Automated Prediction of Medical Acts for Cardiovascular Disease from Patient Records

Abstract

Advancements in artificial intelligence and deep learning have introduced transformative possibilities across sectors, particularly in areas requiring the processing of complex, unstructured data. In healthcare, these technologies hold exceptional promise in enhancing decision-making, optimizing clinical workflows, and improving patient outcomes. Among the leading causes of morbidity and mortality worldwide are cardiovascular diseases, which often necessitate intricate medical procedures and detailed recordkeeping. Yet, the manual analysis of clinical documents remains labor-intensive and prone to inconsistencies, especially when such records are handwritten or follow varied institutional formats. This thesis presents the development of an automated system for predicting procedural medical acts related to cardiovascular disease, based on patient records. It addresses key challenges in handling unstructured medical documentation and demonstrates how artificial intelligence can support the transition from narrative clinical summaries to structured, actionable insights. By leveraging recent advances in clinical text processing, the work contributes to ongoing efforts in improving the efficiency and consistency of medical decision support.***

Les avancées en intelligence artificielle et en apprentissage profond ont introduit des possibilités de transformation dans de nombreux domaines, en particulier dans ceux nécessitant le traitement de données complexes et non structurées. Dans le secteur de la santé, ces technologies offrent un potentiel considérable pour améliorer la prise de décision, optimiser les flux de travail cliniques et renforcer la qualité des soins. Les maladies cardiovasculaires, qui figurent parmi les principales causes de morbidité et de mortalité dans le monde, nécessitent souvent des procédures médicales complexes et une documentation clinique détaillée. Cependant, l’examen manuel de ces documents s’avère long et peut entraîner des résultats incohérents, d’autant plus lorsqu’ils sont manuscrits ou suivent des formats institutionnels hétérogènes. Ce mémoire présente le développement d’un système automatisé de prédiction des actes médicaux associés aux maladies cardiovasculaires à partir des dossiers patients. Il traite les principaux défis liés à la compréhension des textes médicaux non structurés et montre comment l’intelligence artificielle peut faciliter la transition entre les résumés cliniques narratifs et des informations structurées exploitables. En s’appuyant sur les avancées récentes en traitement automatique du langage médical, ce travail s’inscrit dans les efforts visant à améliorer l’efficacité et la fiabilité de l’aide à la décision médicale.