Dissertação
Prediction of 30-day hospital readmission with clinical notes and EHR information EVALUATED
Esta tese explora a tarefa de previsão de readmissão hospitalar em 30 dias, combinando notas clínicas e Registos Eletrónicos de Saúde usando redes neuronais de grafos. Com o custo significativo e os riscos para a saúde associados a altas taxas de readmissão, é essencial melhorar os modelos de previsão. Os métodos tradicionais geralmente dependem de elementos de dados estruturados encontrados nos sistemas de Registos Eletrónicos de Saúde. No entanto, ao utilizar formatos não estruturados, como notas clínicas, estes modelos apresentam limitações devido à complexidade deste formato. Esta tese utiliza técnicas inovadoras para aproveitar tanto os dados estruturados como os não estruturados, a fim de melhorar a previsão de readmissão com o conjunto de dados MIMIC-IV. O modelo proposto para a previsão de readmissão utiliza características dos dados estruturados, como dados demográficos, diagnósticos, procedimentos e resultados laboratoriais, e dados não estru- turados, como notas clínicas. As notas clínicas são processadas usando o modelo BioClinicalBERT para extrair embeddings, e os c códigos de diagnósticos e de procedimentos também são usados como embeddings. O grafo é criado com as admissões como nós e a similaridade entre admissões como arestas, calculada através da similaridade cosseno. O modelo de rede neural de grafos implementado é o GraphSAGE com duas camadas, cada uma com 64 unidades, e a função de agregaçãoo é a média, tendo alcançado um AUROC de 0,7269, um AUPRC de 0,3689 e uma precisão balanceada de 0,6668.
dezembro 4, 2024, 17:30
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar