A lo largo de las últimas décadas, la disponibilidad cada vez mayor de grandes cantidades de información biomédica ha potenciado el desarrollo de herramientas que permiten extraer e inferir conocimiento. El aumento de tecnologías biomédicas que asisten a los expertos médicos en sus decisiones ha contribuido a la incorporación de un paradigma de medicina basada en la evidencia centrada en el paciente.
Las contribuciones de esta Tesis se centran en el desarrollo de herramientas que asisten al médico en su proceso de toma de decisiones en el diagnóstico de tumores cerebrales (TC) mediante Espectros de Resonancia Magnética (ERM).
En esta Tesis se contribuye con el desarrollo de clasificadores basados en Reconocimiento de Patrones (RP) entrenados con ERM de pacientes pediátricos y adultos para establecer el tipo y nivel de agresividad del tumor. Estos clasificadores especializados son capaces de aprovechar las diferencias bioquímicas existentes entre los TC infantiles y de adultos para llevar a cabo la discriminación.
Una de las principales contribuciones de esta Tesis consiste en el desarrollo de modelos de clasificación enfocados a discriminar los tres tipos de tumores cerebrales pediátricos más prevalentes. El cerebelo suele ser una localización habitual de estos tumores, resultando muy difícil distinguir el tipo mediante el uso de Imagen de Resonancia Magnética. Por lo tanto, obtener un alto acierto en la discriminación de astrocitomas pilocíticos, ependimomas y meduloblastomas mediante ERM resulta crucial para establecer una estrategia de cirugía, ya que cada tipo de tumor requiere de unas acciones diferentes si se quiere obtener un buen pronóstico del paciente.
Asimismo, se concluye que la combinación de señales de ERM adquiridas en dos tiempos de eco, tiempo de eco corto y tiempo de eco largo, mejora la clasificación de tumores cerebrales pediátricos frente al hecho de usar únicamente los ERM de un único tiempo de eco. Esta evidencia amplía y corrobora resultados similares publicados para datos ERM de adultos.
También se presenta en esta Tesis un nuevo método `on-line' para auditar modelos predictivos para Sistemas de Ayuda a la Decisión (SADs) médica para entornos clínicos empleando una aproximación Bayesiana. Este método de auditoría interviene positivamente en el proceso de toma de decisiones del médico en un entorno clínico porque decide cuál es el clasificador que mejor se adecua al caso particular que el médico está evaluando y detecta posibles comportamientos no deseados debido a diferencias poblacionales o cambios en los datos del centro. La eficacia de dicho método queda demostrada para el problema de diagnóstico de TC con una base de datos multicéntrica de ERM.
Además se ha desarrollado un modelo de similitud que complementa el anterior método de auditoría contribuyendo con una metodología para establecer la probabilidad a priori en un conjunto de clasificadores. Dicho modelo de similitud, también inspirado en una aproximación Bayesiana, permite que el SAD seleccione el clasificador más adecuado a cada caso a evaluar atendiendo a información contextual, que es información que no se ha usado en el diseño de los clasificadores pero que está relacionada con el caso o su entorno.
Los resultados de esta tesis han contribuido directamente a los proyectos eTUMOUR (Web accessible MR decision support system for brain tumour diagnosis and prognosis, incorporating in vivo and ex vivo genomic and metabolomic data, 2004-2009), y HEALTHAGENTS (Agent-based Distributed Decision Support System for Brain Tumour Diagnosis and Prognosis, 2006-2008), del 6ºPrograma Marco de la Unión Europea. Como resultados traslacionales a partir de las contribuciones de esta Tesis, cabe destacar la incorporación de dos soluciones prácticas para mejorar el proceso de toma de decisiones que ofrece CURIAM BT, un SAD médica para apoyo al diagnóstico de TC: La incorporación de clasificadores pediátricos como una herramienta no invasiva y efectiva para definir la estrategia de resección del tumor en el preoperatorio; y la incorporación del método de auditoría y el modelo de similitud como herramientas  para seleccionar el clasificador más adecuado para cada caso.