Previsão com séries temporais usando ARIMA para modelagem de crescimento de glioma em resposta à radioterapia
DOI:
https://doi.org/10.5433/1679-0375.2021v42n1p3Palavras-chave:
Modelos matemáticos, Crescimento tumoral, Glioblastoma, Séries temporais, Radioterapia.Resumo
Atualmente, o crescente número de pessoas que sofrem de câncer tem sido um grande motivo de preocupação em todo o mundo. Os glioblastomas, em particular, são tumores primários em células gliais localizadas no sistema nervoso central. Por conta dessa localização sensível, modelos matemáticos têm sido estudados e desenvolvidos como ferramentas alternativas para análise das taxas de crescimento tumoral, auxiliando na tomada de decisão quanto à dosagem do tratamento, sem expor a vida do paciente. Este artigo apresenta dois modelos de séries temporais para estimar a taxa de crescimento do glioblastoma em resposta ao tratamento com radioterapia ionizante. Os resultados obtidos indicam que os métodos de séries temporais propostos obtém previsões com Mean Absolute Percentual Error (MAPE) de aproximadamente 1% e 4%, e as simulações mostram que o método ARIMA supera o método de Holt com base no Mean Square Error (MSE) e MAPE. Além disso, os resultados mostram que o método das séries temporais é aplicável a dados de dois modelos matemáticos diferentes para o crescimento de glioblastomaDownloads
Não há dados estatísticos.
Referências
BARBOSA, O. X.; ASSIS, W. L. S.; GARCIA, V. S.; ALVAREZ, G. B. Computational simulation of gliomas using stochastic methods. Pesquisa e Ensino em Ciências Exatas e da Natureza, Cajazeiras, v. 3, p. 199–215, 2019.
BARNETT, G. H. High-grade gliomas: diagnosis and treatment. New Jersey: Humana Press, 2007.
BELLOMO, N.; CHAPLAIN, M.; ANGELIS, E. Selected topics in cancer modeling: genesis, evolution, immune competition, and therapy. Boston: Birkhäuser, 2008.
BOX, G. E.; JENKINS, G. M.; REINSEL, G. C.; LJUNG, G. M. Time series analysis: forecasting and control. 5th ed. New Jersey: John Wiley & Sons, 2015.
CANCER INSTITUTE NSW. What is cancer. Alexandria: NSW, 2018. Available from: https://www.cancerinstitute.org.au/understandingcancer/ what-is-cancer. Access in: jun. 2018.
DOLGIN, E. The mathematician versus the malignancy. Nature Medicine, New York, v. 20, p. 460–463, 2014.
DOMINGOS, S. D. O.; OLIVEIRA, J. F. D.; MATTOS NETO, P. S. G. An intelligent hybridization of arima with machine learning models for time series forecasting. Knowledge- Based Systems, Netherlands, v. 175, p. 72–86, 2019.
FERNÁNDEZ-CARA, E.;PROUVÉE, L. Optimal control of mathematical models for the radiotherapy of gliomas: the scalar case. Computational and Applied Mathematics, Petrópolis, v. 37, p. 745–762, 2018.
HOLLAND, E. C. Glioblastoma multiforme: the terminator. Proceedings of the National Academy of Sciences, Washington, v. 97, n. 12, p. 6242–6244, 2000.
HYNDMAN, R.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with exponential smoothing: the state space approach. Berlin: Springer, 2008.
HYNDMAN, R. J.; AKRAM, M.; ARCHIBALD, B. C. The admissible parameter space for exponential smoothing models. Annals of the Institute of Statistical Mathematics, Tokyo, v. 60, n. 2, p. 407–426, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; SNYDER, R. D.; GROSE, S. A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, Amsterdam, v. 18, n. 3, p. 439–454, 2002.
IARC - INTERNATIONAL AGENCY FOR RESEARCH ON CANCER. Latest global cancer data: Cancer burden rises to 18.1 million new cases and 9.6 million cancer deaths in 2018. França: IARC, 2018. Available from: https://www.iarc.fr/. Access in: dec. 2018.
INCA - INSTITUTO NACIONAL DE CÂNCER. Estimativas 2018: Incidência de câncer no Brasil. Rio de Janeiro: INCA, 2018. Available from: . Access in: jun. 2018.
JESUS, J. C. D.; CHRISTO, E. S.; GARCIA, V. S.; ALVAREZ, G. B. Time series analysis for modeling of glioma growth in response to radiotherapy. IEEE Latin America Transactions, Canadá, v. 14, n. 3, p. 1532–1537, 2014.
LEDER, K. et al. Mathematical modeling of PDGF-driven glioblastoma reveals optimized radiation dosing schedules. Cell, Cambridge, v. 156, n. 3, p. 603–616, 2014.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. C. Introduction to time series analysis and forecasting. 2th ed. New Jersey: John Wiley & Sons, 2015.
MORETTIN, P. A.; TOLOI, C. M. C. Modelos para previsão de séries temporais. Rio de Janeiro: IMPA, 1981. v. 1.
MURRAY, J. D. Vignettes from the field of mathematical biology: the application of mathematics to biology and medicine. Interface Focus, London, v. 2, n. 4, p. 397–406, 2012.
ROCKNE, R.; ALVORD, E. C.; ROCKHILL, J. K.; SWANSON, K. R. A mathematical model for brain tumor response to radiation therapy. Journal of Mathematical Biology, New York, v. 58, n. 4/5, p. 561–578, 2008.
SILVA, J. J. da; ALVAREZ, G. B.; GARCIA, V. S.; LOBÃO, D. C. Modelagem computacional do crescimento de glioma via diferenças finitas em resposta à radioterapia. In: CONGRESSO NACIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL, 36, 2016, Gramado. Proccedings [...]. Gramado: Sbmac Publishing, 2016. p. 1-7.
SOUZA, E. B.; NEVES, T. A.; ALVAREZ, G. B. Estudo sobre otimização da radioterapia em pacientes com gliomas. In: SIMPOSIO BRASILEIRO DE PESQUISA OPERACIONAL, 47., 2015, Porto de Galinhas. Proccedings [...]. Porto de Galinhas: Sbpo Publishing, 2015. p. 1-12.
SWANSON, K. R.; ALVORD JUNIOR, E. C.; MURRAY, J. D. A quantitative model for differential motility of gliomas in gray and white matter. Cell proliferation, Cambridge, v. 33, n. 5, p. 317– 329, 2000.
TEIXEIRA, J. G.; IKEHARA, H. C.; BRANDT, S. A. Estrutura de oferta e desenvolvimento agrícola: um modelo de equações recursivas. Semina: Ciências Exatas e Tecnológicas, Londrina, v. 2, n. 8, p. 183–188, 1981.
WALKER, M. D.; STRIKE, T. A.; SHELINE, G. E. An analysis of dose-effect relationship in the radiotherapy of malignant gliomas. International Journal of Radiation Oncology, Biology, Physics, New York, v. 5, n. 10, p. 1725–1731, 1979.
ZHANG, G. P. Time series forecasting using a hybrid arima and neural network model. Neurocomputing, Amsterdam, v. 50, p. 159–175, 2003.
BARNETT, G. H. High-grade gliomas: diagnosis and treatment. New Jersey: Humana Press, 2007.
BELLOMO, N.; CHAPLAIN, M.; ANGELIS, E. Selected topics in cancer modeling: genesis, evolution, immune competition, and therapy. Boston: Birkhäuser, 2008.
BOX, G. E.; JENKINS, G. M.; REINSEL, G. C.; LJUNG, G. M. Time series analysis: forecasting and control. 5th ed. New Jersey: John Wiley & Sons, 2015.
CANCER INSTITUTE NSW. What is cancer. Alexandria: NSW, 2018. Available from: https://www.cancerinstitute.org.au/understandingcancer/ what-is-cancer. Access in: jun. 2018.
DOLGIN, E. The mathematician versus the malignancy. Nature Medicine, New York, v. 20, p. 460–463, 2014.
DOMINGOS, S. D. O.; OLIVEIRA, J. F. D.; MATTOS NETO, P. S. G. An intelligent hybridization of arima with machine learning models for time series forecasting. Knowledge- Based Systems, Netherlands, v. 175, p. 72–86, 2019.
FERNÁNDEZ-CARA, E.;PROUVÉE, L. Optimal control of mathematical models for the radiotherapy of gliomas: the scalar case. Computational and Applied Mathematics, Petrópolis, v. 37, p. 745–762, 2018.
HOLLAND, E. C. Glioblastoma multiforme: the terminator. Proceedings of the National Academy of Sciences, Washington, v. 97, n. 12, p. 6242–6244, 2000.
HYNDMAN, R.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with exponential smoothing: the state space approach. Berlin: Springer, 2008.
HYNDMAN, R. J.; AKRAM, M.; ARCHIBALD, B. C. The admissible parameter space for exponential smoothing models. Annals of the Institute of Statistical Mathematics, Tokyo, v. 60, n. 2, p. 407–426, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; SNYDER, R. D.; GROSE, S. A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, Amsterdam, v. 18, n. 3, p. 439–454, 2002.
IARC - INTERNATIONAL AGENCY FOR RESEARCH ON CANCER. Latest global cancer data: Cancer burden rises to 18.1 million new cases and 9.6 million cancer deaths in 2018. França: IARC, 2018. Available from: https://www.iarc.fr/. Access in: dec. 2018.
INCA - INSTITUTO NACIONAL DE CÂNCER. Estimativas 2018: Incidência de câncer no Brasil. Rio de Janeiro: INCA, 2018. Available from: . Access in: jun. 2018.
JESUS, J. C. D.; CHRISTO, E. S.; GARCIA, V. S.; ALVAREZ, G. B. Time series analysis for modeling of glioma growth in response to radiotherapy. IEEE Latin America Transactions, Canadá, v. 14, n. 3, p. 1532–1537, 2014.
LEDER, K. et al. Mathematical modeling of PDGF-driven glioblastoma reveals optimized radiation dosing schedules. Cell, Cambridge, v. 156, n. 3, p. 603–616, 2014.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. C. Introduction to time series analysis and forecasting. 2th ed. New Jersey: John Wiley & Sons, 2015.
MORETTIN, P. A.; TOLOI, C. M. C. Modelos para previsão de séries temporais. Rio de Janeiro: IMPA, 1981. v. 1.
MURRAY, J. D. Vignettes from the field of mathematical biology: the application of mathematics to biology and medicine. Interface Focus, London, v. 2, n. 4, p. 397–406, 2012.
ROCKNE, R.; ALVORD, E. C.; ROCKHILL, J. K.; SWANSON, K. R. A mathematical model for brain tumor response to radiation therapy. Journal of Mathematical Biology, New York, v. 58, n. 4/5, p. 561–578, 2008.
SILVA, J. J. da; ALVAREZ, G. B.; GARCIA, V. S.; LOBÃO, D. C. Modelagem computacional do crescimento de glioma via diferenças finitas em resposta à radioterapia. In: CONGRESSO NACIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL, 36, 2016, Gramado. Proccedings [...]. Gramado: Sbmac Publishing, 2016. p. 1-7.
SOUZA, E. B.; NEVES, T. A.; ALVAREZ, G. B. Estudo sobre otimização da radioterapia em pacientes com gliomas. In: SIMPOSIO BRASILEIRO DE PESQUISA OPERACIONAL, 47., 2015, Porto de Galinhas. Proccedings [...]. Porto de Galinhas: Sbpo Publishing, 2015. p. 1-12.
SWANSON, K. R.; ALVORD JUNIOR, E. C.; MURRAY, J. D. A quantitative model for differential motility of gliomas in gray and white matter. Cell proliferation, Cambridge, v. 33, n. 5, p. 317– 329, 2000.
TEIXEIRA, J. G.; IKEHARA, H. C.; BRANDT, S. A. Estrutura de oferta e desenvolvimento agrícola: um modelo de equações recursivas. Semina: Ciências Exatas e Tecnológicas, Londrina, v. 2, n. 8, p. 183–188, 1981.
WALKER, M. D.; STRIKE, T. A.; SHELINE, G. E. An analysis of dose-effect relationship in the radiotherapy of malignant gliomas. International Journal of Radiation Oncology, Biology, Physics, New York, v. 5, n. 10, p. 1725–1731, 1979.
ZHANG, G. P. Time series forecasting using a hybrid arima and neural network model. Neurocomputing, Amsterdam, v. 50, p. 159–175, 2003.
Downloads
Publicado
2021-04-07
Como Citar
Silva, L. M. da, Alvarez, G. B., Christo, E. da S., Pelén Sierra, G. A., & Garcia, V. da S. (2021). Previsão com séries temporais usando ARIMA para modelagem de crescimento de glioma em resposta à radioterapia. Semina: Ciências Exatas E Tecnológicas, 42(1), 3–12. https://doi.org/10.5433/1679-0375.2021v42n1p3
Edição
Seção
Artigos
Licença
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
