Benchmarking sobre técnicas de otimização para modelos de apoio à decisão na medicina intensiva

Abstract

Os modelos de apoio à decisão na medicina intensiva são desenvolvidos para apoiar as equipas médicas na tomada de decisão sobre os tratamentos a aplicar a um doente. Existem inúmeros sistemas de apoio à decisão (SAD) que foram desenvolvidos nas últimas décadas para os mais variados ambientes. Em muitos desses SADs, o Machine Learning é utilizado para dar resposta a um problema específico. No entanto, a otimização desses sistemas é particularmente difícil de aplicar devido à dinâmica, complexidade e naturezas multidisciplinares. Com isso, hoje em dia existe uma constante investigação e desenvolvimento de novos algoritmos capazes de extrair conhecimento tratado de grandes volumes de dados, obtendo assim melhores resultados preditivos do que os atuais algoritmos. Existe e emerge um vasto grupo de técnicas e modelos que melhor se adaptam à natureza e complexidade do problema. É nesse propósito que se insere este trabalho. Esta dissertação teve como principal objetivo identificar essas técnicas de otimização, avaliar, comparar e classificar aquelas que melhor podem responder às particularidades da Medicina Intensiva. Como exemplo foram analisados modelos Evolutionary Crisp Rule Learning, Lazy Learning, Evolutionary Fuzzy Rule Learning, Prototype Generation, Fuzzy Instance Based Learning, Decision Trees, Crisp Rule Learning, Neural Networks e Evolutionary Prototype Selection. De seguida foram efetuados alguns desenvolvimentos / testes de modo a aplicar a melhor técnica a um problema de cuidados intensivos, onde a técnicas Decision Trees Genetic Algorithm, Supervised Classifier System e KNNAdaptive obtiveram a melhor taxa de acuidade, mostrando assim a sua exequibilidade e capacidade de atuar em um ambiente real.

The decision support models in intensive care are developed to support medical staff in decision making about treatments to be applied to a patient. There are numerous systems for decision support (DSS) that have been developed in recent decades for a variety of environments. In many of these DSS, the Machine Learning is used to address a specific problem. However, the optimization of these systems is particularly difficult to apply due to the dynamic, complex and multidisciplinary nature. Thus, there is a constant research and development of new algorithms capable of extracting knowledge treated large volumes of data today, able to obtain better predictive results than current algorithms. In fact, emerges a large group of techniques and models that are best suited to the nature and complexity of the problem. This work is incorporated in this context. This dissertation aims to identify these optimization techniques, evaluate, compare and classify them in order to identify what are the best respond to the particularities of Critical Care Medicine. As an example several models were analyzed: Evolutionary Fuzzy Rule Learning, Lazy Learning, Evolutionary Crisp Rule Learning, Prototype Generation, Fuzzy Instance Based Learning, Decision Trees, Crisp Rule Learning, Neural Networks and Evolutionary Prototype Selection. Afterwards some developments / tests were made in order to apply the best technique to a problem of intensive care, where the Decision Trees Genetic Algorithm, Supervised Classifier System and KNNAdaptive obtained the most accurate rate, thus showing their feasibility and ability to work in a real environment.