Sistema de apoio à decisão clínica: quality of life system

Abstract

A crescente relevância do conceito Qualidade de Vida no âmbito da Saúde, e a necessidade de aproveitar os benefícios da inovação das tecnologias e sistemas de informação são a sustentação para o desenvolvimento de um Sistema de Apoio à Decisão Clínica, que o presente projeto de dissertação pretende apoiar. Através de dados que retratam interações entre pacientes oncológicos e a instituição de saúde responsável pelo seu acompanhamento e tratamento, foi desenvolvido um processo de descoberta de conhecimento em bases de dados. Esse processo, desenvolvido de acordo com os princípios da metodologia CRISP-DM, identificou um conjunto de técnicas e modelos de Data Mining com capacidade para explorar, extrair e evidenciar padrões nos dados submetidos a tarefas de Clustering e Previsão. Os resultados obtidos através dos diferentes testes executados destacam modelos inerentes às Árvores de Decisão, Regras de Associação, Redes Neuronais, Vizinhos Mais Próximos e Classificadores de Bayes, avaliando os mesmos pela Sensibilidade, Especificidade, Erro quadrático médio, Erro médio e Tempo de aprendizagem apresentados. Nos testes realizados, através dos modelos de previsão que incidiram sobre as tarefas de Clustering, foram obtidas percentagens de acerto bastante elevadas, na ordem dos 80% aos 90%, enquanto nos testes de previsão de Qualidade de Vida as percentagens de acerto superaram, na grande maioria dos testes executados, o mínimo de percentagem estipulada de 70%. O presente projeto de dissertação contribui assim para aumentar o número de estudos que fazem a aplicação prática do uso de Data Mining e Sistemas de Apoio à Decisão Clínica, procurando potenciar o processo de tomada de decisão por parte das equipas médicas especializadas, na procura de melhorar os tratamentos e consequentemente a qualidade de vida relacionada com a Saúde de doentes crónicos.

This dissertation project intends to support the development of a Clinical Decision Support System, motivated by the growing relevance of Quality of Life concept and the need to explore the benefits of innovation in technology and information systems, in health environments. Through a dataset which represents the different interactions between oncology patients and the health institution responsible for their monitoring and treatment, it has been developed a process of knowledge discovery in databases. This process, which followed the principles of CRISP-DM methodology, identified several Data Mining techniques with capabilities to explore, extract and highlight patterns in the dataset submitted to clustering and prevision tasks. The results obtained, through the different executed tests, highlight models as Decision Trees, Association Rules, Neuronal Networks, Nearest Neighbors and Bayes Classifiers. The evaluation of each model was based in metrics as Sensibility, Specificity, Mean square error, Mean error and learning time of the models. In the tests which were executed through the prevision models, with incidence in Clustering tasks, it were obtained high accuracy percentages between 80% and 90%, while in Quality of Life prevision tests the percentages exceeded the stipulated minimum percentage of 70%, in the most of the tests performed. This dissertation project contributes to increase the number of studies which makes the practical application of Data Mining and Clinical Decision Support Systems, demonstrating capabilities to enhance the decision-making process by the specialized medical teams, in order to improve treatments and consequently the Health related Quality of Life in persons with chronic diseases.