FenixEdu™

Dissertação

Using embeddings to infer diagnostics from medical prescriptions EVALUATED

Detalhes: Um grande desafio em saúde pública é a deteção precoce de doenças, pois um diagnóstico antecipado aumenta a qualidade de vida do paciente e ajuda a controlar a propagação de doenças transmissíveis. Porém, os métodos tradicionais de diagnóstico e previsão são lentos e dispendiosos, frequentemente dependendo de inquéritos e relatórios. A monitorização rápida de doenças transmissíveis ou não transmissíveis exige abordagens alternativas. Este projeto explorou o uso de registos eletrónicos de prescrição (EPRs) para estimar a prevalência de doenças usando métodos de Processamento de Linguagem Natural (NLP). A hipótese central é que padrões nos dados de prescrição poderiam ajudar a inferir diagnósticos, permitindo uma monitorização precisa de doenças em tempo real. Utilizando a base de dados portuguesa de EPRs, de 2017 a 2021, geramos embeddings para substâncias ativas e agrupamo-las para identificar grupos de substâncias prescritas no mesmo contexto. Assim, obtivemos listas de substâncias associadas a condições médicas pré-definidas e identificámos substâncias erroneamente omitidas de um conjunto de validação criado por especialistas. Ao associar os clusters encontrados a condições médicas, inferimos potenciais diagnósticos sem dados de diagnóstico explícitos, colmatando uma lacuna significativa nos EPRs. Em particular, as nossas estimativas para a prevalência de diabetes alinharam-se com valores publicados, obtendo uma prevalência de 5,1% em Portugal para 2019. Concluímos que métodos de NLP aplicado a EPRs podem estimar a prevalência de doenças não transmissíveis e ser utilizados para a monitorização de doenças em tempo real. Estes métodos podem fornecer uma ferramenta escalável e rentável para a vigilância em saúde pública.
Keywords: Prescrições médicas, Embeddings, Clustering, Prevalência de doenças

Discussão: novembro 18, 2024, 9:0

Documentos da dissertação ainda não disponíveis publicamente