پديد آورنده :
ساماني، رسول
عنوان :
پيش‌بيني پذيرش مجدد بيمار با استفاده از بازنمايي پرونده الكترونيك سلامت و گراف ناهمگون مفاهيم پزشكي
مقطع تحصيلي :
كارشناسي ارشد
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
سيزده، 73ص. : مصور، جدول، نمودار
استاد راهنما :
ناصر قديري مدرس
توصيفگر ها :
دسته‌بندي متون باليني , پرونده الكترونيك سلامت , جاسازي گراف ناهمگون , بستري مجدد بيمار , يادگيري عميق
استاد داور :
مهران صفاياني، زينب مالكي
تاريخ ورود اطلاعات :
1400/11/27
رشته تحصيلي :
مهندسي كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1400/12/11
چكيده فارسي :
بازنمايي پرونده الكترونيك سلامت يكي از موضوعات مهم و پايه‌اي در تحليل داده‌هاي پزشكي و زيست پزشكي در حوزه علوم كامپيوتر است. پرونده الكترونيك سلامت شامل انواع داده‌هاي مهم و ارزشمند از فرايند درمان بيمار ازجمله داده‌هاي ساخت‌يافته مانند كدهاي پزشكي، نيمه‌ساخت‌يافته همچون نتايج آزمايشگاهي و نيز بدون‌ساختار مانند گزارش‌هاي باليني است. استخراج ويژگي‌هاي مناسب و مدل‌سازي اين داده‌ها مي‌تواند در بهبود عملكرد كارهاي متنوعي از داده‌كاوي پزشكي ازجمله پيش‌بيني بستري مجدد بيمار به‌كار گرفته‌شود. فرايند بستري مجدد بيمار به درمان مجدد بيمار در بيمارستان به واسطه درمان ناقص گفته مي‌شود كه اين امر موجب تاثير منفي برروي كيفيت زندگي بيمار و همچنين ايجاد اثرات اقتصادي نامطلوبي روي نظام سلامت مي‌شود. استفاده از تكنيك‌هاي بازنمايي پرونده الكترونيك سلامت راه‌حلي مناسب جهت پيش‌بيني و جلوگيري از بستري مجدد بيمار است.
در سال‌هاي اخير پژوهش‌هاي متنوعي در زمينه‌ي بازنمايي پرونده الكترونيك سلامت انجام شده‌است كه هركدام به نحوي به يكي از جنبه‌هاي موجود در پرونده الكترونيك سلامت توجه كرده‌اند. گروهي از پژوهش‌ها تنها از متون گزارش‌هاي باليني بيمار و گروهي ديگر تنها از كدهاي پزشكي موجود در پرونده بيمار در ايجاد بازنمايي استفاده كرده‌اند. نگاه تك‌بعدي به داده‌هاي پرونده الكترونيك سلامت، موجب هدررفت داده‌هاي مهم موجود در ساير بخش‌هاي پرونده مي‌شود.
در اين پژوهش سعي شده‌است تا با استفاده از تركيب بازنمايي پرونده الكترونيك سلامت و جاسازي گراف ارتباطي بيماران، مدلي طراحي شود كه اولاً تا حد ممكن عمده داده‌هاي متنوع پرونده الكترونيك سلامت در بازنمايي پوشش داده شود و ثانياً گراف رابطه‌اي بيماران به منظور يافتن بيماران مشابه ايجاد شود. بدين منظورگراف ناهمگوني از اطلاعات بيماران شامل كدهاي پزشكي و داروهاي مصرف‌شده ايجاد شد و با استفاده از تكنيك‌هاي جاسازي گراف، بردارهاي ويژگي مناسب، براي تركيب با بردار حاصل از بازنمايي پرونده الكترونيك بيمار ايجاد شد. مقايسه كارايي و دقت اين رويكرد در نسبت با ساير كارهاي شاخص در اين حوزه، نشان‌دهنده برتري اين مدل در عمليات دسته‌بندي بيماران بستري مجددشده بوده است و اين مدل پيشنهادي توانسته است با شاخص AUROC عملكرد 72.2 % را در اين عمليات كسب نمايد.
چكيده انگليسي :
The representation of electronic health records is a crucial and fundamental topic in analyzing medical and biomedical data in computer science. The electronic health record contains diverse and significant data from the patient’s treatment process, including structured data such as medical codes, semistructured data such as laboratory results, and unstructured data such as clinical reports. We exploited the extraction of appropriate features and modeling of this data to improve the accuracy of various tasks related to medical data mining, such as predicting patient readmission. The process of patient readmission is called re-treatment of the patient due to incomplete treatment, which harms the patient’s quality of life and has adverse economic effects on the health care system. Using EHR representation techniques is an excellent way to predict and prevent patient readmission.
In recent years, several research works are conducted to propose representations of electronic health records, each addressing a different aspect. These studies, however, used only the texts of the patient’s clinical reports or only the medical codes from the patient’s EHR to create representations which led to the loss of critical information from other parts of the electronic health record.
In this study, we proposed a model by exploiting the combination of electronic health record representation and embedding patients ’communication graphs. First of all, we covered as much as possible electronic health record data in our representation, and then to find similar pairs, we built patients’ relational graphs. In this regard, a heterogeneous graph of patients’ information, including medical codes and drugs, was generated. Appropriate feature vectors were created by graph embedding techniques and combined with the vectors prepared from the patient’s electronic record representation. Comparing the efficiency and accuracy of this approach with other related state-of-the-art works shows that the proposed model outperforms other patient readmission classification tasks and achieves an accuracy of 72.2% with the AUROC criterion.
استاد راهنما :
ناصر قديري مدرس
استاد داور :
مهران صفاياني، زينب مالكي
