| Περίληψη: | Το ήπαρ (γνωστό και ως συκώτι) είναι ένα μεγάλο όργανο των σπονδυλωτών στο οποίο πραγματοποιούνται πολλές, ζωτικής σημασίας λειτουργίες για τον οργανισμό. Μερικές φορές παρατηρείται το φαινόμενο τα κύτταρα στο ήπαρ να αλλάζουν και σα συνέπεια αυτού να μην αναπτύσσονται πλέον ή να μη συμπεριφέρονται φυσιολογικά. Αυτές οι αλλαγές μπορεί να οδηγήσουν σε καλοήθεις όγκους, αλλά σε ορισμένες περιπτώσεις οι αλλαγές στα ηπατικά κύτταρα μπορούν να προκαλέσουν καρκίνο. Τις περισσότερες φορές, ο καρκίνος του ήπατος ξεκινά σε κύτταρα που ονομάζονται ηπατοκύτταρα. Αυτός ο τύπος καρκίνου ονομάζεται ηπατοκυτταρικό καρκίνωμα (Liver HepatoCellular Carcinoma – LHCC) και είναι ο πιο κοινός τύπος καρκίνου του ήπατος σε παγκόσμιο επίπεδο και η τρίτη σε σειρά πιο κοινή αιτία θανάτου από καρκίνο. Ως παράγοντες κινδύνου για το LHCC έχουν αναφερθεί μεταξύ άλλων η χρόνια ηπατίτιδα Β και Γ, η κατάχρηση αλκοόλ και η κύρωση (Yan et al., 2020). Η θεραπεία του LHCC εξαρτάται από το στάδιο του όγκου, και για ασθενείς αρχικού σταδίου περιλαμβάνει μεταμόσχευση, εκτομή, χημειοθεραπεία και ακτινοθεραπεία (Ouyang, Yi, Pan, & Chen, 2020). Προκύπτει λοιπόν η ανάγκη για την έγκαιρη διάγνωση της νόσου και των παραγόντων που επηρεάζουν την πρόγνωση των ασθενών. Σε αυτή την κατεύθυνση βοηθούν βάσεις δεδομένων με στοιχεία από παρακολούθηση ασθενών LHCC. Μια τέτοια βάση δεδομένων είναι η The Cancer Genome Atlas (TCGA) η οποία περιλαμβάνει μεταξύ διαφόρων τύπων δεδομένων και κλινικά δεδομένα για 377 ασθενείς LHCC (Ally et al., 2017). Στην παρούσα εργασία θα μελετηθεί ο συγκεκριμένος τύπος καρκίνου καθώς και οι κλινικοί παράγοντες από τους οποίους επηρεάζεται η πρόγνωση του ασθενούς. Πιο συγκεκριμένα θα ερευνηθεί η ύπαρξη συσχετίσεων μεταξύ των διαθέσιμων κλινικών δεδομένων και της ένδειξης αν ο ασθενής έχει επιζήσει για όλη τη διάρκεια της παρακολούθησης, για 5 χρόνια από τη διάγνωση, για 3 και για 1. Κάθε ένα από τα κλινικά δεδομένα θα ερευνηθεί αν συσχετίζεται με την επιβίωση με στατιστικές μεθόδους. Στη συνέχεια, θα διερευνηθεί αν με τεχνικές μηχανικής μάθησης θα μπορούσε να εντοπιστεί ένα υποσύνολο των κλινικών δεδομένων με δυνατότητα πρόβλεψης της επιβίωσης ενός ασθενούς.
|
|---|
