Medical Prognosis of Infectious Diseases in Nursing Homes by Applying Machine Learning on Clinical Data Collected in Cloud Microservices

Abstract

Antecedentes: el tratamiento de las enfermedades infecciosas en personas de edad avanzada es difícil; es frecuente la derivación de pacientes a los servicios de urgencias, ya que los ancianos suelen llegar a las consultas con síntomas avanzados y graves. Objetivo: se planteó la hipótesis de que anticiparse unos días al diagnóstico de una enfermedad infecciosa podría mejorar significativamente el bienestar del paciente y reducir la carga de los servicios del sistema sanitario de urgencias. Métodos: se tomaron diariamente las constantes vitales de los residentes y se transfirieron a una base de datos en la nube. Se utilizaron clasificadores para reconocer patrones en el proceso de dominio espacial de los datos recogidos. Los médicos comunicaban sus diagnósticos cuando se presentaba alguna enfermedad. Una arquitectura de microservicios flexible proporcionó acceso y funcionalidad al sistema. Resultados: combinar dos dominios diferentes, salud y tecnología, no es fácil, pero los resultados son alentadores. Los clasificadores dieron buenos resultados; el sistema ha sido bien aceptado por el personal médico y está demostrando ser rentable y una buena solución para dar servicio a zonas desfavorecidas. En este contexto, esta investigación constató la importancia de determinadas variables clínicas en la identificación de enfermedades infecciosas. Conclusiones: este trabajo explora cómo aplicar las comunicaciones móviles, los servicios en la nube y la tecnología de aprendizaje automático para proporcionar herramientas eficientes al personal médico de las residencias de ancianos. La arquitectura escalable puede extenderse a aplicaciones de big data que pueden extraer patrones de conocimiento valiosos para la investigación médica.

Background: treating infectious diseases in elderly individuals is difficult; patient referral to emergency services often occurs, since the elderly tend to arrive at consultations with advanced, serious symptoms. Aim: it was hypothesized that anticipating an infectious disease diagnosis by a few days could significantly improve a patient’s well-being and reduce the burden on emergency health system services. Methods: vital signs from residents were taken daily and transferred to a database in the cloud. Classifiers were used to recognize patterns in the spatial domain process of the collected data. Doctors reported their diagnoses when any disease presented. A flexible microservice architecture provided access and functionality to the system. Results: combining two different domains, health and technology, is not easy, but the results are encouraging. The classifiers reported good results; the system has been well accepted by medical personnel and is proving to be cost-effective and a good solution to service disadvantaged areas. In this context, this research found the importance of certain clinical variables in the identification of infectious diseases. Conclusions: this work explores how to apply mobile communications, cloud services, and machine learning technology, in order to provide efficient tools for medical staff in nursing homes. The scalable architecture can be extended to big data applications that may extract valuable knowledge patterns for medical research.