1. TEDE PUCRS
  2. Teses e Dissertações dos Programas de Pós-Graduação da PUCRS
  3. Programa de Pós-Graduação em Ciência da Computação
Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: https://tede2.pucrs.br/tede2/handle/tede/9643
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSantos, Henrique Dias Pereira dos-
dc.creator.Latteshttp://lattes.cnpq.br/3339071169068613por
dc.contributor.advisor1Vieira, Renata-
dc.date.accessioned2021-05-20T16:36:54Z-
dc.date.issued2021-03-26-
dc.identifier.urihttp://tede2.pucrs.br/tede2/handle/tede/9643-
dc.description.resumoIn the hospital environment, the incidence of adverse events (AE) (unforeseen incidents that cause harm to patients) is the primary concern of risk management teams. The use of machine learning techniques could help healthcare professional to identify and mitigate adverse events.This thesis develops experiments to evaluate machine learning approaches to identify two major adverse events in electronic health records (EHR). The first algorithm was created to identify fall events in clinical notes using language models and neural networks. We annotated 1,402 clinical sentences with fall events to train a Token Classifier (TkC) to detect words within the context of falls. The TkC was able to correctly identify 85% of the sentences with fall events. For medication review, we built an unsupervised algorithm based on graph structure to rank outlier prescriptions. In our experiments, the proposed algorithm, the DDC-Outlier, correctly classified 68% (F-measure) of prescribed medications as underdoses and overdoses. Finally, to better understand the performance of our approach in a real-world scenario, we deployed a decision support system for clinical pharmacy in a 1,200-bed hospital. All experiments, source-codes, and the anonymized datasets are publicly available on the GitHub page of our research group.por
dc.description.abstractNo ambiente hospitalar, a incidência de eventos adversos (EA) (incidentes imprevistos que causam danos aos pacientes) é a principal preocupação das equipes de gerenciamento de risco. Esta tese desenvolve experimentos para avaliar abordagens de aprendizado de máquina para identificar dois grandes eventos adversos em prontruários eletrônicos do paciente (PEP). O primeiro algoritmo foi criado para identificar eventos de queda em evoluções clínicas usando modelos de linguagem e redes neurais. Anotamos 1.402 sentenças em evoluções clínicas com eventos de queda para treinar um Classificador de Token (TkC) para detectar palavras dentro do contexto de quedas. O TkC foi capaz de identificar corretamente 85% das sentenças com eventos de queda. Para a avaliação de prescrições, construímos um algoritmo não-supervisionado com base em estrutura de grafos para classificar as prescrições fora-do-padrão. Em nossos experimentos, o algoritmo proposto, o DDC-Outlier, classificou corretamente 68% (Medida-F) dos medicamentos prescritos como subdoses e overdoses. Finalmente, para entender melhor o desempenho de nossa abordagem em um cenário do mundo real, implantamos um sistema de suporte à decisão para farmácia clínica em um hospital de 1.200 leitos. Todos os experimentos, códigos-fonte e conjuntos de dados anônimos estão disponíveis publicamente na página GitHub de nosso grupo de pesquisa.por
dc.description.provenanceSubmitted by PPG Ciência da Computação ([email protected]) on 2021-05-11T15:14:52Z No. of bitstreams: 1 HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf: 849566 bytes, checksum: a1515316f9153097abb9f77c55934179 (MD5)eng
dc.description.provenanceApproved for entry into archive by Sheila Dias ([email protected]) on 2021-05-20T16:26:05Z (GMT) No. of bitstreams: 1 HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf: 849566 bytes, checksum: a1515316f9153097abb9f77c55934179 (MD5)eng
dc.description.provenanceMade available in DSpace on 2021-05-20T16:36:54Z (GMT). No. of bitstreams: 1 HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdf: 849566 bytes, checksum: a1515316f9153097abb9f77c55934179 (MD5) Previous issue date: 2021-03-26eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpor
dc.formatapplication/pdf*
dc.thumbnail.urlhttp://tede2.pucrs.br:80/tede2/retrieve/180850/HENRIQUE%20DIAS%20PEREIRA%20DOS%20SANTOS_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.subjectElectronic Health Recordseng
dc.subjectAdverse Eventseng
dc.subjectMachine Learningeng
dc.subjectSupervised Learningeng
dc.subjectUnsupervised Learningeng
dc.subjectProntuário Eletrônico do Pacientepor
dc.subjectEventos Adversospor
dc.subjectAprendizado de Máquinapor
dc.subjectAprendizado Supervisionadopor
dc.subjectAprendizado Não-Supervisionadopor
dc.subject.cnpqCIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOpor
dc.titleApplying machine learning to electronic health records : a study on two adverse eventspor
dc.title.alternativeAplicando aprendizado de máquina à prontuários eletrônicos do paciente : um estudo em dois eventos adversospor
dc.typeTesepor
dc.restricao.situacaoTrabalho não apresenta restrição para publicaçãopor
Aparece nas coleções:Programa de Pós-Graduação em Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
HENRIQUE DIAS PEREIRA DOS SANTOS_TES.pdfHENRIQUE_DIAS_PEREIRA_DOS_SANTOS_TES829,65 kBAdobe PDFThumbnail

Baixar/Abrir Pré-Visualizar
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.