Virtual Medical Assistant Model Using Natural Language Processing in Healthcare System

RÉSUMÉ: L'importance des soins de santé dans nos vies est indéniable, et les progrès rapides continuent de transformer ce domaine quotidiennement. Un domaine clé dans cette évolution est l'intégration de l'intelligence artificielle et de l'apprentissage automatique pour améliorer les services de santé. De nos jours, les systèmes de santé peuvent utiliser ces modèles basés sur l'intelligence artificielle pour répondre aux besoins des patients, améliorer l'accessibilité à l'information médicale et accroître l'efficacité opérationnelle des prestataires de soins de santé. Cependant, en parallèle de ces avancées, de nouveaux défis sont apparus, notamment en matière de confidentialité des données, de précision des modèles, d’évolutivité et d'adaptabilité aux scénarios du monde réel. Dans ce mémoire, nous nous concentrerons sur le développement d'un système en deux parties pour améliorer la prestation des services de santé. Nous mettrons en oeuvre un modèle de mémoire à long terme bidirectionnelle (BiLSTM) pour la détection des symptômes, en utilisant l'analyse de texte pour fournir des recommandations de services médicaux précises, et un modèle KNN pour localiser les centres médicaux les plus proches à l'aide de données géographiques telles que les codes postaux et les villes. La performance des deux modèles sera évaluée à l'aide des courbes caractéristiques de fonctionnement du récepteur (ROC) afin de garantir une précision de prédiction élevée. Les modèles seront implémentés sur un MacBook Pro fonctionnant sous macOS Monterey. Les résultats devraient montrer des améliorations prometteuses en termes d'efficacité et de précision. Les résultats de notre modèle proposé démontrent une grande précision et efficacité. En conclusion, la mise en oeuvre réussie de ces modèles améliore considérablement l'efficacité de notre système de soutien de santé, validant son potentiel à améliorer l'accès aux services médicaux et à fournir une assistance rapide basée sur l'identification des symptômes. ABSTRACT: The importance of healthcare in our lives is undeniable, and rapid advancements continue to transform this field daily. A key area within this evolution is the integration of artificial intelligence and machine learning to enhance healthcare services. Today, healthcare systems can use these AIdriven models to address patient needs, improve accessibility to medical information, and increase the operational efficiency of healthcare providers. However, along-side these advancements, new challenges have arisen, including data privacy, model accuracy, scalability, and adaptability in realworld scenarios. In this dissertation, we will focus on developing a two-part system to improve healthcare service delivery. We will implement a Bidirectional Long Short-Term Memory (BiLSTM) model for symptom detection, using text analysis to provide accurate medical service recommendations, and a K-Nearest Neighbors (KNN) model to locate the nearest medical centers using geographical data such as postal codes and cities. The performance of both models will be evaluated using Receiveroperating characteristic curves (ROC), to ensure high predictive accuracy. The models will be implemented on a MacBook Pro running macOS Monterey. The results are expected to show promising improvements in terms of efficiency and precision. The results of our proposed model demonstrate high accuracy (i.e., 98.61% for the training set, 98.55% for the validation set and 98.50% for the test set). In conclusion, the successful implementation of these models significantly enhances the efficiency of our healthcare support system, validating its potential to improve access to medical services and provide timely assistance based on symptom identification.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.