Um modelo para classificação de código CID utilizando mecanismos de atenção e redes transformers

• Ano de defesa: 2022
• Autor(a) principal: Borges, Cláudio Aparecido
• Orientador(a): Lopes, Guilherme Alberto Wachs
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: atenção; cid; icd; lstm; transformer; attention; ncoder-decoder
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5762

A família de códigos International Classification of Diseases (ICD) se tornou o padrão internacional de classificação de diagnósticos médicos, sendo utilizada por mais de 117 países (JAKOB, 2017). A variação Brasileira é conhecida por Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde (CID), atualmente na sua décima versão, sendo compulsória nos casos de informações de mortalidade e morbidade (LAURENTI et al., 2013). Prontuários eletrônicos de pacientes usualmente apresentam descrições textuais do diagnóstico e pessoas especializadas são responsáveis pela revisão e atribuição dos códigos seguindo diretrizes de seleção. Esse processo é manual, demorado, sujeito a erros e de alto investimento financeiro, uma vez que esses documentos apresentam regionalismos linguísticos, abreviações e a não utilização da norma culta do idioma (XIE; XING, 2018). Uma abordagem ao problema, no contexto de Processamento de Linguagem Natural (PLN), é a utilização de codificadores-decodificadores, que são amplamente empregados em Máquinas Neurais de Tradução (NMTs) e possuem a capacidade de transformar uma sequência de entrada em uma sequência de saída. Normalmente, as primeiras etapas desses modelos são o pré-processamento e tokenização do texto e a representação semântica das palavras em um domínio vetorial. As etapas de codificação e decodificação são livres para serem modeladas com redes neurais artificiais distintas, e algumas técnicas que tem apresentado resultados promissores são baseadas nos mecanismos de atenção (BAHDANAU; CHO; BENGIO, 2016). Esses mecanismos podem ser empregados em conjunto com as Redes Neurais Recorrentes (RNNs) ou através das topologias Transformers, arquitetura de rede onde o mecanismo de atenção é predominante (VASWANI et al., 2017). Desse modo, o presente trabalho busca modelar e implementar uma rede neural artificial com mecanismos de atenção para classificação de códigos ICD em prontuários médicos e investigar a influência da tokenização do texto nessa aplicação.