Algoritmo para Captura Inteligente de Sintomas

Sistema Pessoal Móvel de Monitoração da Saúde:
Algoritmo para Captura Inteligente de Sintomas
Talles M. G. A. Barbosa1, Iwens G. Sene Jr1, Liana S. S. Castro1, Henrique J. P. Branisso2,
Erika C. Figueiredo2, Hervaldo.S. Carvalho2, Adson.F. Rocha1, Francisco A. O. Nascimento1
1
Departamento de Engenharia Elétrica(ENE),
Universidade de Brasília (UnB), Brasil
2
Faculdade de Medicina (FMD)
Universidade de Brasília (UnB), Brasil
Resumo – Nos últimos anos três paradigmas têm influenciado a estruturação da prestação de serviços em
saúde: os sistemas de informação centrados no paciente, a descentralização da prestação dos serviços em
saúde em direção ao domicílio, e a prioridade à melhora da qualidade de vida dos pacientes. Antevemos que o
próximo paradigma a ser efetivado é a disponibilização de soluções direcionadas aos indivíduos, na forma de
monitoração de hábitos de vida e detecção precoce de anormalidades com a finalidade de realização da
prevenção primária, isto é, evitar o aparecimento de doenças. Neste sentido, é de fundamental importância o
Gerenciamento integrado das Informações Médicas do Paciente que inclui as informações provenientes da
interação do paciente com os profissionais de saúde e equipamentos para exames (Prontuário Eletrônico do
Paciente), a interação do paciente com monitores de sinais fisiológicos, e as informações provenientes dos
sistemas de informações digitais (WEB, Medline, MedlinePlus, PEP-Data Mining). O Sistema Pessoal Móvel de
Monitoração da Saúde - SPMMS (Personal Health Monitor System – PHMS) se propõe a ser um sistema móvel
para monitoração contínua do estado de saúde dos indivíduos em sua rotina diária. O SPMMS gerencia as
informações do paciente coletadas em um sistema computadorizado vestível responsável pela captura
automática de sinais fisiológicos e sintomas. O módulo de captura automática de sintomas inclui as escalas de
avaliação do estado mental, grau de independência para realização de atividades físicas, avaliação da presença
de depressão (Minimal Mental Test) e a revisão sistêmica de sintomas. O Interrogatório Sintomatológico
automático pode ter sua eficiência aumentada na medida em que a disposição das perguntas segue critérios
baseados no raciocínio probabilístico. Assim sendo, o objetivo deste trabalho é verificar a viabilidade no uso de
Redes Bayesianas para a estruturação da Anamnese automática a fim de que esta proposição possa refletir em
ganhos para o sistema, na economia de energia, e ganhos para o usuário, tal como, minimizar o tempo de
espera para a execução do Interrogatório Sintomatológico ou Revisão dos Sistemas.
Palavras-chave: Computação Vestível, Fusão dos Dados, Revisão dos Sistemas e Redes Bayesianas.
Abstract – The Personal Health Monitor System (PHMS) is an automatic personal health assessment
monitor that applies Wearable Computers and concepts of data fusion. The PHMS includes two main
parts: the multiparametric physiological signals monitor and the Objective Symptoms Review
component. The automatic symptoms review may benefit from the application of order based
probabilistic reasoning algorithms (Bayesian Networks). The Bayesian Networks can improve its
performance and optimize its use. The objective of this paper is to apply a Bayesian Network for
establishing the Symptoms Review questionnaire. Our objective is to reduce the power consumption
(system’s metric), as well as to minimize the amount of time spent with the Objective Symptoms Review
process, an user (patient) metric.
Key-words: Wearable Computing, Data Fusion, Objective Symptoms Review, Bayesian Networks.
Introdução
Dentre as novidades tecnológicas aplicáveis
na medicina e outros ramos da saúde, talvez a
computação Vestível ou Wearable Computing seja
uma das que trará maiores avanços nos próximos
anos. Suas contribuições serão desde o
monitoramento remoto de pacientes com patologias
diversas até o biofeedback para atletas de alto
nível. De acordo com [1] o computador vestível é
definido como a interação de um computador de
dimensões reduzidas com o ser humano, sendo
que o mesmo deverá usá-lo como usa uma roupa
ou um acessório, seja em situações estáticas ou
dinâmicas.
A proposta de um monitor multiparamétrico
vestível (figura 1) emerge como solução para
monitoração
remota
[2]
sendo
que
no
acompanhamento de patologias a obtenção e o
tratamento dos sinais biológicos não são autosuficientes. Eventos inesperados como os que não
foram diagnosticados na História da Doença Atual
(HDA) podem insurgir durante a execução de
atividades rotineiras do usuário (paciente) e o
sistema precisa se adequar à nova realidade.
fonte:[2]
O tamanho de tela e a autonomia da bateria
figuram dentre os principais percalços quando se
admite
a
implementação
da
RS
como
funcionalidade do SPMMS, vide figura 1. A
quantidade de perguntas que devem ser
apresentadas de forma visível e inequívoca sugere
a necessidade do estabelecimento de uma ordem
para que o exame se torne menos enfadonho e
com menor custo computacional.
Assim sendo, o objetivo deste trabalho é
verificar a viabilidade no uso das Redes Bayesianas
(RB), metodologia algorítmica, para a estruturação
da Anamnese Especial a fim de que esta hipótese
possa refletir em ganhos para o sistema, na
economia de energia, e ganhos para o usuário, tal
como minimizar o tempo de espera para a
execução da Revisão dos Sistemas. Outro
benefício esperado deste trabalho é o aumento do
acerto no diagnóstico médico.
.
Metodologia
Figura 1 - Arquitetura do SPMMS e o módulo
que implementa a Revisão dos Sistemas
Esta adequação não acontece de maneira
trivial. De fato, o sistema precisa de algoritmos
capazes de fundir informações oriundas dos
sensores juntamente com as obtidas de outras
fontes, tal como da Revisão dos Sistemas (RS).
A RS ou também conhecido Interrogatório
Sintomatológico é um processo em que o médico
levanta possibilidades e reconhece enfermidades
que não guardam relação com o quadro
sintomatológico registrado na HDA. A única
maneira de realizar uma boa RS é seguir um
esquema rígido, constituído de um conjunto de
perguntas que correspondem a todos os sintomas
indicativos de alterações dos vários aparelhos do
organismo [3].
Atualmente, algumas limitações são impostas
à usabilidade de sistemas computacionais móveis.
Como infra-estruturas para os Sistemas
Computadorizados Vestíveis têm-se as técnicas
para fusão dos dados permitindo com que os dados
(informações) originados de diversas fontes
possam ser combinados a fim de produzir a
percepção adequada do ambiente. Fusão de dados
é uma estrutura formal de um sistema usada para
expressar a convergência de dados de diferentes
origens onde estão expressos os meios e
ferramentas para a agregação dos mesmos [4].
Por estabelecerem a identidade visual acerca
das informações a serem conectadas, as redes
bayesianas enquanto metodologia se enquadram
no nível intermediário de uma taxonomia para fusão
de dados [5]. São responsáveis pela representação
do conhecimento incerto provendo suporte para o
módulo de decisão que se encontra no nível mais
alto. Redes bayesianas podem ser usadas para
executar a fusão de variáveis quando existe
independência e, sobretudo, incerteza associada
aos dados.
Uma Rede Bayesiana é representada por um
grafo acíclico e dirigido, onde os nodos do grafo
representam as variáveis do problema modelado e
os arcos entre os nodos definem as relações de
dependência probabilística entre as variáveis [6].
Para construção de uma RB existem dois
paradigmas: automático e manual. O algoritmo
automático parte de um conjunto de restrições
somado a uma massa de dados e que sem a
necessidade do acompanhamento de um
especialista da área é capaz de gerar com autosuficiência uma representação probabilística para a
situação. Na construção manual a obtenção da RB
demanda mais tempo, pois é realizada em estágios
quase sempre acompanhados pelo especialista,
porém o resultado final consiste de uma
configuração mais precisa o que pode refletir em
menor esforço computacional para o ambiente de
execução. Para este trabalho utilizou-se do
paradigma de construção manual.
No primeiro estágio, definiram-se as
variáveis do problema. Para tanto, 256 variáveis
aleatórias foram encontradas. Na fase seguinte,
obteve-se o relacionamento entre as varáveis
aleatórias com a definição dos arcos e suas
direções através da análise causa-efeito entre
sintomas e suas prováveis conseqüências.
Durante o estágio três foram estabelecidas
as restrições lógicas para as relações de
dependência entre as variáveis a fim de que o
esforço computacional fosse minimizado, a
aplicabilidade da RB fosse garantida e assim no
estágio seguinte juntamente com a cancha dos
especialistas pudessem ser atribuídos os valores
das probabilidades às variáveis aleatórias.
Para o projeto e avaliação da RB algumas
ferramentas foram analisadas [7],[8], [9] [10] sendo
que a Microsoft Bayesian Network Editor and
Toolkit versão 1.0.0.1 [11] se mostrou mais
adequada devido à sua interface visual simplificada,
vasta documentação e performance satisfatória
quando executada em ambiente Windows sobre
plataforma Intel, além de ser distribuída
gratuitamente pela Internet.
Resultados
Embora ainda pouco conclusivos os
resultados se mostraram satisfatórios na medida
em se consegue representar o interrogatório da
Revisão dos Sistemas através de um modelo
algorítmico.
Na figura 2 pode-se ter uma idéia de quão
complexa é a modelagem do conhecimento médico.
Representando aproximadamente 5% do tamanho
total da RB temos a ligação dos nodos (em cor
amarela) pais a seus filhos através de arcos. Para
cada nodo existe um valor discreto de probabilidade
associado. Por exemplo, estima-se que quando o
paciente se queixa de um problema no corpo em
cerca 20% das vezes está relacionado a alterações
na pele enquanto que apenas 3% das vezes se
relaciona a tremores e que das alterações na pele
em 12,5% dos casos podem estar relacionadas ao
aparecimento de manchas que por sua vez em 30%
dos casos podem ser da cor vermelha. Então,
através da propagação dos valores dessas
evidências se pode determinar a probabilidade do
evento: ter problema no corpo e ser alteração na
pele e ser ferida de cor vermelha.
Estes valores de probabilidade podem levar
a construção de um algoritmo que para chegar até
a pergunta “Qual a cor da mancha visível em seu
corpo?” não mais será necessário percorrer todas
as outras questões relacionadas a manchas bem
como questões sobre outros tipos de manifestações
sobre a pele.
Além do mais, o modelo probabilístico RB
permite com que os valores associados as variáveis
aleatórias possam ser alterados, situação em que
com o uso de um monitor multiparamétrico vestível
se faz muito útil. Por exemplo, se o paciente se
queixa de algum problema e no mesmo instante é
detectada uma arritmia através do ECG, o módulo
fusão dos dados (vide figura 1) poderá alterar os
valores de algumas das variáveis da RB ou até
mesmo de todas fazendo com que o algoritmo
executado pelo módulo de decisão de maneira
inteligente (adaptativa) encaminhe o sistema, o
mais rápido possível, para o questionário de um
possível infarto ou outra anomalia de maior
probabilidade.
Discussão e Conclusões
Como parte do SPMMS, o
HANDMED [12], propõe a criação de uma
ferramenta (software) para captura automática de
sintomas (figura 3). Dentre os vários questionários
aos quais o usuário será submetido, a Revisão dos
Sistemas é o mais extenso.
A plataforma disponibilizada à execução do
SPMMS é composta de um conjunto de sensores
biológicos ligados a um Personal Digital Assistant
(PDA) Zaurus SL5500 com Linux kernel 2.4.18
embutido (vide figura 4). A fim de que a RB possa
ser executada em ambiente real de operação, o
estudo e a adequação à Application Programming
Interface (API) existentes será necessária
buscando otimizar a relação de custo-benefício
inerente à toda esta tecnologia.
Ainda na fase de análise do desempenho e
amoldamento às API existentes um potencial
“gargalo” ao uso de uma RB construída
manualmente precisa ser investigado. A análise
comparativa acerca dos algoritmos de propagação
das evidências precisa ser executada. De acordo
com [13] o algoritmo de propagação em poliárvores
se mostrou eficiente na propagação de evidências
acerca de doenças pulmonares.
No caso da execução em PDA além de
minimizar o tempo de espera para o usuário a
economia de energia por si só é motivador para a
busca de soluções em que computacionalmente
encontre o menor esforço.
Dentro da perspectiva do projeto e
construção da RB, atualmente, encontra-se no
estágio final onde a análise de sensibilidade e a
avaliação
do
desempenho
estão
sendo
investigadas. Para tanto, a comparação entre
dados reais com o modelo computacional está
sendo desenvolvida.
Como trabalho futuro pretende-se projetar e
implementar o módulo de decisão para a Revisão
dos Sistemas. Dessa forma, um algoritmo de busca
em profundidade para o conjunto formado pelas
árvores do grafo RB [15], levando em consideração
os valores de probabilidade (prioridades) [16]
associados aos nodos, está sendo investigado. O
objetivo é que o módulo de decisão seja capaz de
indicar o caminho de menor custo para o qual a
seqüência do interrogatório da Revisão dos
Sistemas seja executada, considerando inclusive o
ônus caso o caminho escolhido não seja o
adequado.
fonte:[14]
Figura 2 – Rede Bayesiana para a Revisão dos
Sistemas
fonte:[12]
Figura 4 – Plataforma de suporte para o PHMS
Agradecimentos
À Universidade Católica de Goiás pelo apoio
financeiro através do seu programa para
capacitação de docentes.
Referências
Figura 3 – Tela para captura dos sintomas
no HANDMED
[1]Carvalho, S. H., Heinzelmann B. W., Coelho
J.N.C. Gerenciamento de Informações Médicas
do Paciente (Projeto GIMPA). CBIS 2002.
[2]Carvalho H., Coelho C., Heinzelman W., Murphy
A. Body-worn sensor networks. Computers in
Cardiology, 2003.
[3]Porto, C. C. (2001) Semiologia Médica. Rio de
Janeiro: Guanabara Koogan.
[4]Wald L., Some terms of reference in data fusion.
IEEE transactions on Geoscience and Remote
Sensing, 37,3, 1190-1193, 1999.
[5]Carvalho H., Coelho C., Heinzelman W., Murphy
A
General
Data
Fusion
Architecture.
Proceedings
of
the
6th
International
Conference
on
Information
Fusion (Fusion 2003), July 2003.
[6]Lucas J. F. P., Van der Gang C. L., Abu-Hanna
A. Bayesian networks in biomedicine and
health-care Artificial Intelligence in Medicine 30
(2004) 2001-214.
[7]da SILVA W. T., LADEIRA M. Mineração de
dados em Redes Bayesianas Organizado por:
Ingrid Jansch Porto Jornada de Atualização em
Informática - XXI JAI; in anais do XXII
Congresso
Brasileiro
de
Computação.:,
Florionópolis: SBC, 2002:, Editado por Ingrid
Jansch Porto, 2002, v. 2, p. 235-286.
[8]HUGIN Experts. http://www.hugin.com/.
[9]Murphy P. K. The Bayes Net ToolBox for Matlab
http://www.ai.mit.edu/~murphyk/Papers/bnt.pdf.
[10]Flores D. C., Ladeira M., Vicari M. R., Höher L.
C. Uma Experiência do Uso de Redes
Probabilísticas
no
Diagnóstico
Médico.
Argentine
Symposium
On
Healthcare
Informatics. 2000.
[11]Microsoft Bayesian Network Editor and Toolkit
http://research.microsoft.com/adapt/MSBNx/.
[12] Castro S.S.L., Carvalho S. H., Nascimento
O.A.F.,Rocha F. A. Handmed – an integrated
system for mobile symptoms capture. III Latin
American Congress on Biomedical Engineering
2004.
[13]Hruschka Jr. R. E. (1997). Propagação de
evidências em redes bayesianas: diagnóstico
sobre doenças pulmonares. Tese de Mestrado,
Programa de Ciência da Computação CIC/UnB,
Brasília, 128p., mar.
[14]MIThril 2003: Applications and Architecture. 7th
IEEE International Symposium on Wearable
Computers, NY 2003.
[15]Rich, E. (1988) Inteligência Artificial . São
Paulo: McGraw-Hill.
[16]Markenzon L., Szwarcfiter L. J. (1994)
Estruturas de Dados e seu Algoritmos . Rio de
Janeiro: LTC.
Contatos
Talles Marcelo G. de A. Barbosa.
Departamento de Engenharia Elétrica
Universidade de Brasília, Brasília, Brasil.
Fone: (061)-2735977.
E-mail:[email protected]
Iwens Gervásio Sene Jr.
Departamento de Engenharia Elétrica
Universidade de Brasília, Brasília, Brasil.
Fone: (061)-2735977.
E-mail:[email protected]
Adson Ferreira da Rocha
Departamento de Engenharia Elétrica
Universidade de Brasília, Brasília, Brasil.
Fone: (061)-2735977.
E-mail:[email protected]
Hervaldo Sampaio Carvalho
Faculdade de Medicina,
Universidade de Brasília, Brasília, Brasil.
Fone: (061)-3072274.
E-mail: [email protected].