Întotdeauna devotat.

patrocinadores1-300x72 1

One of the oldest - and yet actual - medical challenges is the prediction of the most probable outcome of a disease in a given patient, based on the clinical and pathology information and a therapy scenario.

A model based on Artificial Neural Networks (ANN) was designed and programmed. The input data (over 120 parameters) include histology type and grade of tumours, morphometry and fractal dimension of microscopic images of lesions, clinical and para-clinical data, quality of life, and treatment. The key output is life expectation for dogs and cats with cancer, but many input parameters can be turned into unknowns and the network asked to provide an estimate.

The ANN was tested on a smaller set of 27 criteria and 39 cases of cancer in dogs to develop appropriate architecture and learning strategies. Robustness and predictive performance were confirmed. As previously reported, we also found overfitting/overtraining to be the most serious pitfall that needs to be addressed. The complete model is growing and learning.

ANN are one very promising way to respond to the growing interest for Evidence Based Medicine methods applied in veterinary practice. ANN provide a lean approach for integrating in the current diagnostic and prognostic procedures some new or still ‘exotic’ pathology information, like fractal dimensions of histology images.

Journal of Comparative Pathology, Volume 148, Issue 1, January 2013, Page 69

Full poster presentation can be viewed here.                                            High resolution pdf here.

Authors: dr. Liviu Gaita, Prof. dr. Manuella Militaru

titulonuevo

Published in Oncologie

Încep o serie de postări pe teme controversate referitoare la diagnosticul și terapia medicale sau pretins medicale. Sunt subiecte controversate, asta fiind partea bună a situației, pentru că voi aborda acele aspecte în care impostura și ignoranța domină în prezent percepția și opinia publică. Această serie de postări va fi echilibrată de una dedicată unui domeniu prea puțin mediatizat: medicina bazată pe dovezi („evidence based medicine”).

În acest prim episod voi include numai două lucruri:

  1. Specific sursa de inspirație și  una dintre sursele de documentare ale acestei serii de postări. Este cartea „Bad Science” [2009] cu autor Ben Goldacre, ISBN 978-0-00-728487-0. Voi folosi informații din această lucrare, dar, de fapt, mă interesează mai mult să o promovez: îndemn cât mai mulți români să o citească. Există și un site internet pe care conținutul cărții e parțial accesibil, alături de alte materiale care nu sunt incluse în carte: http://www.badscience.net/ . Articolele despre homeopatie sunt grupate în http://www.badscience.net/category/complementary-medicine/homeopathy/ .
  2. Ca să fie limpede în ce direcție vor fi clarificările pe care le voi posta, prezint cheia evaluării produselor homeopate. Medicamentele homeopate sunt caracterizate prin diluții foarte ridicate, atât de ridicate încât prezența în medicament a vreunei molecule din substanța activă ajunge la o probabilitate mult mai mică decât prezența accidentală în mediu. Diluția C 30 (sau CH 30) este cea mai frecvent folosită, cu toate că diluții mai mari, de pildă C 200 sau mai mari, sunt disponibile și folosite curent. Diluția C 30 înseamnă, în termeni comuni, 1: 10030 , adică 1: 1060. Mai clar, diluția C 30 (sau CH 30) înseamnă că medicamentul conține o molecula activă la 1000000000000000000000000000000000000000000000000000000000000 molecule de apă (sau alt diluant inert). Conform practicienilor acestei discipline pseudo-medicale, „putem continua ciclul de multe ori pînă cînd ajungem la CH 100000, care deşi este foarte diluată este cea mai activă.” (sursa: http://www.homeopatie.org/remeidul/34-cum-se-prepara.html ). Pentru comparație, o moleculă de substanță activă într-o cantitate de diluant (apă) dintr-o sferă cu diametrul de 150 milioane de kilometri (distanța de la Pământ la Soare) corespunde unei diluții între C 30 și C 31. Aceasta nu este o critică, este o constatare a modului în care sunt definite remediile homeopate. Sunt biluțe cu ... nimic. Conform rețetei de preparare. Orice dumicat sau înghițitură, din orice hrană, are aceeași probabilitate să includă un principiu activ ca și un remediu homeopat.
Published in Informatii vet

Un citat din Mircea Eliade (!), poate prea mult vehiculat, este "Nu exită boli, există numai bolnavi." Evident că există boli, care sunt descrise ca atare în manuale de medicină. Bolile sunt conceptul central care organizează abordarea bolnavului de către medic, pentru diagnostic şi tratament.

Este, totuşi, o realitate că fiecare individ suferind de o boală manifestă şi particularităţi aproape irepetabile; acestea decurg din genomul său, din istoria interacţiunilor sale cu mediul, chiar din mijloacele terapeutice folosite în fiecare etapă a tratamentului, pentru că procedurile medicale includ totdeauna adaptări făcute de clinician. În aceste condiţii, cum poate fi structurată experienţa medicală acumulată pe cazuri individuale pentru a creşte eficacitatea actului medical pentru următorii pacienţi? În boala canceroasă această întrebare se pune cu atât mai insistent cu cât variabilitatea răspunsului la tratament este foarte mare. O altă particularitate a practicii oncologice este interesul foarte mare ca, odată stabilit diagnosticul, să fie formulate estimări cât mai fundamentate privind prognosticul – inclusiv durata de viaţă estimată – pe diverse scenarii terapeutice.

Mijloacele informatice moderne au adus abordări inovative pentru aceste probleme. Ne vom referi aici la câteva dintre conceptele care sunt deja consacrate în oncologia umană şi capătă tot mai mare răspândire şi între veterinarii implicaţi în terapia bolii canceroase.

exemplu retea neuronala

Medicina bazată pe dovezi, Evidence Based Medicine, propune o îndepărtare de practica medicală centrată pe intuiţie, talent („medicina e o artă") sau chiar pe proceduri rigide. În schimb, sunt căutate mijloace pentru „a fundamenta decizia clinică pe informaţia cel mai bine demonstrată ştiinţific"i . În abordarea iniţială, acest demers se bazează în principal pe îmbunătăţirea metodelor de căutare a răspunsului la fiecare întrebare cu care se confruntă clinicianul, dar exclusiv în câmpul experienţei medicale documentate riguros, prin date culese de cazuri concrete. Baze de date, motoare de căutare și studii metastatisticce (studii care compară și sintetizează rezultatele altor studii) au fost cele mai importante instrumente folosite inițial. Pe măsură ce această abordare a câştigat teren, noile cercetări şi comunicări dinspre practicieni au început să fie ele însele formulate şi organizate pentru a facilita accesarea şi utilizarea directă în fundamentarea deciziilor clinice.

În ultimii ani sunt însă progresiv perfecţionate şi utilizate noi instrumente, noi metode de colectare, relaționare și accesare a informației:

  • Calcule statistice de corelație și covarianță, modulate pentru situațiile specific medicale, cu variabilitatea specifică a situațiilor și numărul deseori mic de elemente al populației examinate statistic. Pachete software, specializări ale matematicienilor, manuale voluminoase și simpozioane ample sunt dedicate azi acestor mijloace statistice puse la punct special pentru aplicații medicaleii .
  • Modele statistice dezvoltate pe baza cazuisticii documentate, ca bază pentru formularea prognosticului, în special a celui referitor la durata de viață după stabilirea diagnosticului. Între acestea, au devenit clasice modelele bayesieneiii , regresia logistică, modelele Cox de supraviețuire și curbele Kaplan-Meier.
  • Sistemele expert, care sintetizează informația de referință în structuri arborescente și/sau piramidale. Prin alegerea răspunsurilor pre-definite la întrebări succesive se poate obține în orice situație clinică lista diagnosticelor posibile, lista opțiunilor de tratament etc.. Sistemele expert sunt, însă, mai curând o automatizare a abordărilor bazate pe proceduri și reflectă în mai mică măsură informația colectată direct de la cazurile clinice documentate istoric.
  • Rețelele neuronale artificialeiv .

Retele neuronale 131Rețeaua neuronală artificială este un ansamblu de unități de procesare ("neuroni"), fiecare producând un semnal de ieșire (prin "axon") bazat pe semnale de intrare multiple (venite prin "dendrite"). Semnalele sunt informații/semnale/date, iar unitățile de procesare sunt modelate digital pe calculator, prin rutine software. Legăturile ("sinapsele") între neuroni sunt dinamice: se pot schimba originea, destinația și ponderea (factorul de amplificare/atenuare). În acest fel întreaga arhitectură a rețelei este dinamică. Funcția de transfer proprie fiecărui neuron este, de asemenea, dinamică în procesul de învățare. Rețeaua "învață" continuu, pe baza setului de date folosit pentru "antrenare" sau "verificare".

Rețeaua poate fi foarte complexă. Sunt deja numeroase strategii cu eficacitate confirmată de optimizare ( adică de învățare) a rețelei și noi abordări continuă să fie comunicate de către matematicieni. Puterea calculatoarelor este critică în proiectarea și antrenarea rețelei. Progresele spectaculoase în această direcție au atras prompt și progrese în aplicarea cu succes a rețelelor neuronale în domenii dintre cele mai variate:

  • recunoaștere de forme: text, amprente, față umană, alură corporală (identificarea speciei, de exemplu)
  • predicții: burse, meteorologie, prognostic medical
  • separare "semnal/zgomot"
  • "sparring partners" pentru jocuri strategice
  • monitorizare (camere video de supraveghere, comunicații audio sau text, comportamente de accesare a diverselor servicii: carte de credit, telefon, calculator), sisteme "early warning"
  • automatizarea proceselor complexe, neliniare (avioane fără pilot)

Sunt rețelele neuronale instrumente utilizabile în practica veterinară curentă? Da, și într-un alt articol vom prezenta aplicarea lor pe un studiu test, în care 28 parametri cu valori măsurate în 39 cazuri de cancer la pacienți ai ORTOVET au fost folosiți pentru a organiza și instrui o rețea neuronalăv. Rezultatele încurajatoare obținute au permis demararea în 2012 a unui studiu pilot cu peste o sută de parametri.

i       Timmermans S, Mauck A .,"The promises and pitfalls of evidence-based medicine". Health Aff (Millwood) 24 (1): 18–28 (2005)

ii      Scott I., Mazhindu D. , "Statistics for Health Care Professionals", SAGE Publications (2005)

iii     Pourret O., Naim P., Marcot B., "Bayesian Networks, A Practical Guide to Applications" (2008)

iv     Sordo M., "Introduction to Neural Networks in Healthcare", OpenClinical (2002)

v      Gaita L., Militaru M., Lihet M., "Pilot cancer prognostic model based on pathology laboratory results processed in artificial neural networks", Contributions of scientific research to the progress of veterinary medicine, Simpozion FMV-USAMV (2011)

Published in Oncologie

Descoperiți Cronicile ORTOVET Excelsior. Scrise, fotografiate și filmate zi de zi...

hiero1