Redes neuronales de aprendizaje profundo aplicadas al análisis de resultados de trasplantes de riñón

Abstract

El trasplante de riñon es el procedimiento de trasplante más demandado en España y la supervivencia del órgano trasplantado depende de muchos factores. En este proyecto se analizarán las variables registradas de los procedimientos de trasplante de riñón que se han llevado a cabo en Andalucía en las últimas dos décadas. Para ello, se crearán redes neuronales artificiales que utilizarán estructuras de aprendizaje profundo para encontrar patrones en estos datos. El objetivo es mejorar las predicciones que se realizan actualmente con métodos estadísticos tradicionales y así poder proveer al personal sanitario de la mayor información posible para la toma de decisiones en estos procesos. En el desarrollo del proyecto, se construirán diferentes modelos de redes neuronales multicapa que se entrenarán mediante aprendizaje profundo con los datos cedidos por la Coordinación Autonómica de Trasplantes de Andalucía. Posteriormente se analizarán los resultados obtenidos, el éxito o fracaso de los modelos y se plantearán nuevas rutas para mejoras futuras.

Kidney transplantation is the most demanded transplantation procedure in Spain and the survival of the transplanted organ depends on many factors. This project will analyse the variables which have been recorded in kidney transplantation procedures carried out in Andalucía in the last two decades. For this purpose, artificial neural networks will be created using deep learning structures to find patterns in these data. The aim is to improve the predictions that are currently made using traditional statistical methods and providing healthcare personnel with as much information as possible for the decision making. During the development of the project, different multilayer neural network models will be built and trained with deep learning methods with the data provided by the Coordinación Autonómica de Trasplantes de Andalucía. Subsequently, the results obtained and the success or failure of the models will be analysed and new routes for future improvements will be proposed.