Export this record: EndNote BibTex

Please use this identifier to cite or link to this item: https://tede2.pucrs.br/tede2/handle/tede/11735
Full metadata record
DC FieldValueLanguage
dc.creatorConsoli, Bernardo Scapini-
dc.creator.Latteshttp://lattes.cnpq.br/0781359367938470por
dc.contributor.advisor1Manssour, Isabel Harb-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4904489502853690por
dc.date.accessioned2025-07-10T18:37:48Z-
dc.date.issued2025-03-26-
dc.identifier.urihttps://tede2.pucrs.br/tede2/handle/tede/11735-
dc.description.resumoPatient representation learning is the use of artificial intelligence technologies to reinterpret known patient data, extracted from Electronic Health Records, in a way that allows machine learning models to predict data and outcomes that could help medical professionals in diagnosis and the administration of proper care. It is important to note that medical data is tied to its place of origin. To deal with such a vital aspect to the development of national computational medicine solutions, we developed BRATECA, a collection of Brazilian tertiary care hospital data. This collection is open for credentialed access and was the largest collection of Brazilian medical data at the time of its release. Utilizing this collection in patient flow tasks, we achieved results of up to 0.88 F1 in patient Admission Prediction and up to 0.84 F1 for patient Extended Stay Prediction. We also developed an architecture for automatic annotation of social determinants of health in Electronic Health Records, which was validated on the US intensive care data collection MIMIC-III, where we achieved correlations of more than 0.8 measured in Cohen’s kappa for all annotation categories between our automatic annotation and human annotations.por
dc.description.abstractAprendizado de representações de pacientes é o uso de inteligência artificial para reinterpretar dados conhecidos de pacientes, extraídos de Registros Eletrônicos de Saúde, para que modelos de aprendizado de máquinas consigam fazer previsões sobre pacientes que possam ajudar profissionais médicos no diagnóstico e na administração de cuidados adequados. É importante observar que dados médicos estão vinculados ao seu local de origem. Para lidar com este aspecto vital para o desenvolvimento das tecnologias nacionais de medicina computacional, desenvolvemos o BRATECA, uma coleção de dados de hospitais terciários brasileiros. Esta coleção for aberta para acesso credenciado e era o maior banco de dados hospitalares Brasileiros quando foi lançada. Utilizando ela em tarefas de fluxo de pacientes, atingimos resultados de até 0,88 de F1 para a tarefa de Predição de Admissão de pacientes e de até 0,84 de F1 para Predição de Estadia Longa de pacientes. Desenvolvemos também a arquitetura de anotação automática SDoH-GPT, a qual validamos nos banco de dados de UTI estadunidenses MIMIC-III e atingimos correlação medida em mais de 0,8 pontos no kappa de Cohen para todas categorias entre nossas anotações automáticas e anotações humanas.por
dc.description.provenanceSubmitted by PPG Ciência da Computação ([email protected]) on 2025-07-10T12:34:16Z No. of bitstreams: 1 BERNARDO_SCAPINI_CONSOLI_TES.pdf: 3198951 bytes, checksum: 2dd3e40da7b13b4fecadeb4317eca65d (MD5)eng
dc.description.provenanceApproved for entry into archive by Náthali Aquino ([email protected]) on 2025-07-10T18:02:28Z (GMT) No. of bitstreams: 1 BERNARDO_SCAPINI_CONSOLI_TES.pdf: 3198951 bytes, checksum: 2dd3e40da7b13b4fecadeb4317eca65d (MD5)eng
dc.description.provenanceMade available in DSpace on 2025-07-10T18:37:48Z (GMT). No. of bitstreams: 1 BERNARDO_SCAPINI_CONSOLI_TES.pdf: 3198951 bytes, checksum: 2dd3e40da7b13b4fecadeb4317eca65d (MD5) Previous issue date: 2025-03-26eng
dc.description.sponsorshipConselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPqpor
dc.formatapplication/pdf*
dc.thumbnail.urlhttps://tede2.pucrs.br/tede2/retrieve/194193/BERNARDO_SCAPINI_CONSOLI_TES.pdf.jpg*
dc.languageengpor
dc.publisherPontifícia Universidade Católica do Rio Grande do Sulpor
dc.publisher.departmentEscola Politécnicapor
dc.publisher.countryBrasilpor
dc.publisher.initialsPUCRSpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computaçãopor
dc.rightsAcesso Abertopor
dc.subjectPatient Representation Learningeng
dc.subjectElectronic Health Recordseng
dc.subjectBRATECAeng
dc.subjectPatient Floweng
dc.subjectAutomate Annotationeng
dc.subjectDeep Learningeng
dc.subjectPredictive Modelseng
dc.subjectLength-of-Stayeng
dc.subjectInternet of Thingseng
dc.subjectMedical Dataeng
dc.subjectPatient Clinical Historyeng
dc.subjectHeterogeneous Dataeng
dc.subjectAprendizado de Representações de Pacientespor
dc.subjectRegistros Eletrônicos de Saúdepor
dc.subjectBRATECApor
dc.subjectFluxo de Pacientespor
dc.subjectAnotação Automáticapor
dc.subjectAprendizado Profundopor
dc.subjectModelos Preditivospor
dc.subjectTempo de Estadiapor
dc.subjectInternet das Coisaspor
dc.subjectDados Médicospor
dc.subjectHistórico Clínico de Pacientespor
dc.subjectDados Heterogêneospor
dc.subject.cnpqCIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOpor
dc.titleHolistic patient representation learning and automatic annotation of electronic health recordspor
dc.title.alternativeAprendizado de representações holísticas de pacientes e anotação automática de registros eletrônicos de saúdepor
dc.typeTesepor
dc.restricao.situacaoTrabalho não apresenta restrição para publicaçãopor
Appears in Collections:Programa de Pós-Graduação em Ciência da Computação

Files in This Item:
File Description SizeFormat 
BERNARDO_SCAPINI_CONSOLI_TES.pdfBERNARDO_SCAPINI_CONSOLI_TES3.12 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.