A carregar...
Publicação
Development of a machine learning application for the psychiatric diagnosis of adolescents
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 5.4 MB | Adobe PDF |
Orientador(es)
Resumo(s)
A integração da Machine Learning (ML) nos cuidados de saúde marca uma era transformadora, promovendo cuidados mais eficientes, precisos e personalizados aos doentes em vários domínios. Nos departamentos de emergência, o ML está preparado para revolucionar os processos de triagem, analisando eficazmente os registos de saúde e as condições médicas para dar prioridade à prestação de cuidados, superando as escalas de triagem tradicionais na previsão dos resultados terapêuticos dos doentes. O seu profundo impacto na oncologia melhora a deteção precoce do cancro, o diagnóstico e o desenvolvimento de planos de tratamento personalizados através de modelos computacionais avançados, levando a medicina de precisão a novos patamares. Além disso, o papel do ML nos cuidados de saúde mental aborda as incertezas de diagnóstico e a ineficácia do tratamento, oferecendo avanços significativos no diagnóstico, na previsão dos resultados do tratamento e na identificação de biomarcadores para doenças como a doença de Alzheimer, a perturbação depressiva major e a esquizofrenia. Ferramentas como a terapia assistida por computador (CAT) para gerir sintomas de depressão e ansiedade ilustram ainda mais a capacidade do ML para melhorar os cuidados prestados aos doentes. A aplicação do ML no desenvolvimento de aplicações nos cuidados de saúde, em particular nos cuidados psiquiátricos, apresenta uma solução vital para a crescente procura de serviços de saúde mental e a escassez de recursos. Ao tirar partido de chatbots personalizados de acordo com a personalidade do utilizador e de aplicações como o Woebot e o Tess, o ML facilita uma comunicação cativante e um tratamento eficaz, reduzindo o estigma associado aos cuidados de saúde mental. A integração de algoritmos como o XGBoost no diagnóstico de doenças e na seleção de tratamentos realça a mudança para os cuidados personalizados, simplificando o processo de cuidados tanto para os prestadores de cuidados de saúde como para os pacientes. Esta integração também sublinha a importância de selecionar ferramentas de diagnóstico adequadas para as perturbações de ansiedade e depressão, realçando a necessidade de cuidados precisos, eficientes e acessíveis. Instrumentos como o SCARED, o SCAARED, o PHQ-9, o ASQ e o BSSA incorporam a evolução do sector dos cuidados de saúde no sentido de cuidados diferenciados e centrados no doente, assegurando intervenções orientadas e eficazes. A aplicabilidade clínica e os potenciais benefícios da IA nos cuidados de saúde são evidentes em projectos como a tecnologia de IA da ARS Algarve para a interpretação de imagens radiográficas, demonstrando a capacidade da IA para a deteção precoce de patologias e a modernização dos métodos de diagnóstico psiquiátrico. Isto não só promete melhorar a qualidade dos cuidados de saúde prestados aos doentes, como também optimiza a gestão de recursos no Serviço Nacional de Saúde, realçando o potencial da IA para melhorar os resultados dos cuidados de saúde em várias condições psiquiátricas. Assim sendo, propõe-se a realização de uma aplicação com recurso a Machine Learning como ferramenta de diagnóstico, tratamento e triagem de doenças psiquiátricas no adolescente, entre as quais perturbação da ansiedade generalizada, perturbação depressiva major e ideação suicida, aplicada nos Cuidados de Saúde Primários e nos Serviços de Urgência. Como objetivo principal, pretende-se o auxílio na decisão clínica, principalmente ao nível dos médicos de Medicina Geral e Familiar, que são confrontados com doenças de várias especialidades, promovendo um diagnóstico mais preciso e uma terapêutica mais adequada ao doente. Simultaneamente, conseguirá uma melhor gestão de recursos ao nível do SNS, deixando de ser necessária a presença de um enfermeiro para a triagem do doente, podendo esta ser efetuada por um técnico de saúde, assim como realizará um encaminhamento mais seletivo às consultas de Psiquiatria. A aplicação teria como base um chatbot, o qual, consoante os dados que recebe pela conversa que realiza com o doente, identifica sintomas e diagnostica a patologia, assim como propõe o seu tratamento. Utilizando como base ferramentas de diagnóstico cientificamente e medicamente aprovadas, são elaborados fluxogramas. Conforme as respostas fornecidas pelo doente e analisadas pelo programa de Inteligência Artificial, suportado pelo XGBoost, estas são enquadradas numa categoria, em que cada uma corresponde a uma determinada pontuação. De acordo com a pontuação final e/ou a resposta a perguntas específicas, é indicado um plano terapêutico para o médico, o qual é discutido e aplicado posteriormente com o doente. Em suma, o desenvolvimento e a aplicação de tecnologias de ML e IA nos cuidados de saúde representam um avanço significativo na abordagem dos desafios da escassez de recursos, do aumento da procura por parte dos doentes e da necessidade de cuidados personalizados. Ao aproveitar o poder destas tecnologias, os sistemas de saúde podem melhorar a acessibilidade, a eficiência e a eficácia dos cuidados, melhorando, em última análise, os resultados e o bem-estar dos doentes.
The integration of Machine Learning (ML) into healthcare marks a transformative era, promoting more efficient, accurate, and personalized patient care across various domains. In emergency departments, ML is set to revolutionize triage processes by efficiently analyzing health records and medical conditions to prioritize care, outperforming traditional triage scales in predicting patient outcomes. Additionally, ML's role in mental health care addresses diagnostic uncertainties and treatment inefficacies, offering significant advancements in diagnosing, predicting treatment outcomes, and identifying biomarkers for disorders like Alzheimer's, major depressive disorder, and schizophrenia. Furthermore, the implementation of ML in healthcare application development, particularly in psychiatric care, presents a vital solution to the rising demand for mental health services and the shortage of resources. By leveraging chatbots personalized to the user's personality, ML facilitates communication and effective treatment, and the integration of algorithms like XGBoost highlights the shift towards personalized care. The clinical applicability and potential benefits of AI in healthcare are evident through projects like ARS Algarve's AI technology for interpreting radiographic images, showcasing it’s capability for early pathology detection and modernization of diagnostic methods. This not only promises improved patient care quality but also optimizes resource management within the SNS, highlighting AI's potential to enhance healthcare outcomes across various psychiatric conditions. Therefore, it’s proposed the development of an application using Machine Learning as a tool for the diagnosis, treatment and screening of psychiatric illnesses in adolescents, including generalized anxiety disorder, major depressive disorder and suicidal ideation, applied in Primary Health Care and Emergency Services. The application would be based on a chatbot which, depending on the data it receives from the conversation it has with the patient, identifies symptoms and diagnoses the pathology, as well as proposing treatment, based on flowcharts drawn up using scientifically and medically approved diagnostic tools, such as SCARED, PHQ-9 and ASQ.
The integration of Machine Learning (ML) into healthcare marks a transformative era, promoting more efficient, accurate, and personalized patient care across various domains. In emergency departments, ML is set to revolutionize triage processes by efficiently analyzing health records and medical conditions to prioritize care, outperforming traditional triage scales in predicting patient outcomes. Additionally, ML's role in mental health care addresses diagnostic uncertainties and treatment inefficacies, offering significant advancements in diagnosing, predicting treatment outcomes, and identifying biomarkers for disorders like Alzheimer's, major depressive disorder, and schizophrenia. Furthermore, the implementation of ML in healthcare application development, particularly in psychiatric care, presents a vital solution to the rising demand for mental health services and the shortage of resources. By leveraging chatbots personalized to the user's personality, ML facilitates communication and effective treatment, and the integration of algorithms like XGBoost highlights the shift towards personalized care. The clinical applicability and potential benefits of AI in healthcare are evident through projects like ARS Algarve's AI technology for interpreting radiographic images, showcasing it’s capability for early pathology detection and modernization of diagnostic methods. This not only promises improved patient care quality but also optimizes resource management within the SNS, highlighting AI's potential to enhance healthcare outcomes across various psychiatric conditions. Therefore, it’s proposed the development of an application using Machine Learning as a tool for the diagnosis, treatment and screening of psychiatric illnesses in adolescents, including generalized anxiety disorder, major depressive disorder and suicidal ideation, applied in Primary Health Care and Emergency Services. The application would be based on a chatbot which, depending on the data it receives from the conversation it has with the patient, identifies symptoms and diagnoses the pathology, as well as proposing treatment, based on flowcharts drawn up using scientifically and medically approved diagnostic tools, such as SCARED, PHQ-9 and ASQ.
Descrição
Trabalho Final do Curso de Mestrado Integrado em Medicina, Faculdade de Medicina, Universidade de Lisboa, 2024
Palavras-chave
Ansiedade Depressão Adolescência Psiquiatria Machine learning