Utilização de técnicas de data mining na previsão do plano terapêutico em medicina intensiva

Abstract

Um dos principais dilemas existentes na medicina intensiva prende-se com o plano terapêutico, mais concretamente, que medicamentos e quando é que estes devem ser administrados a um doente. No plano terapêutico, a interpretação rápida e avaliação precisa de dados fisiológicos, são cruciais para uma tomada de decisão mais eficiente e eficaz por parte dos médicos. No sentido de apoiar a decisão dos médicos, este trabalho tem como objetivo prever o nível de sépsis e a melhor terapêutica para doentes com problemas microbiológicos, baseados nos níveis de sépsis. Para isso, foi desenvolvido um conjunto de modelos de Data Mining (DM), utilizando técnicas de previsão e modelos classificação, que irão possibilitar o médico decidir qual a terapêutica adequada a aplicar, bem como aquela que apresente uma elevada taxa de sucesso. Os dados utilizados nos modelos de DM foram recolhidos no Serviço de Cuidados Intensivos do Hospital de Santo António, Porto, Portugal. Nesta dissertação, foi utilizada a tarefa de previsão, o modelo de classificação, o método de aprendizagem supervisionada e os algoritmos: Árvores de Decisão, Máquinas de Vetores de Suporte e o classificador Naïve Bayes, para prever o nível de sépsis e o plano terapêutico de doentes com sépsis. Relativamente à avaliação, utilizaram-se a Matriz de Confusão, incluindo as métricas associadas e a Cross-validation. De entre as métricas associadas na análise, foram utilizadas: a taxa de erro total, a sensibilidade, a especificidade e a acuidade, que permitiram identificar quais as medidas mais relevantes para a previsão do nível da sépsis e do plano terapêutico em estudo. Concluindo, foi possível prever com grande acuidade o nível de sépsis, no entanto, o mesmo já não é possível dizer no que diz respeito à medicação. Apesar de os modelos da sépsis terem bons resultados, o plano terapêutico não apresenta o mesmo nível de acuidade. Os resultados provam que de uma forma geral existe uma fraca correlação entre o nível de sépsis e o plano terapêutico, referente ao grupo de medicamentos. No entanto, é de salientar que para alguns grupos de medicamentos, os modelos tiveram uma bom desempenho (nível de acertos em algumas classes foi superior a 80%).

One of the main problems existing in intensive medicine is related to the therapeutic plan, particularly what and when drugs must be administered to a patient. In the therapeutic plan it is crucial to make a rapid interpretation and accurate assessment of physiological data for efficient and effective decisionmaking by doctors. The present investigation aims to support doctor’s decision-making on predicting sepsis level and the best treatment for patients with microbiological problems based on sepsis levels. Thus, a set of Data Mining (DM) models was developed using forecasting techniques and classification models which will enable a doctor’s decision about appropriate therapy to apply, as well as the most successful one. The data used in DM models were collected at the Department of Intensive Care of the Hospital de Santo António, in Oporto, Portugal. Classification DM models where considered to predict sepsis level and therapeutic plan for patients with sepsis in a supervised learning approach. Models were induced making use of the following algorithms: Decision Trees, Support Vector Machines and Naïve Bayes classifier. Confusion Matrix, including associated metrics, and Cross-validation were used for the evaluation. Analysis of the total error rate, sensitivity, specificity and accuracy were the associated metrics used to identify the most relevant measures to predict sepsis level and treatment plan under study. In conclusion, it was possible to predict with great accuracy the sepsis level, but not the medication. Although the good sepsis models results attained, therapeutic plan does not present the same level of accuracy. The results have showed that in general there is a small correlation between sepsis level and therapeutic plan, considering the drugs group. However, for some drugs groups models the results are interesting (some classes exceeded 80% in terms of the accuracy level).