Esta tesis de maestría presenta un sistema automático que modela el conocimiento clínico para seguir el razonamiento médico durante una consulta ambulatoria. Se aplica un método de aprendizaje basado en instancias para proporcionar sugerencias durante el registro en una historia clínica electrónica. El método de aprendizaje propuesto tiene en cuenta la base de conocimiento clínico de cada médico, para presentar sugerencias basadas en tipos de casos clínicos previamente definidos, y deducidos según una métrica de similitud específicamente diseñada. El sistema se valida en un escenario de uso real, con la participación de estudiantes avanzados de medicina de un curso de informática médica de la Universidad de la República, Uruguay. Los resultados demuestran que el sistema propuesto es 2.5x más eficiente que una herramienta empírica de referencia para sugerencias, y dos órdenes de magnitud más rápido que un método de aprendizaje Bayesiano, considerando un marco de referencia de 250 tipos de casos clínicos. Los resultados también demuestran que el método de aprendizaje es capaz de producir sugerencias en tiempos razonables, incluso cuando se procesan grandes volúmenes de datos. Una encuesta realizada a estudiantes avanzados de medicina destaca que el enfoque propuesto se considera apropiado para la práctica médica. Esta investigación introduce una estructura formal para representar con precisión el conocimiento clínico, que apoya a los principales flujos que ocurren durante las consultas médicas. También se proporciona un marco que permite implementar un sistema en tiempo real capaz de asistir a los médicos durante sus consultas, y que además ayuda a reducir el tiempo de registro.

This Master Thesis presents an automatic system for modeling clinical knowledge to follow physicians reasoning in medical consultation. Instance-based learning is applied to provide suggestions when recording electronicmedical records. The proposed learning method takes into account the clinical knowledge base of a physician, in order to present suggestions based on previously-defined clinical case types, and deduced according to an ad-hoc similarity metric. The system is validated on a real case study involving advanced medical students of a Medical Informatics course at Universidad de la República, Uruguay. Results show that the proposed system is 2.5× more efficient than a base-line empirical tool for suggestions, and two orders of magnitude faster than a Bayesian learning method, when processing a testbed of 250 clinical casetypes. Results also demostrate that the learning method is able to produce suggestions in a reasonable time frame, even when processing large volumes of data. A survey performed on advanced medical students highlights that the proposed approach is considered appropriate for medical practices. The research introduces a formal structure to accurately represent clinical knowledge, supporting the main flows of medical consultations. A frame for implementing a real-time system for assisting physicians during medical consultations is also provided, which helps reducing the time needed to register medical consultations.