Applying machine learning to electronic health records : a study on two adverse events

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Santos, Henrique Dias Pereira dos lattes
Orientador(a): Vieira, Renata
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul
Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação
Departamento: Escola Politécnica
País: Brasil
Palavras-chave em Português:
Palavras-chave em Inglês:
Área do conhecimento CNPq:
Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/9643
Resumo: No ambiente hospitalar, a incidência de eventos adversos (EA) (incidentes imprevistos que causam danos aos pacientes) é a principal preocupação das equipes de gerenciamento de risco. Esta tese desenvolve experimentos para avaliar abordagens de aprendizado de máquina para identificar dois grandes eventos adversos em prontruários eletrônicos do paciente (PEP). O primeiro algoritmo foi criado para identificar eventos de queda em evoluções clínicas usando modelos de linguagem e redes neurais. Anotamos 1.402 sentenças em evoluções clínicas com eventos de queda para treinar um Classificador de Token (TkC) para detectar palavras dentro do contexto de quedas. O TkC foi capaz de identificar corretamente 85% das sentenças com eventos de queda. Para a avaliação de prescrições, construímos um algoritmo não-supervisionado com base em estrutura de grafos para classificar as prescrições fora-do-padrão. Em nossos experimentos, o algoritmo proposto, o DDC-Outlier, classificou corretamente 68% (Medida-F) dos medicamentos prescritos como subdoses e overdoses. Finalmente, para entender melhor o desempenho de nossa abordagem em um cenário do mundo real, implantamos um sistema de suporte à decisão para farmácia clínica em um hospital de 1.200 leitos. Todos os experimentos, códigos-fonte e conjuntos de dados anônimos estão disponíveis publicamente na página GitHub de nosso grupo de pesquisa.