A carregar...
Publicação
Estratificação de Pacientes para o Desenho de Intervenções de Alteração de Comportamento Utilizando Técnicas Aprendizagem Automática Não Supervisionada e de Explicabilidade. Estudo de Caso na Cirurgia Cardiotorácica
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.17 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
O aumento da prevalência das doenças cardiovasculares é atualmente uma preocupação
global, uma vez que estas trazem diversas complicações à vida dos pacientes envolvendo
tratamentos invasivos e cirurgias que por sua vez acarretam riscos de infeção e readmissão
hospitalar.
Uma vez que os comportamentos de risco estão fortemente associados a estas doenças,
torna-se importante atuar na alteração dos comportamentos dos pacientes para que
estes adotem hábitos mais saudáveis, com o objetivo de agir na prevenção das doenças
cardiovasculares e deste modo contribuir para diminuição do risco de complicações
pós-cirúrgicas.
A medicina personalizada tem por objetivo considerar as características individuais
dos pacientes na tomada de decisões clínicas e terapêuticas, de forma a proporcionar o
tratamento mais adequado a cada paciente.No contexto das doenças cardiovasculares, esta
abordagem pode ser extremamente útil na identificação dos fatores de risco específicos
de cada paciente e no desenvolvimento de planos de tratamento personalizados que
considerem as necessidades individuais de cada paciente.
Com efeito, ao detetar grupos de pacientes com comportamentos semelhantes é possível
desenhar intervenções personalizadas para cada grupo, intervindo de forma mais
eficaz e assertiva na alteração dos seus hábitos, visando a prevenção das doenças cardiovasculares
e a redução de complicações pós-cirúrgicas.
É neste contexto que se propõe uma abordagem integrada no serviço de telemonitorização,
desenvolvido no projeto de investigação CardioFollow.AI, para acompanhamento
dos pacientes na recuperação da cirurgia cardiotorácica. A abordagem tem por objetivo
a aplicação de modelos de aprendizagem automática não supervisionada numa base
de dados de registos eletrónicos médicos dos pacientes, com o objetivo de identificar
padrões entre os comportamentos destes e realizar o agrupamento de pacientes com
comportamentos semelhantes.
Para identificar grupos de pacientes com comportamentos semelhantes, foi utilizada
uma base de dados fornecida pelo Hospital de Santa Marta, que inclui informações clínicas dos pacientes durante um ano de acompanhamento pós-cirúrgico. Após o préprocessamento
dos dados, obteve-seum conjunto de dados composto porum total de vinte
e duas features, sendo dez destas numéricas e doze categóricas, referentes aos períodos de
três e seis meses após a realização da cirurgia.
Este conjunto de dados foi dividido em cinco subconjuntos diferentes, distinguíveis
na inclusão e exclusão das variáveis da idade e do género dos pacientes e na estratificação
por faixas etárias, a fim de avaliar a influência dessas variáveis nos resultados. Para
cada um dos subconjuntos foram aplicados quatro modelos de agrupamento - KMeans,
BIRCH, KModes e KPrototypes - tendo-se obtidos diferentes resultados para cada modelo
e subconjunto específico. A análise dos resultados foi realizada através de métricas de
validação do agrupamento, técnicas de avaliação do desempenho através da aprendizagem
supervisionada e técnicas de explicabilidade dos modelos de aprendizagem.
Os resultados obtidos através da aplicação dos modelos de agrupamento mostraram
que o KModes apresentou os resultados mais satisfatórios, ao criar cinco grupos distintos
de pacientes com características semelhantes em ambos períodos de tempo analisados.
Para além disso, foi possível estabelecer uma clara correspondência entre os grupos
encontrados em cada período temporal. Estes resultados são de grande relevância para a
implementação da fase de intervenção comportamental no período de acompanhamento
pós-cirúrgico, uma vez que permitem a realização de uma intervenção personalizada na
alteração dos comportamentos dos pacientes, com base nos grupos identificados.
O trabalho de investigação descrito nesta dissertação foi realizado de acordo com as
normas estabelecidas no código de ética da Universidade Nova de Lisboa. O trabalho
descrito e o material apresentado nesta dissertação, com as exceções claramente indicadas,
constituem trabalho original realizado pela autora.
Amajor concern today is the rising prevalence of cardiovascular diseases, whichcomplicate patients’ lives in a number of ways and frequently necessitate invasive surgery that entails infection and readmission risk. Given the strong correlation between risky behaviors and these diseases, it is crucial to take action to change patients’ behaviors and encourage them to develop healthier habits in order to both prevent these diseases and lower the risk of complications following surgery. In order to give each patient the best possible care, personalized medicine aims to take their unique characteristics into account when making clinical and therapeutic decisions. This method can be very helpful when treating cardiovascular diseases because it allows doctors to pinpoint each patient’s unique risk factors and create treatment plans that are tailored to their unique requirements. By finding groups of patients with similar behaviors, individualized interventions can be developed for each group, and more effective and decisive interventions can be made to change patients’ behavior and health habits, thereby preventing cardiovascular disease and reducing postoperative complications. In this sense, the proposed approach, integrated into the telemonitoring service of the CardioFollowAI research project to follow patients during their recovery from cardiothoracic diseases, consists in applying unsupervised learning models to the database of electronic medical records to find patterns of behaviorand group patients who exhibit those patterns. To identify groups of patients with similar behaviors, a database provided by Santa Marta Hospital was used, which includes patients’ clinical information during one year of post-surgical follow-up. After data preprocessing, a dataset was obtained consisting of a total of twenty-two features, ten of which are numeric and twelve categorical, referring to the periods of three and six months after surgery. In order to assess the impact of these variables on the results, this dataset was divided into five distinct subsets, distinguishable by the inclusion and exclusion of patient age and gender variables and age group stratification. Four clustering models, KMeans, BIRCH, KModes, and KPrototypes, were applied to each subset, yielding different results for each particular model and subset. The results were analyzed by clustering validation metrics, supervised learning performance evaluation methods, and model explainability methods. KModes presented the most satisfactory results, creating five distinct groups of patients with similar characteristics in both periods of time analyzed. It was possible to establish a clear correspondence between the groups found in each temporal period. The implementation of the behavioral intervention phase in the post-surgical follow-up period will be greatly impacted by these results as they enable personalized behavior change interventions for patients based on the identified groups.
Amajor concern today is the rising prevalence of cardiovascular diseases, whichcomplicate patients’ lives in a number of ways and frequently necessitate invasive surgery that entails infection and readmission risk. Given the strong correlation between risky behaviors and these diseases, it is crucial to take action to change patients’ behaviors and encourage them to develop healthier habits in order to both prevent these diseases and lower the risk of complications following surgery. In order to give each patient the best possible care, personalized medicine aims to take their unique characteristics into account when making clinical and therapeutic decisions. This method can be very helpful when treating cardiovascular diseases because it allows doctors to pinpoint each patient’s unique risk factors and create treatment plans that are tailored to their unique requirements. By finding groups of patients with similar behaviors, individualized interventions can be developed for each group, and more effective and decisive interventions can be made to change patients’ behavior and health habits, thereby preventing cardiovascular disease and reducing postoperative complications. In this sense, the proposed approach, integrated into the telemonitoring service of the CardioFollowAI research project to follow patients during their recovery from cardiothoracic diseases, consists in applying unsupervised learning models to the database of electronic medical records to find patterns of behaviorand group patients who exhibit those patterns. To identify groups of patients with similar behaviors, a database provided by Santa Marta Hospital was used, which includes patients’ clinical information during one year of post-surgical follow-up. After data preprocessing, a dataset was obtained consisting of a total of twenty-two features, ten of which are numeric and twelve categorical, referring to the periods of three and six months after surgery. In order to assess the impact of these variables on the results, this dataset was divided into five distinct subsets, distinguishable by the inclusion and exclusion of patient age and gender variables and age group stratification. Four clustering models, KMeans, BIRCH, KModes, and KPrototypes, were applied to each subset, yielding different results for each particular model and subset. The results were analyzed by clustering validation metrics, supervised learning performance evaluation methods, and model explainability methods. KModes presented the most satisfactory results, creating five distinct groups of patients with similar characteristics in both periods of time analyzed. It was possible to establish a clear correspondence between the groups found in each temporal period. The implementation of the behavioral intervention phase in the post-surgical follow-up period will be greatly impacted by these results as they enable personalized behavior change interventions for patients based on the identified groups.
Descrição
Palavras-chave
Aprendizagem Automática Agrupamento Explicabilidade Medicina Personalizada Resultados Reportados por Pacientes Intervenção nos Comportamentos