Onintze Zaballa defenderá su tesis el próximo día 12 de enero

• La defensa de la tesis tendrá lugar en la Facultad de Informática de la UPV/EHU en Donosti

Onintze Zaballa comenzó su carrera en la Universidad del País Vasco (UPV/EHU) donde estudió un Grado en Matemáticas entre los años 2013-2017. Más tarde, una vez finalizado dicho grado, comenzó un Máster en bioestadística en la Universidad Complutense de Madrid (2017-2018).

Zaballa se unió al Centro Vasco de Matemática Aplicada - BCAM en enero de 2019. Actualmente trabaja en el grupo de investigación Machine Learning (ML).

Su tesis, “Unsupervised learning approaches for disease progression modeling” estará supervisada por Aritz Pérez (BCAM) y Jose Antonio Lozano (BCAM Scientific Director).

La defensa tendrá lugar el día 12 de enero en la Facultas de Informática de la Universidad del País Vasco (UPV/EHU) en Donosti a las 10:30 de la mañana.

¡Por parte de todo el equipo de BCAM, le deseamos a Onintze la mayor de las suertes para la defensa de su tesis!

Resumen

Esta tesis introduce metodologías para el aprendizaje no supervisado a partir de secuencias discretas que representan los procesos de atención clínica de los pacientes. El objetivo principal es modelar la evolución de las trayectorias de tratamiento asociadas con una o varias enfermedades y extraer sus representantes de los registros electrónicos de salud.

Para lograr esto, desarrollamos modelos generativos probabilísticos basados en técnicas de clasificación de secuencias. Estos modelos capturan subtipos de tratamiento, información temporal irregular entre eventos médicos y la progresión conjunta de tratamientos para enfermedades coexistentes en la historia clínica de un paciente. Además, presentamos métodos eficientes para aprender estos modelos. Aplicaciones prácticas, con un enfoque en pacientes con cáncer de mama, resaltan la relevancia e impacto de los modelos en escenarios del mundo real. En resumen, la tesis presenta metodologías interpretables para comprender la dinámica de las enfermedades, abordando de manera efectiva los desafíos comunes en conjuntos de datos clínicos.