Análisis voltamétrico de orinas de pacientes de Cáncer de Vejiga mediante una lengua electrónica. Elaboración de un modelo de detección

Abstract

[ES] Este trabajo de final de máster recoge la elaboración de un modelo de predicción de cáncer de vejiga elaborado a partir de muestras de orina de pacientes antes y después de padecer la enfermedad. Las muestras de orina son medidas mediante una lengua electrónica voltamétrica y los resultados traspasados a formato digital. Estas medidas son utilizadas en el software informático Matlab para entrenar sistemas de análisis multivariante que permitan predecir si muestras de futuros pacientes padecen de cáncer de vejiga o no. Los sistemas entrenados fueron sistemas de análisis discriminantes, tanto lineal como cuadrático, además de un análisis de componentes principales. Tras las pruebas realizadas se descubre en este trabajo el mejor número de electrodos para trabajar con la lengua electrónica y el método de análisis que mejor se ajusta a estos datos para la predicción. En último lugar se concluyen cuales son las mejores combinaciones de electrodos para los sistemas entrenados y se encuentran dos sistema capaces de predecir con una precisión aproximada del 75%. Con estos sistemas se predicen muestras de pacientes un tiempo después de su recuperación de la enfermedad.

[EN] This work includes the development of abladder cancer prediction model made from patients urine samples before and after suffering the disease. Urine samples are measured using a voltammetric electronic tongue and the results are transferred to digital format. These measures are applied with Matlab computer software for train multivariate analysis systems to predict whether samples of future patients are suffering of cancer. The trained systems were discriminant analysis, both linear and quadratic, in addition to a principal component analysis. After the tests were performed, the best number of electrodes to work with the electronic tongue and the method of analysis that get best fits for these data to make the prediction is discovered in this work. Finally, the best combinations of electrodes for the trained systems are concluded, and were found two systems to predict with an approximate accuracy of 75%. These systems were used to predict patient samples a time after they recovery from the disease.