Bayesian networks for efficient recommendation of diagnostic exams on emergency room

Abstract

El sistema de salud público japonés incluye seguros médicos obligatorios que subsidian todo tipo de procedimiento. Esto provoca que algunos profesionales en duda a veces encarguen exámenes innecesarios, especialmente en departamentos como la sala de urgencias (SU) donde hay restricciones de tiempo y personal, generando así costos adicionales al sistema. Surge así el desafío de desarrollar un modelo de inteligencia artificial tome los síntomas de un paciente entrando a la SU y recomiende los exámenes más adecuados. Esta tesis presenta el desarrollo de un modelo así que prueba dos tipos de Redes Bayesianas (RB): una red BN2O completa similar a las ampliamente usadas para el problema de diagnóstico general, y un mucho más simple Arreglo de Árboles Bayesianos (AAB) que trata cada par observación-enfermedad independientemente. A pesar de que hay mucha literatura sobre RBs para diagnóstico médico, este trabajo es una contribución ya que está enfocado en sugerir exámenes basándose en probabilidades pre-examen, y también porque en esencia es un sistema experto con muy poca participación directa de expertos médicos. Distintas fuentes de información y vocabulario fueron montadas junto a algunos datos médicos para construir la base de conocimiento requerida, la cual fue post-procesada y revisada manualmente con ayuda de un experto médico. Los modelos fueron probados en enfermedades de alta relevancia y una ligera evaluación de la exactitud de los exámenes recomendados fue llevada a cabo por 2 médicos diferentes (de Japón y de Chile) comparando ambos modelos, y comparando distintos tipos de pacientes. Los resultados sugieren sorpresivamente que el modelo más simple (AAB) mostró mejores resultados que el más completo modelo BN2O. Las comparaciones entre tipos de pacientes arrojaron muy pocas diferencias entre sexo y edad, probablemente debido a la falta de modelación de factores de riesgo y restricciones en los datos. Los resultados apunta en una buena dirección pero dejan la puerta abierta a una evaluación más completa así como a varias mejoras. Las conclusiones generales son positivas, pero el camino es largo antes de que un sistema como este pueda ser implementado en un escenario real.