer, R, Python  \nResumen  \nLas técnicas de machine learning (ML) están transformando muchos de los aspectos nuestra sociedad hoy en día. En el campo de la medicina y más especificamente en la oncología el ML esta siendo aplicado desde los laboratorios hasta lapráctica clínica. En este proyecto se aplicarán 4 modelos de ML en el prognósticode supervivencia a 5 años a partir datos ómicos de cancer colorrectal. A la vez, se evaluará el sesgo en las predicciones de los modelos considerando como variable de estudio ’RACE’ y como atributo sensible ’Black and African American’. El conjunto de datos usado pertenece a una cohorte real de 594 pacientes y fue descargado del repositorio público The Cancer Genome Atlas (TCGA) . El tipo de datos ómico aociado a cada muestra y aplicado en el desarrollo de los modelos fuela integración de datos RNAseq, grado de metilación y abundancia de microorganismos en microbioma. Las variables más significativas de los conjuntos de datos ómicos se realizó mediante 2 métodos de selección de variables secuencialmenteaplicados. Las 30 variables más signíficativas ","cbCaifJ7m1gyZBnY","https://ap.wps.com/l/cbCaifJ7m1gyZBnY","pdf",847433,108,"Spanish","# Abstract\n# Resumen\n# Glosario","[{\"question\":\"Qué se busca predecir en el proyecto y con qué horizonte temporal?\",\"answer\":\"Se predice la respuesta patológica vinculada al pronóstico de supervivencia a 5 años en cáncer colorrectal mediante modelos de machine learning.\"},{\"question\":\"Cómo se evalúa el sesgo de los modelos y qué variables intervienen?\",\"answer\":\"El sesgo se evalúa considerando “RACE” como variable de estudio y “Black and African American” como atributo sensible, usando métricas orientadas al desempeño y a la detección de sesgo.\"},{\"question\":\"Qué tipos de datos ómicos y qué métodos se emplean para construir los modelos?\",\"answer\":\"Se integran tres tipos de datos ómicos por muestra: RNAseq, grado de metilación y abundancia de microorganismos en el microbioma. Se aplican dos métodos de selección de variables secuencial para escoger las 30 variables más significativas por conjunto ómico, y los modelos se implementan con lgbm (Python) y caret (R).\"}]","Aplicación de técnicas de aprendizaje automático para la predicción de respuesta patológica en cáncer - colorrectal | PDF",166]