Show simple item record

Professor Advisordc.contributor.advisorCerda Villablanca, Mauricio
Authordc.contributor.authorGalaz García, Felipe Andrés
Associate professordc.contributor.otherKrall Opazo, Paola
Associate professordc.contributor.otherValjalo Medina, Ricardo
Associate professordc.contributor.otherAraya Lopez, Mauricio
Admission datedc.date.accessioned2025-05-26T21:29:13Z
Available datedc.date.available2025-05-26T21:29:13Z
Publication datedc.date.issued2025
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/205131
Abstractdc.description.abstractLa Poliquistosis Renal Autosómica Dominante (ADPKD) consiste en una enfermedad hereditaria caracterizada por el desarrollo de quistes renales bilaterales múltiples y el deterioro progresivo de la función renal, donde la patogénesis se atribuye principalmente a una variante en los genes PKD1 y PKD2. Los síntomas de ADPKD se manifiestan entre los 30-40 años y, debido al carácter progresivo de la enfermedad, algunos pacientes pueden evolucionar a la Insuficiencia Renal (ESRD) entre los 40-60 años de edad. En este sentido, es valioso disponer de una herramienta de pronóstico de la progresión a ESRD, para lo cual se han implementado algoritmos en cohortes internacionales que, utilizando datos clínicos, genéticos y/o radiológicos, han permitido predecir satisfactoriamente la evolución de pacientes con ADPKD. Sin embargo, estos modelos predictivos no se usan hoy por hoy a nivel nacional, planteándose como hipótesis que las características clínicas y genéticas de la cohorte chilena difieren de aquellas observadas internacionalmente, con lo que cualquier implementación de las herramientas de pronóstico debiese ser ajustada o calibrada localmente. En virtud de lo anterior, el objetivo general de esta investigación consiste en el desarrollo de una herramienta de predicción de ADPKD para pacientes chilenos basado en Machine Learning, considerando, en particular, dos enfoques metodológicos complementarios: el ajuste de modelos de clasificación binaria y la implementación de un modelo multivariado de regresión de Cox. Los resultados derivados de ambos enfoques permiten afirmar que (1) la variable genética contribuye de manera significativa en la predicción del diagnóstico de ESRD al combinarlas con las medidas demográficas y/o clínicas, y que (2) la cohorte chilena de pacientes ADPKD puede caracterizarse en función de dos grupos de riesgo de progresión a ESRD con una mediana de sobrevida renal entre 48 y 55 años (grupos de riesgo alto y bajo, respectivamente). Luego, se concluye que esta investigación, además de verificar la hipótesis planteada y cumplir con los objetivos propuestos, ha continuado con el trabajo iniciado por Bayyad et al. (2023) al permitir mejorar la comprensión local de la enfermedad poliquística, destacándose que las características clínicas y genéticas de la cohorte chilena difieren de aquellas observadas internacionalmente, ya que se observan diferencias para la predicción del riesgo progresivo de ADPKD entre muestras poblacionales de Chile y Francia. Por último, se debe notar que el trabajo futuro en torno al tópico de esta tesis debe orientarse a la extensión de la fuente de datos actual tanto en cantidad como en dimensionalidad.es_ES
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Títulodc.titleDesarrollo de una herramienta de predicción de Poliquistosis Renal (ADPKD) en pacientes chilenos basado en machine learninges_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorchbes_ES
Departmentuchile.departamentoEscuela de Postgrado y Educación Continuaes_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES
uchile.gradoacademicouchile.gradoacademicoMagisteres_ES
uchile.notadetesisuchile.notadetesisTesis para optar al grado de Magíster en Ciencia de Datoses_ES


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States