Análisis de la energía y de los principales componentes de las señales cromatográficas para el diagnóstico del cáncer de próstata
Analysis of energy and major components in chromatographic signals for the diagnosis of prostate cancer
Barra lateral del artículo
PDF (English)
FLIP
(English)
HTML (English)
Contenido principal del artículo
El examen de próstata es una herramienta de detección temprana para prevenir el cáncer de próstata y los principales instrumentos diagnósticos para obtener indicios son generalmente invasivos. Este artículo analiza señales cromatográficas provenientes de la orina de pacientes con cáncer de próstata y pacientes control como propuesta de examen no invasivo. Para tal efecto, metodológicamente, se toman muestras de orina, se digitalizan en cromatogramas, se tratan con técnicas matemáticas y se clasifican. Las técnicas matemáticas son normalización de tiempo, eliminación del tiempo muerto, corrección de línea base, eliminación de ruido y alineación de picos. Las técnicas de clasificación analizan la energía, en el dominio del tiempo y frecuencia, y los componentes principales en gráficas de sedimentación y puntuaciones. Como resultado se caracteriza la señal cromatográfica e identifica la curva característica que representa la señal de los pacientes con cáncer de próstata y pacientes control. La estructura de los datos muestra una distribución de conglomerado, del 88,88 % de los vectores, para los pacientes control. Para el caso de los pacientes con cáncer de próstata la distribución de los datos es en conglomerados alrededor de la zona delimitada por los pacientes control. Esta caracterización demarca regiones de clasificación de señales para diagnosticar posibles pacientes con cáncer de próstata, validando la relación existente entre la señal cromatográfica y el cáncer.
Descargas
Detalles del artículo
Á. Fajardo-Zapata and G. Jaimes-Monroy,“Conocimiento, percepción y disposición sobre el examen de próstata en hombres mayores de 40 años,” Investig. Orig., vol. 64, no. 2, pp. 223–228,2016.
D. Glujovsky, A. Bardach, S. García-Martí, D.Comandé, and A. Ciapponi, “PRM2 EROS: A New Software For Early Stage Of Systematic REVIEWS,”Value Heal., vol. 14, no. 7, p. A564, Nov. 2011.
I. Rivera et al., “Diseño de dispositivos para el diagnóstico de sarcopenia en miembro superior,”Memorias del Congr. Nac. Ing. Biomédica, vol. 2,no. 1, pp. 174–177, 2017.
L. Garrido-Martínez and R. I. González-Fernández, “Revista cubana de informática médica,”Rev. Cuba. Informática Médica, vol. 15, no. 2, pp.153–164, 2015.
E. Dugarte-Dugarte et al., “Algoritmo de bajo costo de procesamiento para la detección de potenciales tardíos ventriculares (PTV),” CLIC Conoc. Libr. y Licenciamiento, vol. 8, no. 15, pp.73–93, 2017.
P. A. Stack-Sánchez, G. Dorantes-Méndez, and A. R. M. Rodríguez, “Caracterización del temblor Parkinsoniano mediante dimensión fractal en señales de acelerometría,” Memorias del Congr. Nac. Ing.Biomédica, vol. 5, no. 1, pp. 190–193, Oct. 2018.
M. E. Bedoya-Vargas, J. C. Vásquez-Correa,and J. R. Orozco-Arroyave, “Time-frequency representations from inertial sensors to characterize the gait in Parkinson’s disease,” TecnoLógicas, vol.21, no. 43, pp. 53–69, Sep. 2018.
I. G. Bravo, P. A. S. Sánchez, G. D. Méndez, and A. R. M. Rodriguez, “Evaluación del movimiento a través de acelerometría en pacientes con enfermedad de parkinson,” Memorias del Congr. Nac. Ing.Biomédica, vol. 4, no. 1, pp. 138–141, Sep. 2017.
E. Payá-Bosch, “Desarrollo de un sistema de extracción avanzada de características en imagen histológica para la identificación automática del cáncer de próstata,” Universidad Politécnica de Valencia, 2017.
B. Zapote-Hernández, J. Cruz-Santiago,E. González-Vargas, and A. Jaramillo-Núñez,“Concordancia diagnóstica entre los métodos visual e informático en la detección de metástasis por gammagrafía ósea en cáncer de próstata,” An.Radiol. México, vol. 15, no. 2, pp. 111–119, 2016.
L. Hussain et al., “Prostate cancer detection using machine learning techniques by employing combination of features extracting strategies,”Cancer Biomarkers, vol. 21, no. 2, pp. 393–413,Feb. 2018.
J. Wang, C.-J. Wu, M.-L. Bao, J. Zhang, X.-N.Wang, and Y.-D. Zhang, “Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer,” Eur. Radiol., vol. 27, no.
, pp. 4082–4090, Oct. 2017.
B. Patiño-Domínguez, “Determinación de parámetros operacionales necesarios en el empaquetado de columnas de cromatografía,”Universidad Da Coruña, 2016.
R. Majors, Sample preparation fundamentals for chromatography. Canada: Agilent Technologies,2013.
J. Cazes, Encyclopedia of Chromatography, 3ra ed. New York, 2009.
A. Medina-Santiado, “Sistema de diagnóstico de señales biomédicas con redes neuronales artificiales,” Chiapas, 2015.
J. A. Navarro-Acosta and J. P. Nieto-González, “Detección y diagnóstico de fallas para la dinámica lateral de un automóvil utilizando máquinas de soporte vectorial multiclase,” Res. Comput. Sci., vol.73, pp. 167–179, 2014.
M. A. Melara-Estrada, “Introducción a la transformada Wavelet y la la teoría de análisis de señales,” Universidad de El Salvador, 2015.
A. Sheinker and M. B. Moldwin, “Magnetic anomaly detection (MAD) of ferromagnetic pipelines using principal component analysis (PCA),” Meas.Sci. Technol., vol. 27, no. 4, p. 045104, Apr. 2016.
Z. Chen, Q. Zhu, Y. C. Soh, and L. Zhang,“Robust Human Activity Recognition Using Smartphone Sensor via CT-PCA and Online SVM,”IEEE Trans. Ind. Informatics, 2017.
J. G. Rueda-Bayona, C. J. Elles-Pérez, E.H. Sánchez-Cotte, Á. L. González-Ariza, and G.D. Rivillas-Ospina, “Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias,” Tecnura, vol. 20, no. 50, pp. 55–68, 2016.
P. Arroyo, I. Suárez, J. Lozano, J. Herrero, and P. Carmona, “Nariz electrónica personal para la detección de contaminantes en el aire,” Actas las XXXIX Jornadas Automática, pp. 894–899, 2018.
T. O’Haver, “A Pragmatic Introduction to Signal Processing with applications in scientific measurement,” University of Maryland at College Park, 2018.
F. Savorani, G. Tomasi, and S. B. Engelsen,“Alignment of 1D NMR Data using the iCoshift Tool: A Tutorial,” in Magnetic Resonance in Food Science: Food for Thought, 2013, pp. 14–24.
A. Kassambara, Practical guide to principal component methods in R : PCA, (M)CA, FAMD,MFA, HCPC, factoextra. STHDA, 2017.
