Machine Learning techniques applied to identifying clinical factors regarding automated medical prognosis (2022)
- Authors:
- Autor USP: BARROS, PEDRO HENRIQUE FERRACINI DE - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2022.tde-19012023-093014
- Subjects: APRENDIZADO COMPUTACIONAL; MEDICINA PREVENTIVA; DIAGNÓSTICO POR COMPUTADOR; SISTEMAS COMPUTADORIZADOS DE REGISTROS MÉDICOS; REDES NEURAIS; FENÓTIPOS
- Keywords: Árvores de decisão; Attention mechanisms; Clinical prediction explicability; Clinical trajectory prediction; Clusterização hierárquica; Construção de cohorts de pacientes; Decision trees; Electronic Health Records; Encoder- Decoder; Encoder-Decoder; Explicabilidade de predições clínicas; Fenotipação de pacientes; Hierarchical clustering; Mecanismos de atenção; Patient cohort construction; Patient phenotyping; Predição de trajetórias clínicas
- Agências de fomento:
- Language: Inglês
- Abstract: Algoritmos de Aprendizado de Máquina têm apresentado resultados promissores em diversas áreas do conhecimento, entre elas a medicina preventiva. Ao passo que técnicas de aprendizado profundo têm se mostrado eficazes para o prognóstico médico automatizado, elas carecem de mais transparência e interpretabilidade. Por outro lado, técnicas de agrupamento de dados e árvores de decisão são promissoras para a identificação de fatores de risco, características em comum, e tendências dentre os pacientes de acordo com suas respectivas histórias clínicas, descritas por prontuários médicos eletrônicos (EHRs). Deste modo, esta dissertação de mestrado objetivou a elaboração de um framework de aprendizado de máquina composto de uma rede neural Attentive Encoder-Decoder com o objetivo de predizer os diagnósticos da próxima admissão de pacientes, um algoritmo de agrupamento hierárquico para fenotipar essas predições, e finalmente, uma árvore de decisão objetivando-se a explicabilidade desses fenótipos; cada passo do nosso framework produziu um resultado em particular: a rede Attentive Encoder-Decoder obteve resultados de estado da arte nos datasets MIMIC-III e MIMIC-IV-ED; o algoritmo de agrupamento produziu resultados consistentes de diagnósticos relacionados em um mesmo fenótipo e, também, fenótipos vizinhos demonstraram similaridade de diagnósticos; e finalmente, a árvore de decisão proporcionou a visualização das regras de decisão entre diagnósticos de fenótipos e demonstrou airrelevância de dados demográficos de pacientes em comparação com seus respectivos diagnósticos na identificação de um fenótipo. Nós resumimos nossas contribuições como: (i) Obtenção de resultados de estado da arte com um modelo versátil baseado em uma arquitetura Attentive Encoder-Decoder, nomeado por nós como AttentionHCare (BARROS; RODRIGUES, 2022), (ii) Fornecimento de uma ferramenta de suporte a decisão para especialistas por meio de um modelo explicável, e (iii) Habilidade de identificar padrões (e.g. fatores de risco, diagnósticos em comum, bias, etc.) em pacientes com trajetórias clínicas semelhantes por meio de um modelo explicável.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 11.11.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BARROS, Pedro Henrique Ferracini de. Machine Learning techniques applied to identifying clinical factors regarding automated medical prognosis. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012023-093014/. Acesso em: 18 abr. 2024. -
APA
Barros, P. H. F. de. (2022). Machine Learning techniques applied to identifying clinical factors regarding automated medical prognosis (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012023-093014/ -
NLM
Barros PHF de. Machine Learning techniques applied to identifying clinical factors regarding automated medical prognosis [Internet]. 2022 ;[citado 2024 abr. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012023-093014/ -
Vancouver
Barros PHF de. Machine Learning techniques applied to identifying clinical factors regarding automated medical prognosis [Internet]. 2022 ;[citado 2024 abr. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012023-093014/
Informações sobre o DOI: 10.11606/D.55.2022.tde-19012023-093014 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
