@conference{AOTHconRO2013,
author = "C{\'e}sar Herv{\'a}s-Mart{\'i}nez and Mar{\'i}a P{\'e}rez-Ortiz and Manuel Cruz-Ram{\'i}rez and Pedro Antonio Guti{\'e}rrez",
abstract = "En este trabajo se presenta una metodolog{\'i}a novedosa de asignaci{\'o}n donante-receptor en el contexto de trasplante hep{\'a}tico, utilizando para ello t{\'e}cnicas de reconocimiento de patrones. 
M{\'a}s concretamente, se construye un modelo para predecir la supervivencia del injerto a distintos niveles temporales a partir de la informaci{\'o}n contenida en una base de datos de pares de donantes-receptores pertenecientes a siete hospitales espa{\~n}oles y uno ingl{\'e}s. 
La metodolog{\'i}a final de asignaci{\'o}n a{\'u}na el mejor modelo predictivo obtenido junto con una de la metodolog{\'i}as m{\'a}s habituales en trasplante hep{\'a}tico (conocida como \emph{Model for End-stage Liver Disease score} o MELD). 
El modelo de clasificaci{\'o}n desarrollado hace uso de un paradigma de aprendizaje conocido como regresi{\'o}n ordinal (ya que las clases del problema presentan un orden natural entre ellas) desarrollando para ello un m{\'e}todo de descomposici{\'o}n binaria en cascada. Los resultados obtenidos muestran que dicha metodolog{\'i}a obtiene resultados muy prometedores para resolver este dif{\'i}cil problema de asignaci{\'o}n donante-receptor y que la uni{\'o}n de dicho modelo con el m{\'e}todo MELD conduce a un compromiso entre el principio de supervivencia (proporcionado por el modelo predictivo) y la gravedad del paciente (proporcionada por el MELD).",
booktitle = "Actas del VII Simposio de Teor{\'i}a y Aplicaciones de Miner{\'i}a de Datos (TAMIDA2013), XV Conferencia de la Asociaci{\'o}n Espa{\~n}ola para la Inteligencia Artificial (CAEPIA 2013)",
isbn = "978-84-695-8348-7",
month = "17th-20th September",
organization = "Madrid (Spain)",
pages = "1343-1352",
title = "{A}signaci{\'o}n de  {\'o}rganos en trasplante hep{\'a}tico mediante regresi{\'o}n ordinal",
year = "2013",
}