FenixEdu™

Dissertação

Phenotyping and Understanding Multimorbidity EVALUATED

Detalhes: Esta dissertação propõe um pipeline de processamento de informação para a extração de dados fenotípicos e análise de multimorbidade. O pipeline consiste num processo de ETL aplicado a dados de Registos Clínicos Eletrónicos (RCE), compilando os mesmos num Clinical Data Repository (CDR). Este organiza as informações de maneira estruturada e unificada, permitindo uma análise de multimorbidade. A multimorbidade, definida como a coocorrência de duas ou mais doenças crónicas, tem sérias implicações nos indivíduos e nos sistemas de saúde, e está previsto o aumento da sua prevalência. Porém, poucos recursos são investidos para identificar (ou seja, fenotipar) e caracterizar pacientes com multimorbidade. Os RCE podem desempenhar um papel importante na melhor compreensão da multimorbidade. Com este pipeline, três estudos foram realizados: (i) Desenvolvimento e avaliação de um modelo de NLP para processar os resumos de alta da base de dados MIMIC-III, por forma a identificar doenças crónicas. O modelo foi avaliado usando dados rotulados de acordo com sistema de codificação CID-9 e atribuídos por especialistas após revisão manual, tendo alcançado F1-scores de 0.93 e 0.97, respetivamente; (ii) Avaliação do impacto e aumento dos riscos associados à multimorbidade na população infetada com COVID-19 em Portugal. Os resultados mostraram que a multimorbidade está significativamente associada a desfechos adversos; (iii) Estudo dos padrões e evolução temporal da multimorbidade em pacientes da base de dados Enroll-HD. Foram detetadas relações evidentes entre condições crónicas, nomeadamente hipertensão, dislipidemia e diabetes. No entanto, estes resultados devem ser lidos com um certo grau de reserva devido ao dataset utilizado.
Keywords: Multimorbilidade, Registos Clínicos Eletrónicos, Fenotipagem, NLP

Discussão: dezembro 30, 2020, 14:0