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

• Ano de defesa: 2021
• Autor(a) principal: Santos, Henrique Dias Pereira dos
• Orientador(a): Vieira, Renata
• 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: Prontuário Eletrônico do Paciente; Eventos Adversos; Aprendizado de Máquina; Aprendizado Supervisionado; Aprendizado Não-Supervisionado
• Palavras-chave em Inglês: Electronic Health Records; Adverse Events; Machine Learning; Supervised Learning; Unsupervised Learning
• Área do conhecimento CNPq: CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
• Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/9643

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.