Persona:
Luque Gallego, Manuel

Foto de perfil
Dirección de correo electrónico
ORCID
0000-0003-3018-3760
Fecha de nacimiento
Proyectos de investigación
Unidades organizativas
Puesto de trabajo
Apellidos
Luque Gallego
Nombre de pila
Manuel
Nombre

Filtros

2009 - 200912010 - 201942020 - 20243
Restablecer filtros

Ajustes

Resultados de la búsqueda

Mostrando 1 - 8 de 8
  • Miniatura
    Publicación
    Probabilistic graphical models for decision making in medicine
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial, 2009-11-20) Luque Gallego, Manuel; Díez Vegas, Francisco Javier
    Los modelos gráficos probabilísticos, en particular las redes bayesianas y los diagramas de influencia, fueron desarrollados en los años 80 por investigadores del campo de Inteligencia Artificial, Matemáticas y Economía con el propósito de resolver problemas cuya complejidad excede la capacidad de los métodos existentes hasta entonces. El trabajo en modelos gráficos probabilísticos comenzó en la UNED en 1990 con la tesis doctoral de Javier Díez, que consistió en la construcción del sistema experto DIAVAL, una red bayesiana para el diagnóstico de enfermedades cardíacas por ecocardiografía. En 2003, el Dr. Carlos Disdier Vicente, un neumólogo en el Hospital San Pedro de Alcántara, en Cáceres (España), y Javier Díez, en la UNED, comenzaron la construcción de un diagrama de influencia para la estadificación mediastínica del cáncer de pulmón. Cuando el autor de esta tesis entró a formar parte del grupo de investigación, en la UNED, en 2003, se le asignó como tema de investigación completar la construcción del diagrama de influencia, que se encontraba en un estado muy incipiente. El fin de dicho diagrama era proporcionar una estrategia de actuación para las distintas decisiones que aparecen el proceso de estadificación mediastínica. Se deseaban incluir tanto parámetros de salud como la prevalencia de la enfermedad, sensibilidades y especificidades de los tests, etc., como también parámetros económicos como el coste de los tratamientos y de los distintos tests. Las necesidades surgidas al construir dicho diagrama, llamado MEDIASTINET, ha motivado el desarrollo de nuevos modelos, algoritmos, y herramientas software. En primer lugar, la forma de la función que combina las utilidades (esto es, las preferencias del decisor, en nuestro caso, la cantidad y calidad de vida de pacientes con cáncer de pulmón) nos llevó a una estructura de nodos de utilidad en nuestro diagrama de influencia. Esto nos llevó a desarrollar un nuevo algoritmo de evaluación que pudiera mejorar el único algoritmo existente hasta ese momento para ese tipo de diagramas de influencia. En segundo lugar, durante la interacción con el experto vimos la necesidad de contar con capacidades de explicación para diagramas de influencia, que nos ayudarían en la construcción del modelo y en su depuración. Además, serian también útiles al intentar convencer al experto de los resultados. Por esta razón implementamos nuevos métodos de explicación en Elvira. Tercero, debido a la incertidumbre en los parámetros del diagrama de influencia, asignados por el experto basado en la literatura y en sus propios datos, implementamos algunas técnicas de análisis de sensibilidad. Y cuarto, debido a la discusión en la literatura médica acerca del orden óptimo en que los tests para la estadificación mediastínica del cáncer de pulmón deberían ser realizados, y dado que los diagramas influencia requieren un orden total, exploramos el uso de los diagramas de influencia no restringidos, una representación que permite un orden parcial entre las decisiones, y desarrollamos un nuevo algoritmo anytime que proporcionara una recomendación para las primeras decisiones cuando encontrar la estrategia óptima requiriese una excesiva cantidad de tiempo. En esta tesis describimos los algoritmos y métodos, que no son específicos de medicina, y también el sistema de apoyo a la toma de decisiones para la estadificación mediastínica del cáncer de pulmón.
  • Miniatura
    Publicación
    Markov influence diagrams: a graphical tool for cost-effectiveness analysis
    (Society for Medical Decision Making, 2017-01-11) Yebra, Mar; Bermejo, Iñigo; Palacios Alonso, Miguel Ángel; Arias Calleja, Manuel::virtual::3078::600; Luque Gallego, Manuel::virtual::3079::600; Pérez Martín, Jorge::virtual::3080::600; Díez Vegas, Francisco Javier::virtual::6771::600; Arias Calleja, Manuel; Luque Gallego, Manuel; Pérez Martín, Jorge; Díez Vegas, Francisco Javier; Arias Calleja, Manuel; Luque Gallego, Manuel; Pérez Martín, Jorge; Díez Vegas, Francisco Javier; Arias Calleja, Manuel; Luque Gallego, Manuel; Pérez Martín, Jorge; Díez Vegas, Francisco Javier
    Markov influence diagrams (MIDs) are a new type of probabilistic graphical models that extend influence diagrams in the same way as Markov decision trees extend decision trees. They have been designed to build state-transition models, mainly in medicine, and perform cost-effectiveness analysis. Using a causal graph that may contain several variables per cycle, MIDs can model various features of the patient without multiplying the number of states; in particular, they can represent the history of the patient without using tunnel states. OpenMarkov, an open-source tool, allows the decision analyst to build and evaluate MIDs—including cost-effectiveness analysis and several types of deterministic and probabilistic sensitivity analysis—with a graphical user interface, without writing any code. This way, MIDs can be used to easily build and evaluate complex models whose implementation as spreadsheets or decision trees would be cumbersome or unfeasible in practice. Furthermore, many problems that previously required discrete event simulation can be solved with MIDs, i.e., within the paradigm of state-transition models, in which many health economists feel more comfortable.
  • Miniatura
    Publicación
    Decision analysis networks
    (['Decision analysis', 'Decision trees', 'Influence diagrams', 'Probabilistic graphical models', 'Asymmetric decision problems'], 2018-05) Bermejo, Iñigo; Díez Vegas, Francisco Javier; Luque Gallego, Manuel
    This paper presents decision analysis networks (DANs) as a new type of probabilistic graphical model. Like influence diagrams (IDs), DANs are much more compact and easier to build than decision trees and can represent conditional independencies. In fact, for every ID there is an equivalent symmetric DAN, but DANs can also represent asymmetric problems involving partial orderings of the decisions (order asymmetry), restrictions between the values of the variables (domain asymmetry), and conditional observability (information asymmetry). Symmetric DANs can be evaluated with the same algorithms as IDs. Every asymmetric DAN can be evaluated by converting it into an equivalent decision tree or, much more efficiently, by decomposing it into a tree of symmetric DANs. Given that DANs can solve symmetric problems as easily and as efficiently as IDs, and are more appropriate for asymmetric problems—which include virtually all real-world problems—DANs might replace IDs as the standard type of probabilistic graphical model for decision support and decision analysis. We also argue that DANs compare favorably with other formalisms proposed for asymmetric decision problems. In practice, DANs can be built and evaluated with OpenMarkov, a Java open-source package for probabilistic graphical models.
  • Miniatura
    Publicación
    Cost-effectiveness analysis with unordered decisions
    (Elsevier, 2021-07) Díez Vegas, Francisco Javier; Luque Gallego, Manuel; Arias Calleja, Manuel; Pérez Martín, Jorge
    Introduction Cost-effectiveness analysis (CEA) is used increasingly in medicine to determine whether the health benefit of an intervention is worth the economic cost. Decision trees, the standard decision modeling technique for non-temporal domains, can only perform CEAs for very small problems. Influence diagrams can model much larger problems, but only when the decisions are totally ordered. Objective To develop a CEA method for problems with unordered or partially ordered decisions, such as finding the optimal sequence of tests for diagnosing a disease. Methods We explain how to model those problems using decision analysis networks (DANs), a new type of probabilistic graphical model, somewhat similar to Bayesian networks and influence diagrams. We present an algorithm for evaluating DANs with two criteria, cost and effectiveness, and perform some experiments to study its computational efficiency. We illustrate the representation framework and the algorithm using a hypothetical example involving two therapies and several tests and then present a DAN for a real-world problem, the mediastinal staging of non-small cell lung cancer. Results The evaluation of a DAN with two criteria, cost and effectiveness, returns a set of intervals for the willingness to pay, separated by incremental cost-effectiveness ratios (ICERs). The cost, the effectiveness, and the optimal intervention are specific for each interval, i.e., they depend on the willingness to pay. Conclusion Problems involving several unordered decisions can be modeled with DANs and evaluated in a reasonable amount of time. OpenMarkov, an open-source software tool developed by our research group, can be used to build the models and evaluate them using a graphical user interface.
  • Miniatura
    Publicación
    Teaching Probabilistic Graphical Models with OpenMarkov
    (MDPI, 2022-11-30) Díez Vegas, Francisco Javier; Arias Calleja, Manuel; Pérez Martín, Jorge; Luque Gallego, Manuel
    OpenMarkov is an open-source software tool for probabilistic graphical models. It has been developed especially for medicine, but has also been used to build applications in other fields and for tuition, in more than 30 countries. In this paper we explain how to use it as a pedagogical tool to teach the main concepts of Bayesian networks and influence diagrams, such as conditional dependence and independence, d-separation, Markov blankets, explaining away, optimal policies, expected utilities, etc., and some inference algorithms: logic sampling, likelihood weighting, and arc reversal. The facilities for learning Bayesian networks interactively can be used to illustrate step by step the performance of the two basic algorithms: search-and-score and PC.
  • Miniatura
    Publicación
    Automatic assignment of reviewers in an online peer assessment task based on social interactions
    (Wiley Online Library, 2019) Anaya, Antonio R.; Luque Gallego, Manuel; Letón Molina, Emilio; Hernández del Olmo, Félix
    Online peer assessment tasks are very popular and have unique characteristics that improve learning and encourage social interactions in a distance education environment. Unfortunately, social factors have usually been ignored in the process of selecting reviewers for online peer assessment tasks. We hypothesise that this fact could have some influence on the lack of engagement and participation by some learners. For this reason, we propose an approach in which social network analysis techniques, expert criteria, and Bayesian reasoning are applied to select reviewers with the objective of increasing participation in peer review tasks. The approach is divided into two elements. On the one hand, we have developed an influence diagram template that structures a set of proposed social network analysis variables in accordance with expert criteria. This influence diagram template can be easily updated for any course simply by eliciting a minimal set of parameters. On the other hand, we have instantiated the proposed influence diagram template to produce an influence diagram network to quantify the quality of reviewer assignment for an online peer assessment task. In an online experiment, we verified that the consideration of social factors can increase participation in a peer assessment task.
  • Miniatura
    Publicación
    Aplicación de análisis de las interacciones y modelado del estudiante
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática, 2024-02) Sánchez Villarejo, Juan Manuel; Luque Gallego, Manuel; Rodríguez Anaya, Antonio; Luque Gallego, Manuel
    Las plataformas de aprendizaje online son a día de hoy, herramientas imprescindibles en cualquier actividad educativa. Estas plataformas ofrecen, entre otros servicios, el de foros, que son utilizados para que los estudiantes se comuniquen con el equipo docente o entre sí. El objetivo del proyecto es continuar con el desarrollo de una aplicación que permita incorporar los datos de los foros asociados a los cursos virtuales de la UNED, gestionar y manipular dichos datos desde la propia aplicación y generar información de salida que facilite al responsable de la asignatura el proceso de análisis de la interacciones y modelado del estudiante, y así poder establecer procesos de mejora. El proyecto amplía la funcionalidad y profundiza en los métodos de minería de datos orientados al entorno educativo y en la integración de la información generada por la aplicación con las herramientas más avanzadas actualmente en materia de gestión, así como representación de gráficos. Se realiza un proceso de modelado del estudiante, sobre todo de su componente social, con la finalidad de ofrecer información útil para la gestión de actividades de aprendizaje colaborativo. Las tecnologías empleadas para llevar a cabo el proyecto han sido entre otras Spring Tool Suite, el cual ha permitido crear toda la aplicación a través del lenguaje de programación Java, y utilizándose tecnologías y lenguajes como HTML, PhpMyAdmin, Spring JPA y Thymeleaf para la creación de la aplicación y para la gestión de bases de datos. Por ´ultimo, se ha usado una base de datos MariaDB y tecnología de contenedores Docker para encapsular toda la aplicación y facilitar el despliegue y ejecución de la misma.
  • Miniatura
    Publicación
    OpenMarkov, an Open-Source Tool for Probabilistic Graphical Models
    (International Joint Conference on Artificial Intelligence, 2019) Arias Calleja, Manuel; Pérez Martín, Jorge; Luque Gallego, Manuel; Díez Vegas, Francisco Javier
    OpenMarkov is a Java open-source tool for creating and evaluating probabilistic graphical models, including Bayesian networks, influence diagrams, and some Markov models. With more than 100,000 lines of code, it offers some features for interactive learning, explanation of reasoning, and cost-effectiveness analysis, which are not available in any other tool. OpenMarkov has been used at universities, research centers, and large companies in more than 30 countries on four continents. Several models, some of them for real-world medical applications, built with OpenMarkov, are publicly available on Internet.