Applying machine learning to electronic health records : a study on two adverse events

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Santos, Henrique Dias Pereira dos lattes
Orientador(a): Vieira, Renata
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Pontif?cia Universidade Cat?lica do Rio Grande do Sul
Programa de Pós-Graduação: Programa de P?s-Gradua??o em Ci?ncia da Computa??o
Departamento: Escola Polit?cnica
País: Brasil
Palavras-chave em Português:
Prontu?rio Eletr?nico do Paciente
Eventos Adversos
Aprendizado de M?quina
Aprendizado Supervisionado
Aprendizado N?o-Supervisionado
Palavras-chave em Inglês:
Electronic Health Records
Adverse Events
Machine Learning
Supervised Learning
Unsupervised Learning
Área do conhecimento CNPq:
CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/9643
Resumo: No ambiente hospitalar, a incid?ncia de eventos adversos (EA) (incidentes imprevistos que causam danos aos pacientes) ? a principal preocupa??o das equipes de gerenciamento de risco. Esta tese desenvolve experimentos para avaliar abordagens de aprendizado de m?quina para identificar dois grandes eventos adversos em prontru?rios eletr?nicos do paciente (PEP). O primeiro algoritmo foi criado para identificar eventos de queda em evolu??es cl?nicas usando modelos de linguagem e redes neurais. Anotamos 1.402 senten?as em evolu??es cl?nicas com eventos de queda para treinar um Classificador de Token (TkC) para detectar palavras dentro do contexto de quedas. O TkC foi capaz de identificar corretamente 85% das senten?as com eventos de queda. Para a avalia??o de prescri??es, constru?mos um algoritmo n?o-supervisionado com base em estrutura de grafos para classificar as prescri??es fora-do-padr?o. Em nossos experimentos, o algoritmo proposto, o DDC-Outlier, classificou corretamente 68% (Medida-F) dos medicamentos prescritos como subdoses e overdoses. Finalmente, para entender melhor o desempenho de nossa abordagem em um cen?rio do mundo real, implantamos um sistema de suporte ? decis?o para farm?cia cl?nica em um hospital de 1.200 leitos. Todos os experimentos, c?digos-fonte e conjuntos de dados an?nimos est?o dispon?veis publicamente na p?gina GitHub de nosso grupo de pesquisa.
id P_RS_dc7d30fa11e5bc3ad52acf588cc1375f
oai_identifier_str oai:tede2.pucrs.br:tede/9643
network_acronym_str P_RS
network_name_str Biblioteca Digital de Teses e Dissertações da PUC_RS
repository_id_str
spelling Vieira, Renatahttp://lattes.cnpq.br/3339071169068613Santos, Henrique Dias Pereira dos2021-05-20T16:36:54Z2021-03-26http://tede2.pucrs.br/tede2/handle/tede/9643No ambiente hospitalar, a incid?ncia de eventos adversos (EA) (incidentes imprevistos que causam danos aos pacientes) ? a principal preocupa??o das equipes de gerenciamento de risco. Esta tese desenvolve experimentos para avaliar abordagens de aprendizado de m?quina para identificar dois grandes eventos adversos em prontru?rios eletr?nicos do paciente (PEP). O primeiro algoritmo foi criado para identificar eventos de queda em evolu??es cl?nicas usando modelos de linguagem e redes neurais. Anotamos 1.402 senten?as em evolu??es cl?nicas com eventos de queda para treinar um Classificador de Token (TkC) para detectar palavras dentro do contexto de quedas. O TkC foi capaz de identificar corretamente 85% das senten?as com eventos de queda. Para a avalia??o de prescri??es, constru?mos um algoritmo n?o-supervisionado com base em estrutura de grafos para classificar as prescri??es fora-do-padr?o. Em nossos experimentos, o algoritmo proposto, o DDC-Outlier, classificou corretamente 68% (Medida-F) dos medicamentos prescritos como subdoses e overdoses. Finalmente, para entender melhor o desempenho de nossa abordagem em um cen?rio do mundo real, implantamos um sistema de suporte ? decis?o para farm?cia cl?nica em um hospital de 1.200 leitos. Todos os experimentos, c?digos-fonte e conjuntos de dados an?nimos est?o dispon?veis publicamente na p?gina GitHub de nosso grupo de pesquisa.In the hospital environment, the incidence of adverse events (AE) (unforeseen incidents that cause harm to patients) is the primary concern of risk management teams. The use of machine learning techniques could help healthcare professional to identify and mitigate adverse events.This thesis develops experiments to evaluate machine learning approaches to identify two major adverse events in electronic health records (EHR). The first algorithm was created to identify fall events in clinical notes using language models and neural networks. We annotated 1,402 clinical sentences with fall events to train a Token Classifier (TkC) to detect words within the context of falls. The TkC was able to correctly identify 85% of the sentences with fall events. For medication review, we built an unsupervised algorithm based on graph structure to rank outlier prescriptions. In our experiments, the proposed algorithm, the DDC-Outlier, correctly classified 68% (F-measure) of prescribed medications as underdoses and overdoses. Finally, to better understand the performance of our approach in a real-world scenario, we deployed a decision support system for clinical pharmacy in a 1,200-bed hospital. All experiments, source-codes, and the anonymized datasets are publicly available on the GitHub page of our research group.Submitted by PPG Ci?ncia da Computa??o (ppgcc@pucrs.br) on 2021-05-11T15:14:52Z No. of bitstreams: 1 HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf: 849566 bytes, checksum: a1515316f9153097abb9f77c55934179 (MD5)Approved for entry into archive by Sheila Dias (sheila.dias@pucrs.br) on 2021-05-20T16:26:05Z (GMT) No. of bitstreams: 1 HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf: 849566 bytes, checksum: a1515316f9153097abb9f77c55934179 (MD5)Made available in DSpace on 2021-05-20T16:36:54Z (GMT). No. of bitstreams: 1 HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf: 849566 bytes, checksum: a1515316f9153097abb9f77c55934179 (MD5) Previous issue date: 2021-03-26Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior - CAPESapplication/pdfhttp://tede2.pucrs.br:80/tede2/retrieve/180850/HENRIQUE%20DIAS%20PEREIRA%20DOS%20SANTOS_TES.pdf.jpgengPontif?cia Universidade Cat?lica do Rio Grande do SulPrograma de P?s-Gradua??o em Ci?ncia da Computa??oPUCRSBrasilEscola Polit?cnicaElectronic Health RecordsAdverse EventsMachine LearningSupervised LearningUnsupervised LearningProntu?rio Eletr?nico do PacienteEventos AdversosAprendizado de M?quinaAprendizado SupervisionadoAprendizado N?o-SupervisionadoCIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOApplying machine learning to electronic health records : a study on two adverse eventsAplicando aprendizado de m?quina ? prontu?rios eletr?nicos do paciente : um estudo em dois eventos adversosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisTrabalho n?o apresenta restri??o para publica??o-4570527706994352458500500600-8620782570833253013590462550136975366info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da PUC_RSinstname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)instacron:PUC_RSTHUMBNAILHENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf.jpgHENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf.jpgimage/jpeg5691http://tede2.pucrs.br/tede2/bitstream/tede/9643/4/HENRIQUE+DIAS+PEREIRA+DOS+SANTOS_TES.pdf.jpg1b8a4754dcfd49076d81a5762b8fdddfMD54TEXTHENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf.txtHENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf.txttext/plain189594http://tede2.pucrs.br/tede2/bitstream/tede/9643/3/HENRIQUE+DIAS+PEREIRA+DOS+SANTOS_TES.pdf.txt24ec9b1a8290e82464339595fb5b0d9bMD53ORIGINALHENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdfHENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdfapplication/pdf849566http://tede2.pucrs.br/tede2/bitstream/tede/9643/2/HENRIQUE+DIAS+PEREIRA+DOS+SANTOS_TES.pdfa1515316f9153097abb9f77c55934179MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8590http://tede2.pucrs.br/tede2/bitstream/tede/9643/1/license.txt220e11f2d3ba5354f917c7035aadef24MD51tede/96432021-05-20 20:00:17.751oai:tede2.pucrs.br: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Biblioteca Digital de Teses e Dissertaçõeshttp://tede2.pucrs.br/tede2/PRIhttps://tede2.pucrs.br/oai/requestbiblioteca.central@pucrs.br||opendoar:2021-05-20T23:00:17Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)false
dc.title.por.fl_str_mv Applying machine learning to electronic health records : a study on two adverse events
dc.title.alternative.por.fl_str_mv Aplicando aprendizado de m?quina ? prontu?rios eletr?nicos do paciente : um estudo em dois eventos adversos
title Applying machine learning to electronic health records : a study on two adverse events
spellingShingle Applying machine learning to electronic health records : a study on two adverse events
Santos, Henrique Dias Pereira dos
Electronic Health Records
Adverse Events
Machine Learning
Supervised Learning
Unsupervised Learning
Prontu?rio Eletr?nico do Paciente
Eventos Adversos
Aprendizado de M?quina
Aprendizado Supervisionado
Aprendizado N?o-Supervisionado
CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
title_short Applying machine learning to electronic health records : a study on two adverse events
title_full Applying machine learning to electronic health records : a study on two adverse events
title_fullStr Applying machine learning to electronic health records : a study on two adverse events
title_full_unstemmed Applying machine learning to electronic health records : a study on two adverse events
title_sort Applying machine learning to electronic health records : a study on two adverse events
author Santos, Henrique Dias Pereira dos
author_facet Santos, Henrique Dias Pereira dos
author_role author
dc.contributor.advisor1.fl_str_mv Vieira, Renata
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/3339071169068613
dc.contributor.author.fl_str_mv Santos, Henrique Dias Pereira dos
contributor_str_mv Vieira, Renata
dc.subject.eng.fl_str_mv Electronic Health Records
Adverse Events
Machine Learning
Supervised Learning
Unsupervised Learning
topic Electronic Health Records
Adverse Events
Machine Learning
Supervised Learning
Unsupervised Learning
Prontu?rio Eletr?nico do Paciente
Eventos Adversos
Aprendizado de M?quina
Aprendizado Supervisionado
Aprendizado N?o-Supervisionado
CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
dc.subject.por.fl_str_mv Prontu?rio Eletr?nico do Paciente
Eventos Adversos
Aprendizado de M?quina
Aprendizado Supervisionado
Aprendizado N?o-Supervisionado
dc.subject.cnpq.fl_str_mv CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
description No ambiente hospitalar, a incid?ncia de eventos adversos (EA) (incidentes imprevistos que causam danos aos pacientes) ? a principal preocupa??o das equipes de gerenciamento de risco. Esta tese desenvolve experimentos para avaliar abordagens de aprendizado de m?quina para identificar dois grandes eventos adversos em prontru?rios eletr?nicos do paciente (PEP). O primeiro algoritmo foi criado para identificar eventos de queda em evolu??es cl?nicas usando modelos de linguagem e redes neurais. Anotamos 1.402 senten?as em evolu??es cl?nicas com eventos de queda para treinar um Classificador de Token (TkC) para detectar palavras dentro do contexto de quedas. O TkC foi capaz de identificar corretamente 85% das senten?as com eventos de queda. Para a avalia??o de prescri??es, constru?mos um algoritmo n?o-supervisionado com base em estrutura de grafos para classificar as prescri??es fora-do-padr?o. Em nossos experimentos, o algoritmo proposto, o DDC-Outlier, classificou corretamente 68% (Medida-F) dos medicamentos prescritos como subdoses e overdoses. Finalmente, para entender melhor o desempenho de nossa abordagem em um cen?rio do mundo real, implantamos um sistema de suporte ? decis?o para farm?cia cl?nica em um hospital de 1.200 leitos. Todos os experimentos, c?digos-fonte e conjuntos de dados an?nimos est?o dispon?veis publicamente na p?gina GitHub de nosso grupo de pesquisa.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-05-20T16:36:54Z
dc.date.issued.fl_str_mv 2021-03-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://tede2.pucrs.br/tede2/handle/tede/9643
url http://tede2.pucrs.br/tede2/handle/tede/9643
dc.language.iso.fl_str_mv eng
language eng
dc.relation.program.fl_str_mv -4570527706994352458
dc.relation.confidence.fl_str_mv 500
500
600
dc.relation.cnpq.fl_str_mv -862078257083325301
dc.relation.sponsorship.fl_str_mv 3590462550136975366
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Pontif?cia Universidade Cat?lica do Rio Grande do Sul
dc.publisher.program.fl_str_mv Programa de P?s-Gradua??o em Ci?ncia da Computa??o
dc.publisher.initials.fl_str_mv PUCRS
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Escola Polit?cnica
publisher.none.fl_str_mv Pontif?cia Universidade Cat?lica do Rio Grande do Sul
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS
instname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
instacron:PUC_RS
instname_str Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
instacron_str PUC_RS
institution PUC_RS
reponame_str Biblioteca Digital de Teses e Dissertações da PUC_RS
collection Biblioteca Digital de Teses e Dissertações da PUC_RS
bitstream.url.fl_str_mv http://tede2.pucrs.br/tede2/bitstream/tede/9643/4/HENRIQUE+DIAS+PEREIRA+DOS+SANTOS_TES.pdf.jpg
http://tede2.pucrs.br/tede2/bitstream/tede/9643/3/HENRIQUE+DIAS+PEREIRA+DOS+SANTOS_TES.pdf.txt
http://tede2.pucrs.br/tede2/bitstream/tede/9643/2/HENRIQUE+DIAS+PEREIRA+DOS+SANTOS_TES.pdf
http://tede2.pucrs.br/tede2/bitstream/tede/9643/1/license.txt
bitstream.checksum.fl_str_mv 1b8a4754dcfd49076d81a5762b8fdddf
24ec9b1a8290e82464339595fb5b0d9b
a1515316f9153097abb9f77c55934179
220e11f2d3ba5354f917c7035aadef24
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
repository.mail.fl_str_mv biblioteca.central@pucrs.br||
_version_ 1796793248913555456

Registros relacionados