Deepsigns: a predictive model based on deep learning for the early detection of patient health deterioration
| Orientador(a) (dc.contributor.advisor) | Costa, Cristiano André da | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/9637121030877187 | pt_BR |
| Autor(a) (dc.contributor.author) | Silva, Denise Bandeira da | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/2738749341256188 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2021-12-21T14:31:18Z | |
| dc.date.available (dc.date.available) | 2021-12-21T14:31:18Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2020-09-29 | |
| Abstract (dc.description.abstract) | CONTEXT: The accurate and early diagnosis of critically ill patients depends on medical staff’s attention and the observation of different variables, vital signs, and laboratory test results, among others. Seriously ill patients usually have changes in their vital signs before worsening. Monitoring these changes is essential to anticipate the diagnosis in order to initiate patients’ care. Prognostic indexes play a fundamental role in this context since they allow us to estimate the patients’ health status. Besides, Electronic Health Records’ adoption improved data availability, which can be processed by machine learning techniques for information extraction to support clinical decisions. The volume and variety of data stored in the EHR make it possible to carry out more accurate analyzes that allow different types of health care assessments. Nevertheless, as the amount of data available is vast and complex, there is a need for new methods to analyze that data to explore significant patterns. The use of Machine Learning (ML) techniques to generate knowledge, search for information patterns, and support clinical decisions is one of the possibilities to address this problem. OBJECTIVE: this work aims to create a computational model able to predict the deterioration of patients’ health status in such a way that it is possible to start the appropriate treatment as soon as possible. The model was developed based on the Deep Learning technique, a Recurrent Neural Networks, the Long Short-Term Memory, to predict patient’s vital signs and subsequent evaluation of the patient’s health status severity through Prognostic Indexes commonly used in the Health area. METHOD: The methodology of this work consists of the following steps carried out in sequence. The definition of the data source to be used in the creation of the model and the selection of the data, the pre-processing to create a database for the development of the model, the definition of the implementation of the model and its evaluation through comparison with other models. RESULTS: Experiments showed that it is possible to predict vital signs with good precision (accuracy > 80%) and, consequently, predict the Prognostic Indexes in advance to treat the patients before deterioration. Predicting the patient’s vital signs for the future and use them for the Prognostic Index’ calculation allows clinical times to predict future severe diagnoses that would not be possible applying the current patient’s vital signs (50% - 60% of cases would not be identified). CONCLUSION: This work’s main scientific contribution is the creation of a method for predicting vital signs based on historical data with low Mean Squared Error and its following application in the calculation of prognostic indexes with effectiveness (50% - 60% of cases that would not be identified as severe). The differential presented by this proposal stems from the fact that few works predict vital signs. Most of the works focus on predicting specific health outcomes, such as specific diagnoses, considering the current vital signs. In this work, the proposal is to predict the evolution of vital signs in the future and use these predicted signs to calculate prognostic indexes. | en |
| Resumo (dc.description.resumo) | CONTEXTO: O diagnóstico preciso e precoce do paciente crítico depende da atenção da equipe médica e da observação de diversas variáveis, sinais vitais, resultados de exames laboratoriais, entre outros. Pacientes gravemente enfermos geralmente apresentam alterações em seus sinais vitais logo antes de piorar. O monitoramento dessas mudanças é essencial para antecipar o diagnóstico e iniciar o atendimento ao paciente. Os índices prognósticos desempenham um papel fundamental neste contexto, uma vez que permitem estimar o estado de saúde dos pacientes. Além disso, a adoção do Registro Eletrônico de Saúde melhorou a disponibilidade de dados, que podem ser processados por técnicas de aprendizado de máquina para extração de informações para apoiar decisões clínicas. O volume e a variedade de dados armazenados no EHR possibilitam a realização de análises mais precisas que permitem diversos tipos de avaliações em saúde. No entanto, como a quantidade de dados disponíveis é vasta e complexa, há uma necessidade de novos métodos de análise desses dados para explorar padrões significativos. O uso de técnicas de Aprendizado de Máquina (AM) para gerar conhecimento, buscar padrões de informação e apoiar decisões clínicas é uma das possibilidades para enfrentar esse problema. OBJETIVO: este trabalho visa criar um modelo computacional capaz de predizer a deterioração do estado de saúde dos pacientes de forma que seja possível iniciar o tratamento adequado o mais rápido possível. O modelo foi desenvolvido com base na técnica de Deep Learning, uma Rede Neural Recorrente, a Long Short-Term Memory, para predizer os sinais vitais do paciente e posterior avaliação da gravidade do estado de saúde do paciente por meio de Índices Prognósticos comumente utilizados na área da saúde. MÉTODO: A metodologia deste trabalho consiste nas seguintes etapas realizadas em sequência. A definição da fonte de dados a ser utilizada na criação do modelo e a seleção dos dados, o pré-processamento para criar uma base de dados para o desenvolvimento do modelo, a definição da implementação do modelo e sua avaliação por comparação com outros modelos. RESULTADOS: Experimentos mostraram que é possível predizer sinais vitais com boa precisão (acurácia >80%) e, conseqüentemente, predizer os Índices Prognósticos com antecedência para tratar os pacientes antes da deterioração. Prever os sinais vitais do paciente para o futuro e usá-los para o cálculo do índice prognóstico permite que os tempos clínicos prevejam diagnósticos graves futuros que não seriam possíveis aplicando os sinais vitais atuais do paciente (50% - 60% dos casos não seriam identificados ) CONCLUSÃO: A principal contribuição científica deste trabalho é a criação de um método de predição de sinais vitais baseado em dados históricos com baixo Erro Quadrático Médio e sua posterior aplicação no cálculo de índices prognósticos com eficácia (50% - 60% dos casos que não seriam identificado como graves). O diferencial desta proposta decorre do fato de poucos trabalhos predizerem sinais vitais. A maioria dos trabalhos se concentra em predizer desfechos de saúde específicos, como diagnósticos específicos, considerando os sinais vitais atuais. Neste trabalho, a proposta é prever a evolução dos sinais vitais no futuro e utilizar esses sinais previstos para calcular índices prognósticos. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/10773 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Ciências da Comunicação | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Predictive scores | en |
| Assunto (dc.subject) | Machine learning | en |
| Assunto (dc.subject) | Deep learning | en |
| Assunto (dc.subject) | LSTM | en |
| Assunto (dc.subject) | Health informatics | en |
| Assunto (dc.subject) | Índices prognósticos | en |
| Assunto (dc.subject) | Aprendizado de máquina | pt_BR |
| Assunto (dc.subject) | Aprendizado profundo | pt_BR |
| Assunto (dc.subject) | Informática na saúde | pt_BR |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Deepsigns: a predictive model based on deep learning for the early detection of patient health deterioration | pt_BR |
| Tipo de arquivo (dc.type) | Tese | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Denise Bandeira da Silva_.pdf
- Tamanho:
- 2.24 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- deepsigns_predictive
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: