Diseño e implementación de algoritmos de procesamiento de lenguaje natural para automatizar la construcción de resúmenes de consultas médicas en la IPS Neumomed S.A.S. mediante técnicas de Machine Learning

Abstract

RESUMEN: Los textos resumen de una consulta, encuentro o seguimiento médico sirven para dar contexto de la historia clínica del paciente pues dan cuenta de datos importantes como: información general del paciente, antecedentes, medicamentos y otros hallazgos de la consulta. En este proyecto se presenta un algoritmo desarrollado por el departamento de T.I de la I.P.S Neumomed S.A.S para suplir la necesidad de generar en tiempo real el texto resumen de un encuentro médico. Para la creación de esta funcionalidad se identificaron los siguientes requerimientos: el algoritmo debe generar un texto resumen introductorio del paciente que contenga la información general de este y del último encuentro médico del paciente, debe recibir variables con información clínica del paciente y generar un texto resumen, debe ser escalable y fácilmente implementable en cualquier cliente de la I.P.S. Para cumplir con los requerimientos expresados anteriormente, se construyó un modelo supervisado de machine learning tipo árbol de decisiones, que cuenta una fase de entrenamiento y otra de implementación, para la generación automatizada de textos implementando técnicas de procesamiento de lenguaje natural. El modelo generado se validó mediante técnicas de regresión logística y análisis típicos de algoritmos de inteligencia artificial con base en la matriz de confusión y la medición de exactitud (accuracy). De igual manera se evalúo la calidad del texto generado por medio de revisiones manuales y automatizadas, para garantizar la legibilidad, orden, coherencia y buena ortografía del mismo, finalmente se realizaron validaciones de seguridad y desempeño del algoritmo.

ABSTRACT: The electronic medical record serves to give context to the patient's medical history, since they account for important data such as: general patient information, history, medications and other findings of the consultation. This project presents an algorithm developed by the T.I department of Neumomed S.A.S to supply the need to generate medical record in real time. To create this functionality, the following requirements were identified: the algorithm must generate an introductory text about the patient, it must contain general information of this and the patient's last medical meeting, must receive variables with the patient's clinical information and generate a text summary, it must be scalable and easily deployable in any client. To accomplish the requirements expressed above, a supervised decision tree machine learning model was built, it includes a training phase and an implementation phase that implement natural language processing techniques. The generated model was validated using logistic regression techniques and was analysed based on the confusion matrix and the accuracy measurement. In the same way, the quality of the generated text was evaluated through manual and automated revisions, to guarantee its legibility, order, coherence, and good spelling. Finally, security and performance validations were carried.