FenixEdu™

Dissertação

Predicting Emergency Department Revisits using Machine Learning and Natural Language Processing EVALUATED

Detalhes: A taxa de readmissão ao Serviço de Urgência (SU) é uma medida de qualidade dos cuidados de saúde. O objetivo deste trabalho é desenvolver um modelo preditivo capaz de identificar o risco de readmissões de doentes adultos ao SU, até 72 horas após alta. Os dados provêm do Hospital Beatriz Ângelo e contemplam 511301 doentes, desde 2012 até 2016, com uma média de 5.7% readmissões. Os dados consistem em informações demográficas, sinais vitais, queixas principais e outras informações disponíveis aquando da triagem. Para o pré-processamento de texto, uma estrutura de processamento de linguagem natural é desenvolvida. Para modelação de dados, consideraram-se as estratégias: Regressão Logística; Máquina de Vetores de Suporte; Naïve Bayes Multinomial; Naïve Bayes Complementar. Para desenvolvimento do modelo utiliza-se validação cruzada com 10 subconjuntos juntamente com uma abordagem de aprendizagem sensível ao custo. O poder preditivo do modelo é medido recorrendo à estatística-C. São criadas cinco hipóteses relativamente às variáveis. A primeira hipótese considera variáveis padrão, a segunda hipótese considera todas as variáveis numéricas, a terceira hipótese recorre às queixas principais, a quarta hipótese utiliza variáveis da primeira e terceira hipóteses, e a quinta hipótese considera variáveis da segunda e terceira hipóteses. O melhor modelo preditivo atinge uma estatística-C de 0.842 (95% CI: 0.838-0.846), sob a quinta hipótese, utilizando regressão logística. A solução proposta mostra que desempenhos de previsão favoráveis podem ser alcançados, indicando um caminho promissor para desenvolver sistemas de apoio à decisão clínica de modo a prever readmissões ao SU até 72 horas após a alta.
Keywords: Processamento de Línguagem Natural, Aprendizagem Automática, Serviço de Urgência, Triagem, Predição, Readmissão.

Discussão: junho 18, 2019, 16:0