Defesa de Tese de Doutorado do Programa de Pós-graduação em Ciência da Computação.
Título: HOLISTIC PATIENT REPRESENTATION LEARNING FOR PATIENT FLOW TASKS USING CLINICAL HISTORIES FROM BRAZILIAN ELECTRONIC HEALTH RECORDS
Aluna: BERNARDO SCAPINI CONSOLI
Orientador: Dra. Isabel Harb Manssour
Banca Examinadora: Dra. Aline Marins Paes Carvalho (IC/UFF), Dra. Mariana Recamonde Mendoza (INF/UFRGS), Dr. Marcio Sarroglia Pinho (PPGCC/PUCRS)
Data: 26 de março de 2025
Local: Videoconferência
Horário: 8h30
Resumo: Aprendizado de representações de pacientes é o uso de inteligência artificial para reinterpretar dados conhecidos de pacientes, extraídos de Registros Eletrônicos de Saúde, para que modelos de aprendizado de máquinas consigam fazer previsões sobre pacientes que possam ajudar profissionais médicos no diagnóstico e na administração de cuidados adequados. A heterogeneidade dos dados torna difícil criar modelos que levem em conta todas as informações de tal forma que representem verdadeiramente o estado de saúde completo de um paciente, embora seja razoável supor que quanto menos completa a informação do paciente usada na previsão, maior a probabilidade de que a previsão esteja errada. Também é importante observar que dados médicos estão vinculados ao seu local de origem e, como tal, o desenvolvimento e uso de dados brasileiros em pesquisa é vital para o desenvolvimento das tecnologias nacionais de medicina computacional. Além disso, o treinamento de modelos de aprendizado de máquina necessitam de anotações para treinamento e trasnformações de dados para input também são necessários. Esta tese visa criar um corpus de dados hospitalares brasileiros com a máxio de informação a que tivermos acesso, criar testes e tentar criar anotações adicionais para tarefas de fluxo de pacientes, e finalmente enriquecer dados de treino heterogêneos com transformações homogeneizantes para holisticamente utilizá los em modelos de aprendizado de
máquina. Nós lançamos para acesso aberto o maior banco de dados hospitalares Brasileiros, conseguimos bons
resultados para tarefas de fluxo de pacientes com modelos de aprendizado de máquina, e desenvolvemos a
arquitetura de anotação automática SDoH-GPT, a qual validamos nos banco de dados de UTI MIMIC-III.
