Universitat Pompeu Fabra
Gutiérrez Gallego, Ricardo
2022-04-08
423 p.
Universitat Pompeu Fabra. Departament de Ciències Experimentals i de la Salut
The complete blood count (CBC) is one of the most commonly performed test due to its clinical utility, versatility and safety. Thus, there are well established consensus rules to review a CBC through the peripheral blood smear review based on abnormal quantitative values for the CBC parameters or qualitative changes detected by analyser flags, and approximately, 20% of the reviewed samples in clinical laboratories correspond to samples with lymphocytosis. Lymphocytosis classification into benign or neoplastic categories plays a pivotal role not only in the laboratory workflow, but also in the patient management and, surprisingly, about 30% of laboratories fail in such classification. Thus, the current work presents a complete pipeline to develop a machine learning model as an objective aid for the lymphocytosis diagnosis, based on physical-chemical properties of the different leucocyte subpopulations through the exploitation of new cell population data parameters provided by current haematological analysers.
El hemograma es una de las pruebas que se realiza con más frecuencia debido a su utilidad clínica, versatilidad y seguridad. Así, existen reglas de consenso bien establecidas para la realización del frotis de sangre periférica en base a valores cuantitativos anormales de los parámetros del hemograma, o cambios cualitativos detectados por alarmas en los analizadores, siendo aproximadamente el 20% de las muestras revisadas en laboratorios clínicos muestras con linfocitosis. La clasificación de la linfocitosis en categorías benignas o neoplásicas juega un papel fundamental no solo en el flujo de trabajo del laboratorio, sino también en el manejo del paciente; sin embargo, alrededor del 30% de los laboratorios fallan en dicha clasificación. Por ello, el presente trabajo presenta el diagrama de flujo completo para desarrollar un modelo de aprendizaje automático como ayuda para el diagnóstico de linfocitosis, basado en propiedades físico-químicas de las diferentes subpoblaciones leucocitarias a través de la explotación de los nuevos cell population data proporcionados por los analizadores hematológicos actuales.
Lymphocytosis; Machine learning; Artificial intelligence; Diagnostic tool; Proof of concept; Aprendizaje automático; Inteligencia artificial; Herramienta diagnóstica; Prueba de concepto
616.4 - Pathology of the lymphatic system, haemopoietic (haematopoietic) organs, endocrines
ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
