Revista de Ciencias Teóricas y Computacionales
Acceso abierto

abstracto

ADAM: Aplicación de la minería de datos en el contexto de la atención médica

duncan wallace

En una era de "grandes datos", las soluciones computacionales a través del aprendizaje automático (ML) a gran escala han brindado recursos para problemas que anteriormente habrían resultado muy difíciles de abordar. . En los últimos años, los enfoques de ML se han aplicado con éxito al análisis de datos de síntomas de pacientes en el contexto del diagnóstico de enfermedades, al menos cuando dichos datos están bien codificados. Sin embargo, es poco probable que gran parte de los datos presentes en los registros médicos electrónicos (EHR, por sus siglas en inglés) resulten adecuados para los enfoques clásicos de ML. Además, dado que decenas de datos están ampliamente distribuidos entre hospitales e individuos, una metodología descentralizada y computacionalmente escalable es una prioridad. Nuestra investigación se basa en la identificación temprana de una pequeña subsección de pacientes que son usuarios frecuentes. Estos son pacientes que tienen condiciones subyacentes que harán que requieran atención médica repetidamente. OOHC actúa como una entrega ad-hoc de telemedicina y tratamiento, donde las interacciones ocurren sin recurrir a un historial médico completo del paciente en cuestión. Los historiales médicos, relacionados con los pacientes que se comunican con un OOHC, pueden residir en varios sistemas EHR distintos en múltiples hospitales o consultorios, que no están disponibles para el OOHC en cuestión. Como tal, aunque una solución local es una mejor opción para este problema, se deduce que los datos que se investigan son incompletos, heterogéneos y se componen principalmente de notas textuales ruidosas recopiladas durante las actividades rutinarias de OOHC. A través de una variedad de metodologías de aprendizaje automático, el objetivo de esta investigación es proporcionar los medios para identificar casos de pacientes, en el contacto inicial, que probablemente se relacionen con tales valores atípicos. En particular, se adoptaron enfoques de aprendizaje profundo en el desarrollo de un sistema de clasificación de estos casos. Otro objetivo de esta investigación es dilucidar el descubrimiento de casos de usuarios frecuentes mediante el examen de los términos exactos que proporcionan una fuerte indicación de entradas de casos positivas y negativas.