Event prediction from electronic health records

Since more and more data about patients are available, modern medicine is moving towards Prospective Healthcare. Electronic Health Records (EHRs) contain all kinds of information useful for a clinical description of the patients: demographic information, diagnoses, procedures, clinical notes, lab tests and more; this favors the construction of predictive models, based on the fact that similar medical histories will likely lead to similar progressions. One of the possible applications of Prospective Healthcare is Unplanned Readmission Prediction; indeed, correct prediction of possible future readmissions can allow both for reduced hospital costs and improved patient health. The predictive methods used in recent years are mostly based on Deep Learning techniques, which are however often criticized for the difficult interpretability of results. However, this requirement of interpretability is fundamental for the medical field, a critical application area in which an incorrect prediction may compromise the health of the patient. The Deepr framework, based on Deep Learning techniques and used to make predictions of unplanned readmissions, differs for its excellent performances and at the same time a good interpretability of the results. In this thesis we propose a new framework for unplanned readmissions predictions that uses Deepr as a starting point. Our novel framework, being based on neural networks that feature better handling of temporal data, manages to outperform its predecessor. In addition, we have realized various methodologies to have a representation of results that is easily interpretable by the medical staff. From these interpretability tools, we have performed an analysis on average results, in order to have an overall view of what the two models we considered learn from the data.

Poiché sono disponibili sempre più dati sui pazienti, la medicina moderna si sta muovendo verso la medicina preventiva. Le Electronic Health Records (EHRs) contengono ogni tipo di informazione utile per una descrizione clinica del paziente: informazioni demografiche, diagnosi, procedure, note cliniche, test di laboratorio e molto altro; ciò favorisce la costruzione di modelli predittivi, basandosi sul fatto che storie cliniche simili condurranno con buona probabilità a progressioni simili. Una delle possibili applicazioni della medicina preventiva è la previsione di riammissione non pianificata; infatti la corretta predizione di possibili riammissioni future può permettere sia una riduzione dei costi ospedalieri, che un miglioramento della salute dei pazienti. I metodi predittivi utilizzati negli ultimi anni sono spesso basati su tecniche di Deep Learning, le quali vengono però spesso criticate per la difficile interpretabilità dei risultati. Tale requisito di interpretabilità è però fondamentale per l’ambito medico, essendo un settore critico nel quale una previsione errata può compromettere la salute del paziente. Il framework Deepr, basato su tecniche di Deep Learning ed utilizzato per effettuare previsioni di riammissioni non pianificate, si distingue per le ottime performances e allo stesso tempo una buona interpretabilità dei risultati. In questa tesi proponiamo un nuovo framework per le previsioni di riammissioni non pianificate, utilizzando Deepr come punto di partenza. Il nostro nuovo framework, essendo basato su reti neurali capaci di avere una migliore gestione di dati temporali, riesce a superare le performances del predecessore. Inoltre, abbiamo realizzato varie metodologie per avere una rappresentazione dei risultati facilmente interpretabile dal personale medico. Da tali strumenti di interpretabilità è stata fatta un’analisi sui risultati medi, in modo da avere una visione complessiva di ciò che i due modelli considerati apprendono dai dati.