Sumário

previsão de sobrevivência e seleção de tratamento no tratamento do câncer de pulmão são caracterizados por altos níveis de incerteza. Redes Bayesianas (BNS), que, naturalmente, discutir com conhecimento de domínio incerto, pode ser aplicado para auxiliar especialistas em câncer de pulmão, fornecendo estimativas de sobrevivência personalizados e recomendações de seleção de tratamento. Com base no banco de dados Inglês Lung Cancer (LUCADA), avaliamos a viabilidade de RBs para estas duas tarefas, ao comparar as performances de vários descoberta causal abordagens para descobrir a estrutura de rede mais viável a partir do conhecimento e os dados especialista. Nós mostramos pela primeira vez que a estrutura BN induziu dos clínicos alcança uma área decepcionante sob a curva ROC de 0,75 (± 0,03), ao passo que uma estrutura aprendido pelo algoritmo de descoberta de causalidade híbrido CAMML, que adere com as restrições temporais, alcança 0,81 (± 0,03) . Em segundo lugar, os nossos resultados revelam que a intervenção causal BN recomendações de tratamento, com base em prescrever o plano de tratamento que maximize a sobrevivência, só pode prever o plano de tratamento gravado 29% do tempo. No entanto, esse percentual sobe para 76% quando as correspondências parciais são incluídos.

Citation: Sesen MB, Nicholson AE, Banares-Alcantara R, Kadir T, Brady M (2013) Redes Bayesianas para apoio à decisão clínica na Lung Cancer Care. PLoS ONE 8 (12): e82349. doi: 10.1371 /journal.pone.0082349

editor: Raffaele A Calogero, Universidade de Torino, Itália