GÉTICA 2021

45 [ F I T C á n c e r - 7 ] del genoma del cáncer (TCGA) para crear la base de datos de control. Los paquetes h2o, glmnet, ranger y svmRadial para el hipertu- ning específico de los algoritmos de deep learning, LASSO, random Forest y SVM, res- pectivamente. Para ensamblarlos y crear una prueba fuera de la muestra, se requirió mlr y caret para validar el poder predictivo. Resultados: Se analizaron 698 pacientes in- cluidos en RIPACINA con cáncer de pulmón, melanoma, de cabeza y cuello, de vejiga y cáncer renal tratados con IT fuera de ensayo. La OS de los pacientes que recibieron IT (RIPA- CINA) fue mayor que la de los pacientes que no (TCGA). En el análisis de big data se realizó búsqueda exhaustiva de los mejores mode- los de machine learning y deep learning. Se establecieron diferentes valores de respuesta. El mejor resultado se obtuvo para la respues- ta a los 3 meses, con un poder predictivo de AUC de 0,70. Al entrenar modelos específicos [ F I T C á n c e r - 7 ] CC-09. LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA PARA EL HALLAZGO DE BIOMARCADORES DE RESPUESTA A LA INMUNOTERAPIA EMPLEADA EN CÁNCER Pérez Ruiz, Elisabeth 1 ; Onieva, Juan Luis 2 ; Cárdenas, Nuria 3 ; Toscano, Fátima 4 ; Berciano, Miguel-Ángel 1 ; Alonso García, Mirian 5 ; Delgado, María Teresa 6 ; Nogales, Esteban 7 ; Morales, Cristina 8 ; Valdivia, Javier 9 ; Villatoro-Roldán, Rosa 10 ; Estalella, Sara 11 ; Jiménez, Jero 12 ; De la Cruz-Merino, Luis 7 ; Rueda, Antonio 1 1 Hospital Regional Universitario de Málaga. Málaga. 2 Laboratorio de Biología Molecular del Cáncer. Málaga. 3 Hospital Universitario de Jaén. Jaén. 4 Hospital Universitario Juan Ramón Jiménez. Huelva. 5 Hospital Universitario Virgen del Rocío. Sevilla. 6 Hospital Universitario Clínico San Cecilio. Granada. 7 Hospital Universitario Virgen Macarena. Sevilla. 8 Hospital Universitario Reina Sofía. Córdoba. 9 Hospital Universitario Virgen de las Nieves. Granada. 10 Hospital Costa del Sol. Marbella, Málaga. 11 Hospital Universitario Puerta del Mar. Cádiz. 12 Hospital Universitario Virgen de Valme. Sevilla Introducción y objetivos: La inmunotera- pia (IT) ha dado lugar a un aumento significa- tivo de la supervivencia (OS) de los pacientes con cáncer sin asociarse a un claro biomarca- dor de respuesta. Las técnicas de inteligencia artificial (IA) están revolucionando y remode- lando la medicina. El aprendizaje automático y el aprendizaje profundo, los dos campos más importantes de la IA, están empleándo- se como herramientas de predicción de res- puesta. Material y métodos: Se creó RIPACINA (re- gistro de pacientes tratados con IT en Anda- lucía) para determinar si con ayuda de las téc- nicas de gestión de datos a gran escala ( big data ) y técnicas de aprendizaje automático podríamos crear algoritmos predictivos de respuesta. Todos los análisis se realizaron con el software R versión 4.0.2. El paquete UCSCXe- naTools nos permitió obtener información de supervivencia (OS) del paciente del atlas COMUNICACIONES CORTAS