Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ECUACIONES DIFERENCIALES
Ángela Cáceres Martínez1, Jonathan Camilo Cadena Silva1, David Orlando Holguín Mejía1.
1. Universidad Nacional de Colombia, Sede Bogotá, Facultad de Ingeniería
• Tasa de cambio:
Se refiere a la medida en la cual una variable se modifica con relación a otra. Se trata de la
magnitud que compara dos variables a partir de sus unidades de cambio.
Con ayuda de Octave se procede a determinar por medio de código cual de los tres
modelos se correlaciona mejor con los datos experimentales dados.
Código:
Gráfica:
Error = 0.011928
Modelo Logístico:
Código:
Gráfica:
Error: 0.016631
Modelo Gompertz:
Código:
Gráfica:
Error: 0.0080458
Código:
Gráfica:
Error= 0.071938
Modelo Logístico:
Código:
Gráfica:
Error = 0.084687
Modelo Gompertz:
Código:
Gráfico:
Error = 0.071708
RESULTADOS
Después de contrastar cada uno de los errores obtenidos en base a los datos de la tabla
número 1, se puede identificar que el modelo que mejor se adapta a los datos
experimentales es el Gompertz, al igual que sucede en la tabla 2, donde este modelo sigue
siendo el que presenta un menor valor de error.
ANÁLISIS Y CONCLUSIONES
Los modelos para el crecimiento de tumores cancerígenos permiten dar una aproximación
razonable para algunos casos, siempre y cuando se contrasten los valores de error y se
escoja el más óptimo.
Se compararon 3 modelos en específico con una misma tabla de valores experimentales,
con el fin de decidir cuál de estos es más preciso. Teniendo como punto de partida ciertos
parámetros que se pueden considerar óptimos para cada modelo, se esperó como resultado
el menor error posible de cada uno de ellos.
El modelo Von Bertalanffy en contraste con los datos de la tabla 1, presenta un mayor
incremento en el volumen del tumor en los primeros días, para luego llegar a acercarse a un
promedio de los valores experimentales que presentan una gran dispersión a medida que
pasa el tiempo. Con respecto a los datos de la tabla 2, el mayor incremento en el volumen
con respecto al tiempo es más notable, pues presenta una gran diferencia entre los datos y
las predicciones. Sin embargo, al momento de compararlo con los demás modelos, este
ocupa el segundo lugar en cuanto a precisión, teniendo tan solo 0,00023 de diferencia con
respecto al error más bajo en la segunda tabla.
El modelo de crecimiento logístico en ambos experimentos fue el que presentó un valor de
error más amplio, sin embargo, la tendencia que muestra la gráfica para este modelo es
bastante interesante, dado que a pesar de que es el menos acertado para la totalidad de los
datos, al tratarse de los primeros diez a veinte días de crecimiento muestra el mejor
acoplamiento entre función y resultados obtenidos experimentalmente, la dispersión
aumenta considerablemente en la tabla 1 en el intervalo de los veinte a cuarenta días y en
la tabla 2 se ve un apreciable distanciamiento de los resultados a partir el día veinte, lo cual
evidencia el porqué de la magnitud de su error.
Ya por último se tiene el Modelo de Gompertz, el cual, al graficarse junto a los datos
experimentales, muestra una mayor afinidad de las predicciones con la información
suministrada. Este modelo no se puede clasificar como el más exacto a simple vista, o
según su gráfica, dado que de por si la función no se empalma con la gran mayoría de los
datos. Sin embargo, la dispersión que estos presentan con el modelo no es de gran
magnitud. Es por ello que la clasificación se debe limitar al error calculado, que para ambos
casos este error determina que este método es el más preciso de lo tres.
REFERENCIAS
[1] ASCO, The state of cancer care in America, 2017: A report by the American Society of
Clinical Oncology. 2017. J. Oncol. Pract. 13(4): e353–e394.
[2] Collins, V.P., R.K. Loeffler and H. Tivey. 1956. Observations on growth rates of human
tumors. Am. J. Roentgeol. Radium Ther. Nucl. Med. 76(5): 988–1000.
[3] Bertalanffy, L. von. 1957. Quantitative laws in metabolism and growth. Q. Rev. Bioi. 32:
217– 231.
[4] Nonlinear model fitting using Excel. https://youtu.be/3Fd4ukzkxps. Accessed 29 July
2018. [5] Gompertz, B. 1825. On the nature of the function expressive of the law of human
mortality, and on a new method of determining the value of life contingencies. Phil. Trans.
Roy. Soc., 27(5): 13–85.
[6] Loizides, C., D. Iacovides, M.M. Hadjiandreou, G. Rizki, A. Achilleos, K. Strati and G.D.
Mitsis. 2015. Model-based tumor growth dynamics and therapy response in a mouse model
of de novo carcinogenesis. PLOS ONE. 10(12): 1–18.
[7] Maru˘si´c, M. 1996. Mathematical models of tumor growth, Lect. Math. Colloquium
Croatian Math. Soc., Osijek. 175–192, June 7.
[8] Maru˘si´c, M., Z. Bajzer, J.P. Freyer and S.Vuk-Pavlovi´c. 1994. Analysis of growth of
multicellular ˘ tumour spheroids by mathematical models. Cell Prolif. 27: 74–94. 8 Modeling
Cancer Growth
[9] Mendelsohn, M. L. 1963. Cell proliferation and tumor growth. Cell Proliferation. Oxford:
Blackwell Scientific Publications. 190–210
[10] Murphy, H., H. Jaafari and H. Dobrovolny,. 2016. Differences in predictions of ODE
models of tumor growth: a cautionary example. BMC Cancer , 16: 163–172.
[11] Verhulst, P.F. 1845. Recherches math´ematiques sur la loi d’accroissement de la
population. Nouv. m´em. de l’Academie Royale des Sci. et Belles-Lettres de Bruxelles. 18:
1–41.