Al llarg de les últimes dècades, la disponibilitat cada vegada major de grans quantitats d'informació biomèdica ha potenciat el desenvolupament d'eines que permeten extraure i inferir coneixement. L'augment de tecnologies biomèdiques que assisteixen als experts mèdics en les seues decisions ha contribuït a la incorporació d'un paradigma de medicina basada en l'evidència centrada en el pacient.
Les contribucions d'aquesta Tesi se centren en el desenvolupament d'eines que assisteixen al metge en el seu procés de presa de decisions en el diagnòstic de tumors cerebrals (TC) mitjançant Espectres de Ressonància Magnètica (ERM).
En aquesta Tesi es contribueix amb el desenvolupament de classificadors basats en Reconeixement de Patrons (RP) entrenats amb ERM de pacients pediàtrics i adults per establir el tipus i nivell d'agressivitat del tumor. Aquests classificadors especialitzats són capaços d'aprofitar les diferències bioquímiques existents entre els TC infantils i d'adults per dur a terme la discriminació.
Una de les principals contribucions d'aquesta Tesi consisteix en el desenvolupament de models de classificació enfocats a discriminar els tres tipus de tumors cerebrals pediàtrics més prevalents. El cerebel es la localització habitual d'estos tumours, el que fa difícil distingir el tipus del tumor emprant únicament Imatge de Ressonància Magnètica. Per tant, obtenir un alt encert en la discriminació d'astrocitomes pilocitics, ependimomes i meduloblastomes mitjançant ERM resulta crucial per establir una estratègia de cirurgia, ja que cada tipus de tumor requereix unes accions diferents si es vol obtenir un bon pronòstic del pacient.
Tanmateix, es conclou que la combinació de senyals de ERM adquirides en dos temps d'eco, temps d'eco curt i temps d'eco llarg, millora la classificació de tumors cerebrals pediàtrics enfront del fet d'usar únicament els ERM de un temps d'eco. Aquesta evidència amplia i corrobora resultats similars publicats per a dades ERM d'adults.
També es presenta en aquesta Tesi un nou mètode `on-line' per auditar models predictius per a Sistemes d'Ajuda a la Decisió (SADs) mèdica per a entorns clínics emprant una aproximació Bayesiana. Aquest mètode d'auditoria intervé positivament en el procés de presa de decisions del metge en un entorn clínic perquè decideix quin és el classificador que millor s'adequa al cas particular que el metge està avaluant i detecta possibles comportaments no desitjats a causa de diferències poblacionals o canvis en les dades del centre. L'eficàcia d'aquest mètode queda demostrada per al problema de diagnòstic de TC amb una base de dades multicéntrica de ERM.
Amés, s'ha desenvolupat un model de similitud que complementa el mètode d'auditoria, contribuint amb una metodologia per establir la probabilitat a priori en un conjunt de classificadors. El model de similitud, inspirat també en una aproximació Bayesiana, permet que el SAD seleccioni el classificador més adequat a cada cas a avaluar atenent a informació contextual, que és informació que no s'ha usat en el disseny dels classificadors però que està relacionada amb el cas o el seu entorn.
Els resultats d'aquesta Tesi han contribuït directament als projectes 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), i HEALTHAGENTS (Agent-based Distributed Decision Support System for Brain Tumour Diagnosis and Prognosis, 2006-2008), del 6é Programa Marc de la Unió Europea. Cal destacar com a resultats traslacionals a partir de les contribucions d'esta Tesis, la incorporació de dues solucions pràctiques per millorar el procés de presa de decisions que ofereix CURIAM BT, un SAD mèdic per a suport al diagnòstic de TC: La incorporació de classificadors pediàtrics com una eina no invasiva i efectiva per definir l'estratègia de resecció del tumor en el preoperatori; i la incorporació del mètode d'auditoria i el model de similitud com a eines per a seleccionar el classificador més adequat per a cada cas.