Estudo da aplicação de sistemas de recomendação para apoio à decisão clínica no tratamento

Abstract

Sistema de Recomendação (SR) são técnicas já consolidadas, desenvolvidas para auxiliar usuários na tarefa de encontrar conteúdo de interesse em meio a um grande conjunto de opções, que pode ser uma tarefa exaustiva quando feita manualmente. Estes sistemas têm sido extensivamente explorados pela comunidade acadêmica, mostrando serem eficazes para lidar com dados esparsos e prover recomendações relevantes, principalmente em cenários de comércio e entretenimento online. Trabalhos de pesquisa recentes passaram a investigar Sistemas de Recomendação em cenários relacionados à saúde, discutindo desafios e oportunidades para apoiar profissionais da saúde na tomada de decisão, ou até mesmo para gerar recomendações diretamente para pacientes. Este trabalho apresenta uma extensa revisão da área denominada Sistema de Recomendação para Saúde (SRS), com o intuito de pontuar as principais contribuições e desafios atuais. Alguns dos principais desafios pontuados no levantamento bibliográfico são: a escassez de trabalhos publicados que avaliam SRSs empiricamente, a adoção dos chamados Históricos Médicos Eletrônicos (HMEs) para a construção de SRSs e a modelagem do perfil dos pacientes em cenários de recomendações na área médica. Portanto, este trabalho apresenta uma avaliação e comparação das principais técnicas de SRs aplicadas em um cenário de recomendação na área médica, com o objetivo de recomendar procedimentos para apoiar profissionais da saúde no processo de definição de tratamento de pacientes que apresentam cardiopatias congênitas. Os experimentos foram realizados utilizando uma base de dados fornecida por um hospital de São Paulo, extraída de um sistema de Históricos Médicos Eletrônicos. Os resultados mostraram que os modelos de Filtragem Colaborativa (FC) superaram os modelos de Filtragem Baseada em Conteúdo (FBC) em todas as comparações realizadas. Além disso, os Sistemas de Recomendação Sensíveis ao Contexto (SRSCs) proporcionaram um aumento do desempenho dos SRSs, uma vez que os melhores resultados, tanto dos modelos de FC como dos modelos de FBC, foram obtidos com a utilização de informações contextuais na definição das recomendações. Por fim, os Sistemas de Recomendação Híbridos superaram todos os modelos individualmente, atingindo desempenho de 0,78 em relação ao nDCG e de 0,87 em relação à Revocação

Recommender Systems are well-known techniques designed to support users in the overwhelming task of finding content of interest among a vast set of options. These systems have been extensively explored by the academia, demonstrating the Recommender Systems capabilities to efficiently handle sparse data and to provide valuable recommendations, especially in e-commerce and online entertainment scenarios. Recently, researchers started to investigate Recommender Systems into health-related scenarios, discussing challenges and opportunities of generating recommendations to support health professional decisions or even to recommend content directly for patients. This work presents an extensive review of the research field called Health Recommender Systems, aiming at showing the main contributions and challenges discussed in this field. Among these challenges, the lack of empirical experiments evaluating Health Recommender Systems, the adoption of the so-called Personal Health Records to build Recommender Systems, and the patient profile modeling are noteworthy. Therefore, this work assesses and compares the most relevant Recommender Systems techniques into a health recommendation scenario, focusing on producing procedures recommendations in order to assist health professionals to build the treatment plan of patients born with cardiac diseases. The experiments was performed using a dataset provided by a hospital in São Paulo, Brazil, built from a Personal Health Records system. The results show that Collaborative Filtering outperformed Content-Based Filtering in all evaluations. Moreover, Context-Aware Recommender Systems improved the models performance, since the best results for both Collaborative Filtering and Content-Based Filtering were achieved using context information to compute recommendations. Finally, the Hybrid Recommender Systems outperformed all other models, achieving a nDCG of 0.78 and a Recall of 0.87