I Congreso de Postgrado fcfm: ingeniería, ciencias e innovación

38 Santiago, 10 al 12 de agosto, 2022 MÉTODOS AVANZADOS DE CIENCIA DE DATOS PARA LA PREDICCIÓN DE REACCIONES ADVERSAS A MEDICAMENTOS EN PACIENTES HOSPITALIZADOS Patricio Wolff¹*, Sebastián Ríos¹, Claudio González,² ¹Centro de Inv. en Inteligencia de Negocios, Universidad de Chile, Beauchef 851, Santiago, Chile. ²Hospital Barros Luco Trudeau, Gran Av. José Miguel Carrera 3204, Santiago, Chile. *Email :pwolff@ing.uchile.cl RESUMEN Las Reacciones Adversas a Medicamentos (RAM) son definidas como una respuesta o manifestación clínica a un medicamento de forma nociva y no intencionada. Las RAM en pacientes hospitalizados tienen un importante im- pacto económico, así como en la morbilidad y mortalidad de los pacientes [1]. No todos las RAM tienen su origen en un Error de Medicación, pero un subconjunto de estas es prevenible en el instante de la prescripción [2]. El objetivo de este trabajo es mostrar cómo la utilización metodológica de métodos avanzados de ciencia de datos puede mejorar la predicción de RAM en pacientes hospitalizados. Se utilizó un set de datos que fue publicado re- cientemente con información de casos provenientes del Onofre Lopes University Hospital en Natal, Brasil [3]. Se emplearon métodos de balanceo de clases, selección de características y de aprendizaje supervisado como Deep Learning (DL), Random Forest (RF) y Gradient Boosting Trees (GBT). Usamos validación cruzada de 5 particiones y diferentes métricas conocidas para evaluar el rendimiento de los métodos de Ciencia de Datos utilizados, como AUC, recall, F-measure, entre otras. La herramienta de predicción de RAM basada en GBT y utilizando las vari- ables seleccionadas mostró en el mejor de los modelos una sensibilidad de 78,3% y área bajo la curva ROC de 0,81. Esta herramienta también permite obtener las variables que tienen más incidencia en el riesgo de RAM y que pueden conducir al desarrollo de herramientas de uso clínico. Nuestros métodos mejoraron significativamente los resultados reportados en la literatura reciente para la predicción de RAM en pacientes adultos [4]. Esta expe- riencia muestra que los métodos avanzados de ciencia de datos mejoran los resultados a los mostrados reciente- mente con métodos tradicionales, incluso utilizando un subconjunto del dataset original. AGRADECIMIENTOS Agradecemos a Cristian Julio, la Dra. Begoña Yarza por su continuo apoyo y al fondo IDEA I+D FONDEF 2020 código ID20I10001. REFERENCIAS [1] Donaldson M. S., Corrigan J. M., Kohn L. T., and others, To err is human: building a safer health system, vol. 6. National Academies Press, 2000. [2] Bates D. W., Leape L. L., and Petrycki S., ‘Incidence and preventability of adverse drug events in hospitalized adults’, J. Gen. Intern. Med., vol. 8, no. 6, pp. 289–294, 1993. [3] Lima et al., ‘Development and validation of a clinical instrument to predict risk of an adverse drug reactions in hospitalized patients’, PLoS One, vol. 15, no. 12, p. e0243714, Dec. 2020. [4] Rebane J., Samsten I., and Papapetrou P., ‘Exploiting complex medical data with interpretable deep learning for adverse drug event prediction’, Artif. Intell. Med., vol. 109, p. 101942, Sep. 2020. C I E NC I A D E DATOS 02