Análise da Influência de Características Textuais no Processo de Automatização da Regulação Médica
Resumo
Este artigo descreve uma investigação da influência de características textuais em modelos de Apredizagem de Máquina (AM) para a predição da resposta de solicitações médicas de uma Operadora de Planos de Saúde (OPS). Usou-se técnicas de Processamento de Linguagem Natural (PLN) na etapa de pré-processamento para limpeza e normalização dos dados clínicos, além de recuperação de siglas e termos técnicos da área. Neste trabalho, investigouse, especificamente, dois algoritmos de AM supervisionados para classificar as solicitações de exames em duas classes: Aprovada e Recusada. Como resultado, obteve-se 71%, 70% e 72% de acurácia para os algoritmos Naive Bayes (versões: MultinomialNB e BernoulliNB) e LinearSVC, respectivamente.
Palavras-chave:
Dados textuais, Aprendizagem de máquina supervisionada, Processamento de linguagem natural, Regulação médica
Referências
Benicio, D. H. P. (2020). Aplicação de mineração de texto e processamento de linguagem natural em prontuários eletrônicos de pacientes para extração e transformação de texto em dado estruturado. Dissertação de Mestrado, Universidade Federal do Rio Grande do Norte (UFRN).
Bertozzo, R. J. (2022). Aplicação de machine learning em dataset de consultas médicas do SUS. Monografia, Universidade Federal de Santa Catarina (UFSC).
BRASIL (1988). Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidente da República.
Brasil (1998). Lei no 9.656, de 3 de junho de 1998. Diário Oficial da República Federativa do Brasil.
Brasil (2000). Lei no 9.961, de 28 de janeiro de 2000. Diário Oficial da República Federativa do Brasil.
da Silva, L. A., Peres, S. M., and Boscarioli, C. (2016). Introdução à mineração de dados com aplicações em R. Rio de Janeiro: Elsevier.
de Araújo, F. H. D. (2014). Descoberta de conhecimento em base de dados para o aprendizado da regulação médica/odontológica em operadora de plano de saúde. Dissertação de Mestrado, Universidade Federal do Piauí (UFPI).
Hasan, F., Roy, A., and Pan, S. (2020). Integrating text embedding with traditional NLP features for clinical relation extraction. In 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI), pages 418–425.
Kose, I., Gokturk, M., and Kilic, K. (2015). An interactive machine-learning-based electronic fraud and abuse detection system in healthcare insurance. Applied Soft Computing, 36:283–299.
Lucini, F. R., Fogliatto, F. S., da Silveira, G. J., Neyeloff, J. L., Anzanello, M. J., Kuchenbecker, R. S., and Schaan, B. D. (2017). Text mining approach to predict hospital admissions using early medical records from the emergency department. International Journal of Medical Informatics, 100:1–8.
Magalhães Jr, G. V. (2019). Estudo da influência de características textuais no processo de automatização da regulação médica. Dissertação de Mestrado, Universidade Federal do Piauí (UFPI).
Mitchell, T. M. (1991). Key Ideas in Machine Learning. John Wiley & Sons Ltd.
Pires, R., de Souza, F. C., Rosa, G., Lotufo, R. A., and Nogueira, R. (2022). Sequence-to-sequence models for extracting information from registration and legal documents. In Uchida, S., Barney, E., and Eglin, V., editors, Document Analysis Systems, pages 83–95, Cham. Springer International Publishing.
Bertozzo, R. J. (2022). Aplicação de machine learning em dataset de consultas médicas do SUS. Monografia, Universidade Federal de Santa Catarina (UFSC).
BRASIL (1988). Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidente da República.
Brasil (1998). Lei no 9.656, de 3 de junho de 1998. Diário Oficial da República Federativa do Brasil.
Brasil (2000). Lei no 9.961, de 28 de janeiro de 2000. Diário Oficial da República Federativa do Brasil.
da Silva, L. A., Peres, S. M., and Boscarioli, C. (2016). Introdução à mineração de dados com aplicações em R. Rio de Janeiro: Elsevier.
de Araújo, F. H. D. (2014). Descoberta de conhecimento em base de dados para o aprendizado da regulação médica/odontológica em operadora de plano de saúde. Dissertação de Mestrado, Universidade Federal do Piauí (UFPI).
Hasan, F., Roy, A., and Pan, S. (2020). Integrating text embedding with traditional NLP features for clinical relation extraction. In 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI), pages 418–425.
Kose, I., Gokturk, M., and Kilic, K. (2015). An interactive machine-learning-based electronic fraud and abuse detection system in healthcare insurance. Applied Soft Computing, 36:283–299.
Lucini, F. R., Fogliatto, F. S., da Silveira, G. J., Neyeloff, J. L., Anzanello, M. J., Kuchenbecker, R. S., and Schaan, B. D. (2017). Text mining approach to predict hospital admissions using early medical records from the emergency department. International Journal of Medical Informatics, 100:1–8.
Magalhães Jr, G. V. (2019). Estudo da influência de características textuais no processo de automatização da regulação médica. Dissertação de Mestrado, Universidade Federal do Piauí (UFPI).
Mitchell, T. M. (1991). Key Ideas in Machine Learning. John Wiley & Sons Ltd.
Pires, R., de Souza, F. C., Rosa, G., Lotufo, R. A., and Nogueira, R. (2022). Sequence-to-sequence models for extracting information from registration and legal documents. In Uchida, S., Barney, E., and Eglin, V., editors, Document Analysis Systems, pages 83–95, Cham. Springer International Publishing.
Publicado
19/10/2023
Como Citar
SABINO, Benjamim de Pinho; ANCHIÊTA, Rafael T.; MOURA, Raimundo S..
Análise da Influência de Características Textuais no Processo de Automatização da Regulação Médica. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 16. , 2023, Piripiri/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 73-80.
DOI: https://doi.org/10.5753/enucompi.2023.26619.
