Development of Data Deduplication Model for National Oncology Registry

Bc. Jozef Kraus

Bakalářská práce

Anotace:

Odborníci Ústavu zdravotnických informací a statistiky (ÚZIS) musí ručně rozhodnout, zda zachovat nebo vyřadit více záznamů s různými kódy MKN-10 o jednom pacientovi. Tyto záznamy jsou pak centralizovány v Národním onkologickém registru (NOR). V této práci popisuji vývoj modelu strojového učení (binárního klasifikátoru), který se učí ze záznamů expertně označených jako zachované nebo vyřazené pomocí knihovny XGBoost spojením dvou až tří záznamů o pacientovi do jednoho datového bodu pro model. Model je natrénován na záznamech z let 2019 až 2021 a testován na datech z roku 2022, která jsem obdržel od ÚZISu. Model má správnost (accuracy) 89% pro testovací data a přesnost (precision) a výtěžnost (recall) odmítnutí záznamu 75%, resp. 63%. Cílem této práce je snížit manuální práci odborníků.

Abstract:

The Institute of Health Information and Statistics (ÚZIS) experts must manually decide whether to preserve or drop multiple records with different ICD-10 codes about one patient. These records are then centralized in the National Oncology Registry (NOR). In this work, I describe the development of a machine-learning model (a binary classifier) that learns from the records expertly labeled as preserved or dropped using the XGBoost library by concatenating two to three records about a patient into one data point for the model. The model is trained on records from 2019 to 2021 and tested on data from 2022 I received from ÚZIS. The model has 89% accuracy for test data and the precision and recall of declining a record 75% and 63%, respectively. This work aims to reduce the manual work of experts.

Keywords

AI, machine learning, medical informatics, RationAI, ÚZIS, XAI, XGBoost

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 25. 6. 2024
• Vedoucí: doc. RNDr. Petr Holub, Ph.D.
• Oponent: doc. Mgr. Bc. Vít Nováček, PhD

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Informatika