Aumento de Registros Médicos Electrónicos para la Detección de Eventos Adversos

Área de la Ciencia:

• Informática Médica
• Aprendizaje Automático en Atención Médica
• Análisis de Datos Clínicos

Sus antecedentes:

• Los eventos adversos (EA) de las intervenciones médicas aumentan la morbilidad, la mortalidad y los costos de atención médica del paciente.
• La predicción de EA utilizando registros médicos electrónicos (EHR) es crucial para intervenciones oportunas, pero se ve obstaculizada por desafíos en los datos.
• Los métodos clásicos de aprendizaje automático luchan con datos de EHR desequilibrados, etiquetas faltantes e interacciones complejas.

Objetivo del estudio:

• Introducir TASER-AE, un novedoso pipeline de aumento de datos para datos estructurados de EHR.
• Mejorar la predicción de eventos adversos abordando el desequilibrio de clases y mejorando la representación de la clase minoritaria.
• Mejorar la robustez y el rendimiento predictivo de los modelos de clasificación para datos de EHR.

Principales métodos:

• Se desarrolló TASER-AE, un pipeline de aumento de datos inspirado en técnicas de Procesamiento del Lenguaje Natural (PLN), adaptado para datos estructurados de EHR.
• Se utilizaron modelos de clasificación basados en transformadores junto con los datos de EHR aumentados.
• Se aplicó el pipeline a conjuntos de datos clínicos dispersos y desequilibrados para enriquecer las clases minoritarias de eventos adversos.

Principales resultados:

• TASER-AE logró puntuaciones F1 de clase minoritaria de hasta 0,70, superando significativamente los métodos de referencia de aprendizaje automático clásicos.
• Demostró mejoras sustanciales en el rendimiento de detección de eventos adversos en dos conjuntos de datos de EHR distintos.
• Alivió eficazmente el desequilibrio de clases, mejorando la representación de las clases minoritarias de eventos adversos.

Conclusiones:

• Los métodos de aumento de datos estructurados inspirados en PLN pueden superar las limitaciones de datos en el modelado predictivo clínico.
• TASER-AE muestra un potencial significativo para mejorar los resultados de seguridad del paciente a través de una mejor predicción de EA.
• El pipeline TASER-AE ofrece una herramienta valiosa para los investigadores que trabajan con datos clínicos desequilibrados.