2021, Number 1
<< Back Next >>
Revista Cubana de Informática Médica 2021; 13 (1)
BRCAR: support tools for risk evaluation of breast cancer
Acosta CO, Fernández VJ, Goris AL, Goris ALH
Language: Spanish
References: 42
Page:
PDF size: 668.49 Kb.
ABSTRACT
Introduction:
Breast cancer is the most frequent malignant tumour in the world; it is the second cause of women death in Cuba. The insufficiency in early diagnosis and the existence of novel treatment strategies raise the need to establish effective ways to identify risk in healthy people, however in our country there is no effective method to predict risk and direct preventive actions and therapeutic.
Objective:
To create a national standard aimed at identifying breast cancer as a support to medical practice and support tool in risk assessment.
Method:
28 variables (determined by risk factors for breast cancer) were combined; assigning to those variables weighting parameters associated with the level of incidence recorded in the medical literature, using a voting algorithm as the central mathematical element.
Results:
A computerized system was developed to assess the risk of breast cancer in healthy people.
Conclusions:
BRCAR is a support tool to objectify the risk of breast cancer, by determining the impact of certain risk factors, in order to direct study methods for early detection.
REFERENCES
Reyes Romero MA, Sifuentes Álvarez A, Castañeda Martínez LY, Lugo Nevares M. Factores de riesgo asociados con el cáncer de mama en mujeres del estado de Durango, México. Ginecol Obstet Mex. 2015;83:662-9.
División de prevención y control de enfermedades. Departamento manejo integral del cáncer y otros tumores [Internet]. Guías Clínicas AUGE. Cáncer de Mama. Chile; Nov 2015 [citado 3 Jun 2020]. Disponible en: Disponible en: https://www.minsal.cl/wp-content/uploads/2015/09/GPC-CaMama.pdf .
American Cancer Society: Breast Cancer Facts and Figures 2017-2018 [Internet]. Atlanta: American Cancer Society Inc.; 2017 [cited 18 Jul 2019 ]. Available from: Available from: https://www.cancer.org/content/dam/cancer-org/research/cancer-facts-and-statistics/breast-cancer-facts-and-figures/breast-cancer-facts-and-figures-2017-2018.pdf .
Sánchez Vargas HE, Yordi García MJ. ¿Quién se beneficia con los nuevos conocimientos y terapias dirigidas al combate del cáncer? Humanidades Médicas. 2017;17(3):538-64.
Dossus L, Benusiglio PR. Lobular breast cancer: incidence and genetic and non-genetic risk factors. Breast Cancer Res. 2015;17:37.
Peña García Y, Maceo González M, Ávila Céspedes D, Utria Velázquez L, Más López Y. Factores de riesgo para padecer cáncer de mama en la población femenina[comunicación breve]. Rev. Finlay. 2017;7(4).
León K, García K, Lage A. Modelación matemática de las implicaciones de la tolerancia dominante en la biología tumoral y las respuestas a la terapia combinada. Biotecnología Aplicada. 2008;25(4).
Rockhill B, Spiegelman D, Byrne C, et al. Validation of the Model of breast cancer risk prediction and implications for chemoprevention. J Natl Cancer Inst. 2001;93:358-66.
Claus EB, Risch N, Thompson WD. Autosomal dominant inheritance of early onset breast cancer: implications for risk prediction. Cancer. 1994;73:643-51.
Bernet L, García Gómez JM, Cano Muñoz R, Piñero A, Ramírez AK, Rodrigo M, et al. Modelo predictivo multiparamétrico del estatus axilar en pacientes con cáncer de mama: carga tumoral total y perfil molecular. Estudio multicéntrico. Rev Senología y patología mamaria. 2015;.28(3).
Katz J, Anand D Patel, Anand D Patel. What is the BRCAPRO breast cancer risk assessment tool?. Medscape; 2020.
García Foncillas López. Screening y manejo del cáncer de mama hereditario [Internet]. Pamplona, España: Laboratorio de Biotecnología y Farmacogenómica Clínica Universitaria, Facultad de Medicina, Universidad de Navarra. IX congreso SEOM; 2019 [citado 18 Jul 2019]. Disponible en: Disponible en: https://seom.org/seomcms/images/stories/recursos/sociosyprofs/comunicaciones/tenerife/ix_tenerife052.pdf .
Canrisk.org [Internet]. University of Cambridge.Centre for Cancer Genetic Epidemiology; 2020[cited 3 Jun 2020 ]. Available from: Available from: http:// www. BOADICEA - Centre for Cancer Genetic Epidemiology.htm .
Rocha Vázquez M, Pérez Reyna M. Riesgo predictivo para cáncer de mama en mujeres de 35 años y más. Medicina de Familia Andalucía. Feb 2008;8(2):11-6.
Tyrolese A. C# and the .NET Platform. Estados Unidos: Microsoft; 2009.
Fernández A. Manejo de fuentes con Adobe Dreamweaver [Internet]. La webera.es. 2006-2021(c) [citado 5 Jun 2020]. Disponible en: Disponible en: https://www.lawebera.es/manuales/macromedia-dreamweaver/manejo-de-fuentes-con-adobe-dreamweaver.php .
Pinninghoff MA et al. Genetic algorithms as a tool for structuring collaborative groups. Natural Computin. 2016;16(2):1-9.
Anuario estadístico de salud. Cuba 2016 [Internet]. La Habana, Cuba: MINSAP; 2017 [citado 12 Ene 2018]:1561-4433. Disponible en: Disponible en: http://bvscuba.sld.cu/anuario-estadistico-de-cuba/ .
Menéndez GE, Hidalgo Y, Frómeta AM. Acciones instructivas en mujeres con riesgo de padecer cáncer de mama. Rev Cubana Ginecol Salud Reprod [Internet]. 2011 [citado Feb 2015];37(4). Disponible en: Disponible en: http://www.bvs.sld.cu/revistas/gin/vol37_4_11/gin11411.htm .
Pérez OA, Montejo N, Lázaro JL, Castro R, Estrada A. Análisis de las recidivas corregionales por cáncer de mama. Rev Cubana Cir[Internet]. 2012 [citado Feb 2015];51(4):[aprox. 8p]. Disponible en: Disponible en: http://scielo.sld.cu/pdf/cir/v51n4/cir03412.pdf .
Ruisánchez Peón N; Álvarez Bañuelos MT; Menéndez I; Ramírez BI. Registro Cáncer de Mama Hereditario. Rev Cubana Oncol. Ene-Abr 2000;16(1):48-53.
Febles G. Screening mamográfico del cáncer de mama, beneficios y controversias. MÉD Univ Ind Santander. 2014;27(1):51-8.
Lauby Secretan B, Scoccianti C, Loomis D, Benbrahim Tallaa L, Bouvard V, Bianchini F, et al. International Agency for Research on Cancer Handbook Working Group Breast-Cancer Screening - Viewpoint of the IARC Working Group. N Engl. J Med. 2015;372(24):2353-8.
Álvarez Goyanes RI. Evaluación de factores pronósticos y predictivos en cáncer de mama en Cuba. Su papel en la terapia personalizada [tesis doctoral]. La Habana: Instituto Nacional de Oncología y Radiobiología, 2011 [citado 12 Ene 2018]. Disponible en: Disponible en: http://tesis.repo.sld.cu/349/1/AlvarezGoyanes.pdf .
Abugattas Saba J, Manrique Hinojosa J, Vidaurre Rojas T. Mamografía como instrumento de tamizaje en cáncer de mama. Rev peru ginecol Obstet. 2015;61(3).
Bellolio E, Pineda V, Burgos ME, Iriarte MJ, Becker R, Araya JC et al. Valor predictivo del sistema BIRADS para detección de cáncer de mama con mamografía en biopsias por punción con aguja gruesa. Revisión de 5 años en un hospital de referencia. Rev Med Chile. 2015;143:1533-8
Aguilar Jiménez J, Martínez Gálvez M, Pérez Riquelme F, Nicolás Marín C, et al. Protocolo de asesoramiento y medidas de prevención del cáncer de mama en función de la evaluación del riesgo. En: Programa de prevención del cáncer de mama de la Región de Murcia en mujeres con riesgo incrementado. Consejería de Sanidad y Política Social. Plan de salud de la Región de Murcia. Murcia, España: Consejería; 2005.
De Araujo Lamino D, de Mattos Pimenta CA, Braga PE, de Faria Mota DD. Fatiga clínicamente relevante en las mujeres con cáncer de mama: prevalencia y factores asociados. Investig. Enferm. Imagen Desarr [Internet]. 2015 [citado 21 Abr 2019];17(2):13-100. Disponible en: Disponible en: http://revistas.javeriana.edu.co/index.php/imagenydesarrollo/article/view/12408 .
Santaballa Bertrán A. Cáncer de mama. Sociedad Española de Oncología Médica[Internet]. 2020 [citado 3 Jun 2020]. Disponible en: Disponible en: https://seom.org/info-sobre-el-cancer/cancer-de-mama .
Gómez Panchito E. Modelación Matemática Aplicada al Cáncer Cervical. Tlamati Sabiduría. 2016;7(1).
Lorenzo G; Vilanova G; Gómez H. Las ecuaciones del cáncer. Investigación y Ciencia [Internet]. 2017 [citado 4 Jun 2020]. Disponible en: Disponible en: https://www.investigacionyciencia.es/revistas/investigacion-y-ciencia/adaptados-al-ejercicio-702/las-ecuaciones-del-cncer-15128 .
Vázquez, F. D. Algoritmos de Aprendizaje Continuo Mediante Selección de prototipos para Clasificadores Basados en Distancias. Departamento de Lenguajes y Sistemas Informáticos. España; 2008.
González Montero JR. Algoritmos de aprendizaje parcialmente supervisado y no supervisado. Cuba: Universidad de Oriente; 2010.
Moons KGM, Altman DG, Reitsma JB, Ioannidis JPA, Macaskill P, Steyerberg EW,et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162(1):W1-73.
Steyerberg EW, Vedder MM, Leening MJG, Postmus D, D'Agostino RB, Van Calster B, et al. Graphical assessment of incremental value of novel markers in prediction models: From statistical to decision analytical perspectives. Biom J Biom Z. 2015;57(4):556-70.
Rojas Díaz D, Zambrano Matamala C, Salcedo Lagos P, Friz Carrillo M .Un Enfoque de Reconocimiento de Patrones para el Análisis de Disponibilidad Léxica en Estudiantes de Pedagogía en Matemática. Estud Filol. 2018 [citado 4 Jun 2020];(62). Disponible en: Disponibilidad Léxica en Estudiantes de Pedagogía en Matemática. Estud Filol. 2018 [citado 4 Jun 2020];(62). Disponible en: http://dx.doi.org/10.4067/S0071-17132018000200333 .
Harrell F. Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. Springer; 2015.
Salcedo Pedro et al. A Tool for the study of available lexicon in mathematics. En: José Ferrández et al. Eds Bioinspired Computation in Artificial Systems. IWINAC. Part II. Berlin/Heidelberg: Springer; 2015. 11-9 p.
Debray TPA, Vergouwe Y, Koffijberg H, Nieboer D, Steyerberg EW, Moons KGM. A. New framework to enhance the interpretation of external validation studies of clinical prediction models. J Clin Epidemiol. 2015;68(3):279-89.
Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): the TRIPOD statement. Diabet Med J Br Diabet Assoc. Feb 2015;32(2):146-54.
Marbouti Farshid et al. Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education. 2016;103:1-15.
Moons K, Altman DG, Reitsma JB, Ioannidis JPA, Macaskill P, Steyerberg EW, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis: Explanation and elaboration. Annals of Internal Medicine. 2015;162:1-73