Sistema automático de Resposta das Interconsultas ao Sistema Único de Saúde (SUS) utilizando Redes Neurais(Cross-Check)

• Processo: 22/08936-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2022
• Data de Término da vigência: 30 de novembro de 2023
• Área de conhecimento: Ciências da Saúde - Medicina
• Pesquisador responsável: Luís Gustavo Modelli de Andrade
• Beneficiário: Maria Claudia dos Santos Pinto
• Instituição Sede: Faculdade de Medicina (FMB). Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
• Assunto(s): Aprendizado computacional Registros médicos Redes neurais convolucionais Nefrologia
• Palavra(s)-Chave do Pesquisador: análise de agrupamento | machine learning | prontuarios medicos | Reconhecimento de Entidades Nomeadas | Redes Neurais convolucionais | Nefrologia

Resumo

Diversos estudos recentes têm utilizado inteligência artificial na extração e tratamento de dados secundários na área da saúde, obtidos em prontuários eletrônicos hospitalares. Atualmente no Hospital das Clínicas da Faculdade de Medicina de Botucatu (HCFMB) há uma grande demanda para a avaliação de interconsultas entre especialidades médicas. A introdução do sistema informatizado de prontuários e interconsultas gerou a necessidade de um profissional dedicado de cada especialidade para responder ao grande volume de interconsultas. O objetivo final deste estudo será desenvolver uma rede neural em conjunto com métodos de extração de linguagem natural capaz de obter informações estruturadas do campo de interconsultas dos prontuários médicos do HCFMB, elaborando, assim, um modelo de "machine learning" supervisionado de resposta automatizada das interconsultas, denominado Cross-Check. O HCFMB atualmente utiliza o sistema de prontuários eletrônicos SOUL MV Hospitalar e os dados não estruturados serão extraídos do campo "avaliação complementar" presentes nestes prontuários. Este campo é preenchido pelos médicos ao solicitar uma interconsulta para alguma nova especialidade, sendo um campo de texto sem limite de caracteres com os motivos pelos quais o paciente necessita da avaliação. No entanto, a análise dos prontuários apresenta certa complexidade devido ao uso de acrônimos, negação, erros gramaticais, estilos descritivos distintos, preenchimento inadequado de campos estruturados específicos, etc.A fim de aumentar a quantidade de "corpus" de texto, serão também coletados os dados das últimas 5 evoluções médicas disponíveis. Adicionalmente, também serão consideradas as informações estruturadas dos campos: sexo, raça, escolaridade, profissão, data de nascimento, estado civil, especialidade e o código de Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde (CID). Os dados serão fornecidos pelo Centro de Informática Médica do Hospital das Clínicas da Faculdade de Medicina de Botucatu (CIMED). Como critério de exclusão, não fazem parte da amostra prontuários sem o preenchimento do campo avaliação complementar. A identificação do paciente ou da equipe médica também não fazem parte dos dados por questões de confidencialidade.O modelo de Cross-Check será capaz de classificar as interconsultas em 4 categorias: encaminhamento para o ambulatório da especialidade, paciente já acompanhado pela especialidade, encaminhamento para o posto de saúde ou sem indicação da interconsulta. Para atingir o objetivo proposto, será necessário: comparar métodos existentes de extração de textos e definir o mais adequado; escolher os métodos que serão utilizados para reconhecimento de padrões e agrupamento de dados; desenvolver uma rede neural capaz de extrair e transformar os dados dos prontuários em elementos estruturados; avaliar a qualidade de informação extraída; validar a rede neural e o modelo proposto.Para a transformação dos dados não estruturados do campo "avaliação complementar" para uma base de dados estruturados, será construído um modelo de Redes Neurais Convolucionais para Reconhecimento de Entidades Nomeadas e serão aplicadas técnicas de Processamento de Linguagem Natural no pré-processamento do modelo, para preparação da base e no pós-processamento, para converter em uma matriz binária (prontuários/entidades), indicando a presença da entidade em cada prontuário.Utilizaremos dados das solicitações já respondidas, sendo 70% dos dados para treino e 30% para validação. Esperamos que o modelo preditivo Cross-Check possa gerar as probabilidades dentre as 4 categorias e possibilite priorizar as avaliações de interconsultas dos casos de maior gravidade. Futuramente o modelo pode ser escalado para a resposta de interconsultas das unidades básicas de saúde aos hospitais terciários com mínima necessidade de intervenção humana.