Aplicación de técnicas de graph mining para buscar patrones en la lista de problemas de la historia clínica del Hospital Italiano de Buenos Aires.

• Autores: Avila Williams, María del Pilar
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Soria, Marcelo Abel
• Materia: GRAPH MINING; LISTA DE PROBLEMAS; REDES COMPLEJAS; DETECCION DE COMUNIDADES; SNOMED CT; GRAPH MINING; PROBLEM LIST; COMPLEX NETWORKS; COMMUNITY DETECTION; SNOMED CT
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

La lista de problemas es el componente estructural de la historia clínica electrónica del Hospital Italiano de Buenos Aires, en ella se detallan los hallazgos y observaciones de los pacientes. Se presenta un análisis basado en teoría de grafos con el objetivo final de encontrar agrupaciones significativas entre problemas antes del 2016. En este modelo los problemas son los nodos y los enlaces son los vínculos con SNOMED CT y la co-ocurrencia en los pacientes. Este análisis comprende la construcción de subconjuntos de los contextos: servicios de atención de salud, nivel asistencial o ámbito y grupo etario. Para evaluar la capacidad predictiva de las agrupaciones se utiliza las métricas de precisión y exactitud en una lista de 10 predicciones seleccionadas en la lista de problemas de paciente en el año 2017. Los resultados mostraron que realizar la lista de predicciones usando solo los problemas de los contextos, mejora significativamente la capacidad predictiva de las agrupaciones, especialmente en el contexto de servicio de atención de salud y grupo etario.
The problem list is the structural component of the electronic medical record of the Hospital Italiano de Buenos Aires, in which the clinical findings and observations of the patients are detailed. An analysis based on graph theory is presented, with the final purpose of finding significant clusters of problems before 2016. In this model, the problems are the nodes, and the links are the connections with SNOMED CT and the co-occurrence in the patients. This analysis includes the construction of subsets with contexts: health care services, level of care or scope and age group. To evaluate the predictive capacity of the clusters, precision and accuracy metrics are used in a list of 10 predictions selected in the problem list of patients for the year 2017. The results showed that making the list of predictions using only the problems of the contexts, significantly improves the predictive capacity of the clusters, especially in the context of health care service and age group.
Fil: Avila Williams, María del Pilar . Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.