Unsupervised learning approaches for disease progression modeling

Abstract

Esta tesis presenta metodologías para el aprendizaje no supervisado a partir de secuencias discretas que definen el historial clínico de un paciente. Específicamente, estos métodos permiten modelar la evolución de las trayectorias de tratamientos asociados a una o varias enfermedades. Desarrollamos modelos basados en diversas técnicas de clasificación de secuencias para capturar los subtipos de tratamientos para una enfermedad, las irregularidades temporales entre eventos médicos y la evolución conjunta de los tratamientos en el historial clínico de un paciente. Además, introducimos métodos eficientes para el aprendizaje de estos modelos. Utilizamos una base de datos proporcionada por Osakidetza para la evaluación de las metodologías propuestas, donde cada paciente está representado por una secuencia de servicios médicos a lo largo del tiempo, con solo el 19% de estos eventos médicos con diagnóstico asociado. Incluimos aplicaciones prácticas enfocadas en pacientes con diagnóstico de cáncer de mama,destacando así la relevancia e impacto de los modelos en situaciones del mundo real. En resumen , esta tesis propone metodologías interpretables para comprender la dinámica de las enfermedades, abordando de manera efectiva los desafíos particulares que surgen en los registros electrónicos de salud.