Reconhecimento de Entidades Nomeadas na base de notificações de eventos adversos e queixas técnicas de dispositivos médicos no Brasil

Abstract

Os dispositivos médicos estão cada dia mais presentes no cotidiano das pessoas. Por se tratar de produtos que lidam diretamente com a saúde das pessoas, uma falha pode gerar graves consequências à saúde. Estudos pré mercado possuem uma série de limitações, o que torna o monitoramento pós mercado essencial, pois uma ação tempestiva pode evitar ainda maiores danos à população. Nesse sentido, o presente estudo tem como objetivo desenvolver uma solução baseada em aprendizado de máquina, utilizando uma técnica de mineração de texto conhecida como Reconhecimento de Entidade Nomeadas - NER. Após uma série de experimentos, o modelo BiLSTM + CRF, com a utilização de word embedding pré-treinadas e uma base de dados anotada com o padrão BIO alcançaram uma macro F1-score de 87,75%. Após a aplicação do modelo a toda base de dados, o modelo demonstrou boa capacidade em encontrar novas entidades na base de teste, que não estavam presentes na base de treino. As informações geradas pelo modelo permitiram a obtenção de informações importantes para a tomada de decisão da Agência, favorecendo uma intervenção tempestiva, o que evitaria maiores danos à saúde da população que seria exposta aos dispositivos médicos.