Applying machine learning to electronic health records : a study on two adverse events
Ano de defesa: | 2021 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
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: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
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 |