Clinical decision support for screening, diagnosis and assessment of respiratory diseases: chronic obstructive pulmonary disease as a use case

In this thesis we propose a framework for designing, developing, a clinical decision support systems (CDSS) offering a suite of services for the early detection and assessment of chronic obstructive pulmonary disease (COPD), and then demonstrate how these services can be integrated into the work-flow of healthcare providers. Furthermore, we focus on supporting spirometry, one of the main diagnostic tools in respiratory disease assessment. We present two methods to offer decision support in assuring the quality of a spirometry test that can be easily embedded into the CDSS framework. The first method is a novel algorithm that relies on a set of rules operating on 23 new parameters to define a high quality test. The second is a machine-learning approach, where we optimise the distinction between a good quality spirometry test and a poor one using a set of supervised-learning classifiers and hyper-parameters
En esta tesis proponemos un marco para el diseño y desarrollo de un Sistema de Soporte de Decisión Clínica (SSDC) que ofrezca un conjunto de herramientas para el diagnóstico y la evaluación de las enfermedades pulmonares. Al mismo tiempo demostramos como estos servicios se pueden integrar en el flujo de trabajo del personal sanitario. Además, nos centramos en la ayuda en espirometría, una de las herramientas de diagnóstico principales en la evaluación de enfermedades pulmonares. Presentamos dos métodos de SSDC que tienen como objetivo asegurar la calidad de las pruebas de espirometría, y que se pueden integrar en el marco del SSDC. El primero es un nuevo algoritmo basado en un conjunto de reglas que definen lo que es considerado como una prueba de alta calidad. El segundo es un enfoque de aprendizaje supervisado donde se optimiza la distinción entre una prueba correcta de espirometría y una de mala calidad