{"id":{"repo_id":"oviedo","oai_identifier":"oai:digibuo.uniovi.es:10651/39298"},"canonical_url":"https://search.dev.ndltd.org/etd/oviedo/oai:digibuo.uniovi.es:10651/39298","repository":{"repo_id":"oviedo","name":"Universidad de Oviedo","base_url":"https://digibuo.uniovi.es/oai/request"},"display":{"title":"Biomedical robots. Application to transnational medicine","abstract":"Esta tesis trata sobre el análisis y diseño de robots biomédicos y su aplicación a la medicina traslacional. Se define un robot biomédico como el conjunto de técnicas provenientes de la matemática aplicada, estadística y ciencias de la computación capaces de analizar datos biomédicos de alta dimensionalidad, aprender dinámicamente de dichos datos, extraer nuevo conocimiento e hipótesis de trabajo, y finalmente realizar predicciones con su incertidumbre asociada, cara a la toma de decisiones biomédicas. Se diseñan y analizan diferentes algoritmos de aprendizaje, de reducción de la dimensión y selección de atributos, así como técnicas de optimización global, técnicas de agrupamiento no supervisado (clustering), algoritmos de predicción y clasificación, y análisis de incertidumbre. Dichas metodologías se aplican a datos a pie de hospital y de expresión génica en predicción de fenotipos para optimización del diagnóstico, pronóstico, tratamiento y análisis de toxicidades. Se muestra que es posible establecer de modo sencillo el poder discriminatorio de las variables pronóstico, y que dichos problemas de clasificación se aproximan a un compor- tamiento linealmente separable cuando se reduce la dimensión al conjunto de variables principales que definen el alfabeto del problema biomédico y están por tanto relacionadas con su génesis. Se analiza la robustez de dichos métodos con respecto a dos fuentes principales de ruido (en los datos y en la asignación de clases), así como errores en la modelización dado que se desconoce a priori el clasificador perfecto (si existiese). Además se demuestra el impacto en la identificación de genes altamente predictivos y de los pathways asociados, de las principales técnicas de preprocesado de microarreglos de expresión en la predicción de fenotipos. Finalmente se muestra que la metodología de robots biomédicos que se basa en técnicas de predicción por consenso, que explotan el espacio de incertidumbre de los problemas de predicción asociados, es la manera adecuada de abordar este tipo de problemas y por tanto de descubrir nuevo conocimiento.","abstract_html":"Esta tesis trata sobre el análisis y diseño de robots biomédicos y su aplicación a la medicina traslacional. Se define un robot biomédico como el conjunto de técnicas provenientes de la matemática aplicada, estadística y ciencias de la computación capaces de analizar datos biomédicos de alta dimensionalidad, aprender dinámicamente de dichos datos, extraer nuevo conocimiento e hipótesis de trabajo, y finalmente realizar predicciones con su incertidumbre asociada, cara a la toma de decisiones biomédicas. Se diseñan y analizan diferentes algoritmos de aprendizaje, de reducción de la dimensión y selección de atributos, así como técnicas de optimización global, técnicas de agrupamiento no supervisado (clustering), algoritmos de predicción y clasificación, y análisis de incertidumbre. Dichas metodologías se aplican a datos a pie de hospital y de expresión génica en predicción de fenotipos para optimización del diagnóstico, pronóstico, tratamiento y análisis de toxicidades. Se muestra que es posible establecer de modo sencillo el poder discriminatorio de las variables pronóstico, y que dichos problemas de clasificación se aproximan a un compor- tamiento linealmente separable cuando se reduce la dimensión al conjunto de variables principales que definen el alfabeto del problema biomédico y están por tanto relacionadas con su génesis. Se analiza la robustez de dichos métodos con respecto a dos fuentes principales de ruido (en los datos y en la asignación de clases), así como errores en la modelización dado que se desconoce a priori el clasificador perfecto (si existiese). Además se demuestra el impacto en la identificación de genes altamente predictivos y de los pathways asociados, de las principales técnicas de preprocesado de microarreglos de expresión en la predicción de fenotipos. Finalmente se muestra que la metodología de robots biomédicos que se basa en técnicas de predicción por consenso, que explotan el espacio de incertidumbre de los problemas de predicción asociados, es la manera adecuada de abordar este tipo de problemas y por tanto de descubrir nuevo conocimiento.","abstract_has_math":false,"creators":["Andrés Galiana, Enrique Juan de"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Luaces Rodríguez, Óscar","Fernández Martínez, Juan Luis"],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016-07-22","date_published":"2016-07-22","updated_at":"2026-07-24T03:41:00Z","subjects":["Inteligencia artificial"],"languages":["eng"],"rights":["CC Reconocimiento - No comercial - Sin obras derivadas 4.0 Internacional"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10651/39298","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Luaces Rodríguez, Óscar","Fernández Martínez, Juan Luis"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Matemáticas, Departamento de"]},{"key":"dc:creator","label":"Author","values":["Andrés Galiana, Enrique Juan de"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2017-01-04T12:52:43Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2017-01-04T12:52:43Z"]},{"key":"dc:date.issued","label":"Date","values":["2016-07-22"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Inteligencia artificial"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["CC Reconocimiento - No comercial - Sin obras derivadas 4.0 Internacional"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10651/39298"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Esta tesis trata sobre el análisis y diseño de robots biomédicos y su aplicación a la medicina traslacional. Se define un robot biomédico como el conjunto de técnicas provenientes de la matemática aplicada, estadística y ciencias de la computación capaces de analizar datos biomédicos de alta dimensionalidad, aprender dinámicamente de dichos datos, extraer nuevo conocimiento e hipótesis de trabajo, y finalmente realizar predicciones con su incertidumbre asociada, cara a la toma de decisiones biomédicas. Se diseñan y analizan diferentes algoritmos de aprendizaje, de reducción de la dimensión y selección de atributos, así como técnicas de optimización global, técnicas de agrupamiento no supervisado (clustering), algoritmos de predicción y clasificación, y análisis de incertidumbre. Dichas metodologías se aplican a datos a pie de hospital y de expresión génica en predicción de fenotipos para optimización del diagnóstico, pronóstico, tratamiento y análisis de toxicidades. Se muestra que es posible establecer de modo sencillo el poder discriminatorio de las variables pronóstico, y que dichos problemas de clasificación se aproximan a un compor- tamiento linealmente separable cuando se reduce la dimensión al conjunto de variables principales que definen el alfabeto del problema biomédico y están por tanto relacionadas con su génesis. Se analiza la robustez de dichos métodos con respecto a dos fuentes principales de ruido (en los datos y en la asignación de clases), así como errores en la modelización dado que se desconoce a priori el clasificador perfecto (si existiese). Además se demuestra el impacto en la identificación de genes altamente predictivos y de los pathways asociados, de las principales técnicas de preprocesado de microarreglos de expresión en la predicción de fenotipos. Finalmente se muestra que la metodología de robots biomédicos que se basa en técnicas de predicción por consenso, que explotan el espacio de incertidumbre de los problemas de predicción asociados, es la manera adecuada de abordar este tipo de problemas y por tanto de descubrir nuevo conocimiento."]},{"key":"dc:title","label":"Title","values":["Biomedical robots. Application to transnational medicine"]}]}],"canonical_facts":{"dc:contributor.advisor":["Luaces Rodríguez, Óscar","Fernández Martínez, Juan Luis"],"dc:contributor.other":["Matemáticas, Departamento de"],"dc:creator":["Andrés Galiana, Enrique Juan de"],"dc:date.accessioned":["2017-01-04T12:52:43Z"],"dc:date.available":["2017-01-04T12:52:43Z"],"dc:date.issued":["2016-07-22"],"dc:description.abstract":["Esta tesis trata sobre el análisis y diseño de robots biomédicos y su aplicación a la medicina traslacional. Se define un robot biomédico como el conjunto de técnicas provenientes de la matemática aplicada, estadística y ciencias de la computación capaces de analizar datos biomédicos de alta dimensionalidad, aprender dinámicamente de dichos datos, extraer nuevo conocimiento e hipótesis de trabajo, y finalmente realizar predicciones con su incertidumbre asociada, cara a la toma de decisiones biomédicas. Se diseñan y analizan diferentes algoritmos de aprendizaje, de reducción de la dimensión y selección de atributos, así como técnicas de optimización global, técnicas de agrupamiento no supervisado (clustering), algoritmos de predicción y clasificación, y análisis de incertidumbre. Dichas metodologías se aplican a datos a pie de hospital y de expresión génica en predicción de fenotipos para optimización del diagnóstico, pronóstico, tratamiento y análisis de toxicidades. Se muestra que es posible establecer de modo sencillo el poder discriminatorio de las variables pronóstico, y que dichos problemas de clasificación se aproximan a un compor- tamiento linealmente separable cuando se reduce la dimensión al conjunto de variables principales que definen el alfabeto del problema biomédico y están por tanto relacionadas con su génesis. Se analiza la robustez de dichos métodos con respecto a dos fuentes principales de ruido (en los datos y en la asignación de clases), así como errores en la modelización dado que se desconoce a priori el clasificador perfecto (si existiese). Además se demuestra el impacto en la identificación de genes altamente predictivos y de los pathways asociados, de las principales técnicas de preprocesado de microarreglos de expresión en la predicción de fenotipos. Finalmente se muestra que la metodología de robots biomédicos que se basa en técnicas de predicción por consenso, que explotan el espacio de incertidumbre de los problemas de predicción asociados, es la manera adecuada de abordar este tipo de problemas y por tanto de descubrir nuevo conocimiento."],"dc:identifier.uri":["http://hdl.handle.net/10651/39298"],"dc:language.iso":["eng"],"dc:rights":["CC Reconocimiento - No comercial - Sin obras derivadas 4.0 Internacional"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Inteligencia artificial"],"dc:title":["Biomedical robots. Application to transnational medicine"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T03:41:00Z"}