Minería de datos para la evaluación del riesgo de malignidad en pacientes con nódulos tiroideos con estudio citológico Bethesda IV

Contenido principal del artículo

Rogers Leonardo Baquero G.
Esteban Diazgranados G.
Elizabeth León G.
Juan de Francisco Zambrano
Álvaro Eduardo Calixto G.
Andrés Felipe Rey
Cesar Alfonso Palencia
Juan Fernando Castañeda
Erika León G.

Resumen

Introducción: en el campo de la salud, cada decisión representa datos, y las técnicas de minería de datos han empezado a ser una metodología prometedora para el análisis de esta información, especialmente en el diseño de los modelos predictivos.
Métodos: estudio observacional analítico de pacientes mayores de 15 años, con reporte
de punción de aspiración con aguja fina con estudio Bethesda IV, sometidos a manejo quirúrgico en el Hospital de San José de Bogotá. Los datos recogidos de los pacientes se incluyeron en tres grupos: la información sociodemográfica y clínica, los hallazgos en la citología y los reportes de la ecografía. Se realizó el análisis mediante Naive-Bayes, árbol de decisión y redes neuronales. Se usó la herramienta
Weka versión 3.8.2. Resultados: de los 427 pacientes, 195 tuvieron resultados de patología de carcinoma de tiroides (45,6 %). Se evidenciaron mejores resultados usando la validación cruzada (10 fold) comparado con partición (66 %), la técnica
de Bayes tuvo mejores resultados de clasificación correcta (91,1 %), comparado con la técnica de árbol (87,8 %) y la red neuronal (88,2 %). Conclusiones: el uso de la técnica de Naive Bayes muestra una importante exactitud para determinar la predicción
de riesgo de malignidad en los pacientes con estudio citológico Bethesda IV, lo cual permitiría orientar de forma adecuada el manejo quirúrgico de los pacientes.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
1.
Baquero G. RL, Diazgranados G. E, León G. E, Zambrano J de F, Calixto G. Álvaro E, Rey AF, Palencia CA, Castañeda JF, León G. E. Minería de datos para la evaluación del riesgo de malignidad en pacientes con nódulos tiroideos con estudio citológico Bethesda IV. Acta otorrinolaringol cir cabeza cuello [Internet]. 31 de marzo de 2021 [citado 5 de noviembre de 2024];50(1):36 - 44. Disponible en: https://revista.acorl.org.co/index.php/acorl/article/view/618
Sección
Trabajos Originales

Citas

Kumar R, Shaikh B, Chandio A, Ahmed J. Role of health management information system in disease reporting at a rural

district of Sindh. Pak J Public Health. 2012;2(2):10-2.

Castro M. Las técnicas de modelización estadística en la investigación educativa: minería de datos, modelos de

ecuaciones estructurales y modelos jerárquicos lineales. Rev Esp Pedag. 2012;251:131-48.

Stilou S, Bamidis PD, Maglaveras N, Pappas C. Mining association rules from clinical databases: An intelligent

diagnostic process in healthcare. Stud Health Technol Inform.2001;84(2):1399-403.

Salazar J, Espinoza C, Mindiola A, Bermúdez V. Data mining and endocrine diseases: A new way to classify? Arch Med Res.2018;49(3):213-5. doi: 10.1016/j.arcmed.2018.08.005.

Kim T, Zabaneh F, Holmes J, Disrude L, Price M, Gentry L. A practical data mining method to link hospital microbiology

and an infection control database. Am J Infect Control.2008;36(3):S18-S20. doi: 10.1016/j.ajic.2007.05.010.

Izzo CM, Prescott J, Peden A, Brown JF, Valencia F. Use of a data mining system to improve the process of public health

reporting in a large teaching facility. Am J Infect Control. 2008;36(5):E186. doi: 10.1016/j.ajic.2008.04.216.

Michie D, Spiegelhalter DJ, Taylor CC, Campbell J (editores).Machine learning, neural and statistical classification. Upper

Saddle River, NJ, EE. UU.: Ellis Horwood. 1994.

Koh HC, Tan G. Data mining applications in healthcare. J Healthc Inf Manag. 2005;19(2):64-72.

Kotsiantis S, Pierrakeas C, Pintelas P. Preventing student dropout in distance learning using machine learning techniques.Springer. 2003. p. 267-74.

Schreiner AM, Yang GC. Adenomatoid nodules are the main cause for discrepant histology in 234 thyroid fine-needle

aspirates reported as follicular neoplasm. Diagn Cytopathol.2012;40(5):375-9. doi: 10.1002/dc.21499.

Conzo G, Calò PG, Gambardella C, Tartaglia E, Mauriello C, Della Pietra C, et al. Controversies in the surgical management of thyroid follicular neoplasms. Retrospective analysis of

patients. Int J Surg. 2014;12(1):S29-34. doi: 10.1016/j.ijsu.2014.05.013.

Herrera F, Redondo K, Osorio C, Grice J, Fernández A. Utilidad de la citología obtenida mediante aspiración con aguja fina en el diagnóstico de las neoplasias foliculares de la glándula tiroides en la E.S.E Hospital Universitario del Caribe: un estudio retrospectivo. Rev Colomb Cir. 2015;30:12-7. doi: 10.30944/issn.2011-7582.

Jo VY, Stelow EB, Dustin SM, Hanley KZ. Malignancy risk for fine-needle aspiration of thyroid lesions according to

the Bethesda system for reporting thyroid cytopathology. Am J Clin Pathol. 2010;134(3):450-6. doi: 10.1309/

AJCP5N4MTHPAFXFB.

Osorio C, Fernández A, Herrera K, Marrugo Á, Ensuncho C, Redondo K, et al. Sensibilidad y especificidad de la citología

obtenida mediante aspiración con aguja fina en el diagnóstico de las neoplasias foliculares de la glándula tiroides: un estudio prospectivo. Rev Esp Patol. 2016;49(3):144-50. doi: 10.1016/j.patol.2016.01.005.

Kuru B, Kefeli M. Risk factors associated with malignancy and with triage to surgery in thyroid nodules classified as Bethesda category IV (FN/SFN). Diagn Cytopathol. 2018;46(6):489-94. doi: 10.1002/dc.23923.

Lee SH, Baek JS, Lee JY, Lim JA, Cho SY, Lee TH, et al. Predictive factors of malignancy in thyroid nodules with a

cytological diagnosis of follicular neoplasm. Endocr Pathol.2013;24(4):177-83. doi: 10.1007/s12022-013-9263-x.

Yassa L, Cibas ES, Benson CB, Frates MC, Doubilet PM,Gawande AA, et al. Long-term assessment of a multidisciplinary

approach to thyroid nodule diagnostic evaluation. Cancer.2007;111(6):508-16. doi: 10.1002/cncr.23116.

Guth S, Theune U, Aberle J, Galach A, Bamberger CM.Very high prevalence of thyroid nodules detected by high

frequency (13 MHz) ultrasound examination. Eur J Clin Invest.2009;39(8):699-706. doi: 10.1111/j.1365-2362.2009.02162.

Gharib H, Papini E, Garber JR, Duick DS, Harrell RM, HegedüsL, et al. American Asociation of Clinical Endocrinologists,

American College of Endocrinology, and Associazione Medici Endocrinologi Medical guidelines for clinical practice for the

diagnosis and management of thyroid nodules--2016 update. Endocr Pract. 2016;22(5):622-39. doi: 10.4158/EP161208.GL.

Abdul-Jabar HB, Lynn J. The surgical management of thyroid cancer. Nucl Med Commun. 2004;25(9):869-72. doi:

1097/00006231-200409000-00002.

Rodríguez González H, Pava Marín R, Castaño Herrera LF, Valencia García LV, Pava Ripoll A. Evaluación de la

precisión diagnóstica de la punción aspiración con aguja fina en pacientes con nódulo tiroideo. Biosalud. 2017;16(1):19-29.

doi: 10.17151/biosa.2017.16.1.3.

Mejía M, Rivera Delgado M, Bonilla J, Melo M, Rojas García W. Factores asociados a histopatología final benigna en

pacientes con biopsia por aspiración con aguja fina clasificados como Bethesda en IV-V-VI en Hospital de San José. Bogotá:

Fundación Universitaria de Ciencias de la Salud. 2017.

Park SY, Hahn SY, Shin JH, Ko EY, Oh YL. The diagnostic performance of thyroid US in each category of the Bethesda

system for reporting thyroid cytopathology. PLoS One. 2016;11(6):e0155898. doi: 10.1371/journal.pone.0155898.

Razia S, Narasinga MR. Machine learning techniques for thyroid disease diagnosis - A review. Indian J Sci Technol.

;9(28):1-9. doi: 10.17485/ijst/2016/v9i28/93705.

Boas FE, Liu LY, Kamaya A, Desser TS, Rubin DL. Estimating the probability of malignancy of thyroid nodules using adjusted naïve Bayes. 2012. Disponible en: http://www.edboas.com/calc/thyroid.pdf