Avaliando a Utilização do Aprendizado de Máquina em um Sistema de Apoio à Predição de Diagnósticos Médicos

  • Airan Poelking Camargo IME
  • Julio Cesar Duarte IME

Resumo


A hipótese diagnóstica é um processo preliminar de tomada de decisão do médico gerado em função dos dados clínicos e laboratoriais disponíveis ao final da consulta. De forma a auxiliar o processo de tomada de decisão de um médico, propomos a utilização do cadastro nacional de doenças (CID) e do prontuário de pacientes para aplicar técnicas de aprendizado de máquina com o objetivo de gerar hipóteses diagnósticas, fornecendo apoio ao diagnóstico para o profissional. Ao final, apresentamos uma avalição qualitativa com resultados gerados por diferentes algoritmos aplicados em dois cenários do mesmo conjuntos de dados. Propomos um modelo composto que foi mais eficiente na predição do capítulo CID baseado em um comitê de classificadores que obteve uma taxa de acurácia de 54,19% e após isso um algoritmo baseado em Árvores de Decisão, que obteve uma acurácia média de 61,79% para identificar cada categoria CID.

Referências

Atutxa, A., de Ilarraza, A. D., Gojenola, K., Oronoz, M., and Perez-de Vi˜naspre, O. (2019). Interpretable deep learning to map diagnostic texts to icd-10 codes. International Journal of Medical Informatics, 129:49–59.

Baumel, T., Nassour-Kassis, J., Cohen, R., Elhadad, M., and Elhadad, N. (2018). Multilabel classification of patient notes: case study on icd code assignment. In Workshops at the Thirty-Second AAAI Conference on Artificial Intelligence.

Bezerra, A., Filho, J. J. B., Braga, R., Oliveira, C., and Oliveira, M. (2017). Dengosa: Um sistema de informação geográfica para apoio à decis˜ao no controle de epidemias. In Anais Estendidos do XXIII Simpósio Brasileiro de Sistemas Multimídia e Web, pages 179–183, Porto Alegre, RS, Brasil. SBC.

Chiaravalloti, M. T., Guarasci, R., Lagani, V., Pasceri, E., and Trunfio, R. (2014). A coding support system for the icd-9-cm standard. In Healthcare Informatics (ICHI), 2014 IEEE International Conference on, pages 71–78. IEEE.

dos Santos, A. C. (2016). Aprendizado de máquina aplicado ao diagnóstico de dengue. In XIII Encontro Nacional de Inteligência Artificial e Computacional (ENIAC).

Kamkar, I., Gupta, S. K., Phung, D., and Venkatesh, S. (2015). Stable feature selection for clinical prediction: Exploiting icd tree structure using tree-lasso. Journal of biomedical informatics, 53:277–290.

Kavuluru, R., Rios, A., and Lu, Y. (2015). An empirical evaluation of supervised learning approaches in assigning diagnosis codes to electronic medical records. Artificial intelligence in medicine, 65(2):155–166.

Ministério da Saúde (2018). Ministério da saúde. http://shorturl.at/sKUX6.

Nguyen, A. N., Truran, D., et al. (2018). Computer-assisted diagnostic coding: Effectiveness of an nlp-based approach using snomed ct to icd-10 mappings. In AMIA Annual Symposium Proceedings, volume 2018, page 807. American Medical Informatics Association.

Prefeitura RJ (2018). Prefeitura rj - upa senador camara. http://shorturl.at/dhkBW. [Online; acessado em 22 de Outubro de 2018].

Zhang, D., He, D., Zhao, S., and Li, L. (2017). Enhancing automatic icd-9-cm code assignment for medical texts with pubmed. In BioNLP 2017, pages 263–271.
Publicado
03/10/2019
POELKING CAMARGO, Airan; DUARTE, Julio Cesar. Avaliando a Utilização do Aprendizado de Máquina em um Sistema de Apoio à Predição de Diagnósticos Médicos. In: PESQUISAS EM ANDAMENTO - SIMPÓSIO BRASILEIRO DE SISTEMAS COLABORATIVOS (SBSC), 15. , 2019, Rio de Janeiro. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 81-86.