A carregar...
Publicação
HEALTH OUTCOME PATHWAY PREDICTION. A GRAPH-BASED FRAMEWORK
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.84 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This dissertation is part of the project FrailCare.AI, which aims to detect frailty in the
elderly Portuguese population in order to optimize the SNS24 (telemonitoring) service,
with the goal of suggesting health pathways to reduce the patients frailty. Frailty can be
defined as the condition of being weak and delicate which normally increases with age
and is the consequence of several health and non-health related factors.
A patient health journey is recorded in Eletronic Health Record (EHR), which are rich
but sparse, noisy and multi-modal sources of truth. These can be used to train predictive
models to predict future health states, where frailty is just one of them. In this work, due
to lack of data access we pivoted our focus to phenotype prediction, that is, predicting
diagnosis. What is more, we tackle the problem of data-insufficiency and class imbalance
(e.g. rare diseases and other infrequent occurrences in the training data) by integrating
standardized healthcare ontologies within graph neural networks. We study the broad
task of phenotype prediction, multi-task scenarios and as well few-shot scenarios - which
is when a class rarely occurs in the training set. Furthermore, during the development
of this work we detect some reproducibility issues in related literature which we detail,
and also open-source all of our implementations introduding a framework to aid the
development of similar systems.
A presente dissertação insere-se no projecto FrailCare.AI, que visa detectar a fragilidade da população idosa portuguesa com o objectivo de optimizar o serviço de telemonitoriza- ção do Sistema Nacional de Saúde Português (SNS24), e também sugerir acções a tomar para reduzir a fragilidade dos doentes. A fragilidade é uma condição de risco composta por multiplos fatores. Hoje em dia, grande parte da história clinica de cada utente é gravada digitalmente. Estes dados diversos e vastos podem ser usados treinar modelos preditivos cujo objectivo é prever futuros estados de saúde, sendo que fragilidade é só um deles. Devido à falta de accesso a dados, alteramos a tarefa principal deste trabalho para previsão de diágnosticos, onde exploramos o problema de insuficiência de dados e dese- quilíbrio de classes (por exemplo, doenças raras e outras ocorrências pouco frequentes nos dados de treino), integrando ontologias de conceitos médicos por meio de redes neu- ronais de gráfos. Exploramos também outras tarefas e o impacto que elas têm entre si. Para além disso, durante o desenvolvimento desta dissertação identificamos questões a nivel de reproducibilidade da literatura estudada, onde detalhamos e implementamos os conceitos em falta. Com o objectivo de reproducibilidade em mente, nós libertamos o nosso código, introduzindo um biblioteca que permite desenvlver sistemas semelhantes ao nosso.
A presente dissertação insere-se no projecto FrailCare.AI, que visa detectar a fragilidade da população idosa portuguesa com o objectivo de optimizar o serviço de telemonitoriza- ção do Sistema Nacional de Saúde Português (SNS24), e também sugerir acções a tomar para reduzir a fragilidade dos doentes. A fragilidade é uma condição de risco composta por multiplos fatores. Hoje em dia, grande parte da história clinica de cada utente é gravada digitalmente. Estes dados diversos e vastos podem ser usados treinar modelos preditivos cujo objectivo é prever futuros estados de saúde, sendo que fragilidade é só um deles. Devido à falta de accesso a dados, alteramos a tarefa principal deste trabalho para previsão de diágnosticos, onde exploramos o problema de insuficiência de dados e dese- quilíbrio de classes (por exemplo, doenças raras e outras ocorrências pouco frequentes nos dados de treino), integrando ontologias de conceitos médicos por meio de redes neu- ronais de gráfos. Exploramos também outras tarefas e o impacto que elas têm entre si. Para além disso, durante o desenvolvimento desta dissertação identificamos questões a nivel de reproducibilidade da literatura estudada, onde detalhamos e implementamos os conceitos em falta. Com o objectivo de reproducibilidade em mente, nós libertamos o nosso código, introduzindo um biblioteca que permite desenvlver sistemas semelhantes ao nosso.
Descrição
Palavras-chave
SNS24 Frailty Health Outcomes Diagnosis Prediction Few-shot Learning Graph Neural Networks