Análisis No Supervisado de Registros de Salud de COVID-19 Mediante Grafos y Aprendizaje Profundo

• J. Gelabert Xirinachs ^[1] ; J. Fonollosa ^[1] ; A. Perera-Lluna ^[1]
  1. [1] Universitat Politècnica de Catalunya

     Universitat Politècnica de Catalunya

     Barcelona, España

     
• Localización: CASEIB 2024. Libro de Actas del XLII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, 2024, ISBN 978-84-09-67332-2, págs. 685-688
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • El uso de grafos para analizar datos médicos permite representar la información como una red de nodos y conexiones. Esta técnica se aplica en varios campos por su capacidad de capturar relaciones complejas entre elementos. En este estudio, proponemos utilizar grafos acíclicos dirigidos para representar la jerarquía de los códigos de diagnósticos ICD-10. Analizamos una base de datos que contiene información de casi 1,5 millones de usuarios del sistema de salud público catalán. El criterio de inclusión es un diagnóstico de Covid-19 entre el 01/01/2019 y el 01/09/2021. Disponemos del historial médico completo de cada paciente, así como otros datos demográficos. Utilizamos un algoritmo de aprendizaje automático no supervisado para aprender representaciones de los grafos de una subpoblación de aproximadamente 50.000 pacientes, poniendo el foco sobre la población con diabetes. El análisis del grueso de la población total ilustra la distribución de diagnósticos, con una media de 4,6 diagnósticos únicos por paciente y una profundidad media de los códigos ICD-10 de 4,4, siendo 7 la máxima profundidad posible. Los resultados de la aplicación del algoritmo al subconjunto de individuos muestran una manera innovadora de resumir los datos de los pacientes y plantean potenciales investigaciones futuras en la predicción de trayectorias clínicas.