AI tools for automating personalised and participatory evidence-based treatment recommender systems

Abstract

ENG- In recent years, evidence-based medicine has transformed how healthcare professionals make decisions, by systematically evaluating treatments according to scientific research. However, traditional approaches still face important limitations: they are not fully automated, they rarely consider the preferences of patients and clinicians, and they often lack personalized recommendations. This thesis addresses these challenges by developing new methodologies that enhance automation, participation, and personalization in therapeutic recommendations. The research focuses on attention deficit hyperactivity disorder (ADHD), a complex condition that requires individualized treatment strategies. First, it introduces APPRAISE-RS, a system capable of automatically analyzing medical literature and generating treatment recommendations following the international GRADE standard. Unlike conventional methods, APPRAISE-RS integrates patients’ clinical data and incorporates their preferences regarding drug effects, producing more transparent and personalized recommendations. Second, the work applies multi-criteria decision analysis (MCDA) techniques, which combine clinical expertise with patients’ priorities. This ensures that treatment choices reflect individual needs and values, fostering a shared decision-making process between patients and healthcare professionals. Finally, the thesis proposes an innovative drug grouping methodology using machine learning to cluster medications with similar properties and effects. This strengthens the synthesis of scientific evidence and leads to more robust and reliable recommendations. The results show that it is possible to move towards a more automated, participatory, and personalized evidence-based medicine that improves the quality of treatment recommendations. While ADHD served as the case study, the proposed methodologies can be extended to many other medical conditions, paving the way for a future in which patients and clinicians decide together on the most appropriate treatments, supported by stronger and more tailored scientific evidence

CAT- En els darrers anys, la medicina basada en l’evidència ha transformat la manera com els professionals de la salut prenen decisions, ja que permet valorar els tractaments segons els resultats de la recerca científica. Tot i així, aquests mètodes tradicionals presenten mancances: solen ser poc automatitzats, no sempre tenen en compte les preferències de pacients i professionals, i ofereixen recomanacions poc personalitzades. Aquesta tesi busca donar resposta a aquests reptes desenvolupant noves metodologies que milloren l’automatització, la participació i la personalització en les recomanacions terapèutiques. El treball es centra en el Trastorn per Dèficit d’Atenció amb Hiperactivitat (TDAH), una condició complexa que requereix estratègies de tractament adaptades a cada pacient. En primer lloc, es presenta APPRAISE-RS, un sistema capaç d’analitzar de manera automàtica la literatura mèdica i generar recomanacions terapèutiques seguint l’estàndard internacional GRADE. A diferència dels mètodes habituals, APPRAISE-RS integra informació clínica dels pacients i incorpora les seves preferències respecte als efectes dels medicaments, fet que permet obtenir recomanacions més personalitzades i transparents. En segon lloc, s’hi introdueixen tècniques d’anàlisi multicriteria (MCDA), que combinen l’opinió clínica amb les prioritats dels pacients. Això afavoreix un procés de decisió compartida, on el tractament escollit reflecteix millor les necessitats i valors de cada persona. Finalment, la tesi proposa un mètode innovador de classificació de fàrmacs mitjançant aprenentatge automàtic. Aquest sistema agrupa medicaments amb característiques i efectes similars, cosa que enforteix l’evidència científica disponible i dona lloc a recomanacions més sòlides. Els resultats mostren que és possible avançar cap a una medicina més automatitzada, participativa i personalitzada, que millora la qualitat de les recomanacions terapèutiques. Tot i que el cas d’estudi se centra en el TDAH, aquestes metodologies tenen el potencial d’aplicar-se a moltes altres malalties, obrint el camí a un futur on pacients i professionals puguin decidir conjuntament, sobre la base d’una evidència científica més robusta i adaptada a cada situació