Matematici z PřF vytvořili model pro odhad výsledku léčby pacientů s lymfomem

Výsledná rozšířená naivní bayesovská síť použitá k predikci prognózy: uzly představují proměnné a hrany mezi nimi závislosti. Hrany představují korelace mezi proměnnými, ale nemusí nutně znamenat kauzální vztah. Tloušťka hrany představuje sílu statistické závislosti.
Zdroj: Štěpánka Matuštíková
Tuesday 24 November 2020, 13:00 – Text: Šárka Chovancová

Unikátní pravděpodobnostní model pro odhad výsledku léčby pacientů s folikulárním lymfomem vytvořil tým z katedry matematické analýzy a aplikací matematiky Přírodovědecké fakulty Univerzity Palackého. Individualizovaný prognostický systém v budoucnu umožní nabídnout konkrétnímu nemocnému léčbu, kterou jeho zdravotní stav vyžaduje.

Projekt, jehož základem jsou bayesovské sítě, vedou odborníci z Hemato-onkologické kliniky Lékařské fakulty UP, Fakultní nemocnice Olomouc a Kooperativní lymfomové skupiny ČR. Abstrakt vědecké práce byl publikován v online suplementu časopisu Blood.

Bayesovská síť je grafová reprezentace, pomocí které lze přehledně zobrazit pravděpodobnostní vztahy mezi jednotlivými jevy a určit jejich pravděpodobnost. V medicíně lze pomocí tohoto matematického modelu predikovat u konkrétního pacienta výsledek jednotlivých druhů léčby a následně vybrat správnou variantu, která povede k požadovanému výsledku.

„Naše práce vychází z názoru, že bayesovské sítě představují rozumnější aparát pro práci s medicínskými daty než metody klasické frekventistické statistiky. Domníváme se, že správná práce s nejistotou je také budoucností metod strojového učení, které mají potenciál svět biomedicínských dat skutečně změnit,“ uvedl Tomáš Fürst z katedry matematické analýzy a aplikací matematiky, který na projektu spolupracoval se svojí diplomantkou Štěpánkou Matuštíkovou.

Bayesovská síť pomůže lékařům zvolit správnou strategii léčby. „To, co nám v moderní medicíně chybí, je skutečně individualizovaný odhad prognózy nemocného. Současné přístupy skrze aparát logistické regrese sice zařadí nemocného do rizikové skupiny, ta ale může být stále poměrně různorodá,“ upozornil profesor Vít Procházka z Hemato-onkologické kliniky LF UP a FNOL. Bayesovská síť je naproti tomu individualizovaný a dynamický systém. „Umožní nám v reálném čase změnit odhad rizika, pokud se změní některá z proměnných. Pokud například plánujeme podání různých typů terapie, tak lze předvídat, jak se změní léčebný efekt,“ dodal.

Práce zaměřená na využití bayesovských sítí při prognóze výsledku léčby pacientů s folikulárním lymfomem byla přijata k ústní prezentaci na kongresu Americké hematologické asociace (62nd American Society of Hematology Annual Meeting), který je s třiceti tisíci účastníky a více než čtyřmi tisíci sdělení největší a nejprestižnější hematologickou událostí na světě.

„Být součástí aplikace moderních metod statistiky v tak důležité oblasti vědy byla skvělá příležitost a výzva, jak se dostat z teoretického světa matematiky do praktických aplikací. Tento problém mi umožnil důkladně se sžít s bayesovskou statistikou a objevit výhody bayesovských sítí, mezi které patří i srozumitelná grafická reprezentace problému,“ popsala svou vědeckou práci Štěpánka Matuštíková.

Na problematice predikčních modelů pro pacienty s folikulárním lymfomem tým nadále spolupracuje také s Kooperativní lymfomovou skupinou a s kolegy z Department of Health Sciences Research, Mayo Clinic v americké Minnesotě.

Back

Privacy settings

We use cookies and any other network identifiers on our website that may contain personal data (e.g. about how you browse our website). We and some of the service providers we use have access to or store this data on your device. This data helps us to operate and improve our services. For some purposes, your consent is required to process data collected in this way. You can change or revoke your consent at any time (see the link at the bottom the page).

(Essential cookies enable basic functions and are necessary for the website to function properly.)
(Statistics cookies collect information anonymously. This information helps us to understand how our visitors use our website.)
(They are designed for promotional purposes, measuring the success of promotional campaigns, etc.)