UPCommons. Portal del coneixement obert de la UPC
Publicación
Contribución de congreso (ConferenceOutput)
Análisis no supervisado de registros de salud de COVID-19 mediante grafos y aprendizaje profundo
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 relacio- nes complejas entre elementos. En este estudio, proponemos utili- zar 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 me- dia de 4,6 diagnósticos únicos por paciente y una profundidad me- dia de los códigos ICD-10 de 4,4, siendo 7 la máxima profundidad posible. Los resultados de la aplicación del algoritmo al subcon- junto de individuos muestran una manera innovadora de resumir los datos de los pacientes y plantea potenciales investigaciones fu- turas en la predicción de trayectorias clínicas., Este trabajo ha sido apoyado por la Beca PID2021-122952OB-I00 financiada por la AEI 10.13039/501100011033 y por el ERDF A way of ma- king Europe; Centro de Investigación Biomédica en Red in the subject area of Bioengineering, Biomaterials and Nanomedicine (CIBER-BBN), iniciativas del Instituto de Investigación Carlos III (ISCIII); ISCIII (beca AC22/00035); y el Programa CERCA / Generalitat de Catalunya. B2SLab está certificado como 2021 SGR 01052. JF agradece el Plan Serra Húnter., Peer Reviewed