SERVIÇOS PARA COLETA MÓVEL E PROCESSAMENTO DE DADOS
PROVENIENTES DO PROGRAMA DE SAÚDE DA FAMÍLIA (PSF)
Arlindo F. Conceição; Toni R. G. Pimentel; Eduardo M. Silva
Instituto de Ciência e Tecnologia, Universidade Federal de São Paulo(UNIFESP)
ABSTRACT
The proposed project aims to provide a complete technological solution and low cost for
electronic data collection and processing of data from the Programa Saúde da Família (PSF).
It aims to provide an end to end solution for the PSF, ranging from electronic data collection
to the integration with SIAB, such that no health information is lost. In addition to
implementing a suggestion service for cases of individual and collective risk.
RESUMO
É proposto um projeto que visa oferecer uma solução tecnológica completa e de baixo custo
para coleta eletrônica e processamento de dados provenientes do Programa de Saúde da
Família (PSF). Este pretende prover uma solução fim a fim para o PSF, indo da coleta
eletrônica de dados a integração com o SIAB, tal que nenhuma informação de saúde seja
perdida. Além da implementação de um serviço para sugestão de casos de risco individual e
coletivo.
Palavras-chave: coleta móvel de dados, programa saúde da família, classificação de risco
INTRODUÇÃO
A rápida evolução do mercado de comunicação móvel dos últimos anos propiciou um
aumento na capacidade de processamento dos dispositivos móveis e melhoramento nas
tecnologias de desenvolvimento de softwares para tais. Além disso, é percebida a estagnação
do uso de tecnologias computacionais no auxílio da atenção básica em saúde pública. Nesse
contexto, foi concebido o projeto Colibri que visa oferecer uma solução tecnológica completa
e de baixo custo para coleta eletrônica e processamento de dados provenientes do Programa
de Saúde da Família (PSF).
Em seu cotidiano, o PSF funciona, grosso modo, da seguinte maneira: o Agente Comunitário
de Saúde (ACS) visita mensalmente as famílias munido de lápis e papel. Cerca de 45
perguntas avaliam diferentes dimensões da saúde familiar. Ao final do mês, os dados diários
de cada ACS são consolidados. Mensalmente, os valores consolidados de cada Equipe de
Saúde da Família (ESF) são lançados no Sistema de Informação da Atenção Básica (SIAB).
O SIAB armazena e disponibiliza apenas a consolidação mensal dos dados de uma ESF; mas,
cada ESF atende cerca de 1000 famílias ou 4 mil pessoas por mês. Isto é, no sistema atual, as
dimensões individuais e temporais da informação são completamente perdidas.
Desse modo, esse projeto visa prover uma solução fim a fim para o PSF, indo da coleta de
dados eletrônica a integração com o SIAB, tal que nenhuma informação de saúde seja
perdida. O restante do artigo descreve a arquitetura do projeto Colibri e os serviços
disponibilizados por ele.
1. TRABALHOS RELACIONADOS
Para nortear este trabalho diversos artigos foram analisados, assim certas considerações
devem ser expostas em relação a eles.
O Sistema de Informação da Atenção Básica (SIAB) foi desenvolvido pelo Ministério da
Saúde (Brito, Maia, Alvarenga, & de Aguiar, 2004) para permitir o armazenamento de dados
e informações de interesse das equipes de PSF e de seus gestores, acerca da saúde da
população acompanhada e da evolução das atividades das equipes. Além disso, o SIAB
também permite que sejam realizadas pesquisas e avaliações do trabalho feito e de seu peso
no sistema e na saúde da população, possibilitando a informatização dos dados e geração de
relatórios de acompanhamento e avaliação que vão mostrar como está a situação de vida e
saúde dessa população.
Berner (Berner, et al., 1994), avalia quatro sistemas de diagnósticos baseados em computador
e levanta duas importantes questões: a precisão e a utilidade. O estudo aborda apenas a
primeira questão e concentra-se apenas na capacidade de um sistema gerar hipóteses
diagnósticas a partir de um conjunto de dados relativos a um caso.
Os sistemas de obtenção de diagnóstico baseados em computador são ótimas ferramentas para
ajudar especialistas a perceber opções não consideradas inicialmente. Além disso, conseguem
ter um grau de acerto perto da ideal, 100%. Ou seja, certamente não vamos colocar a cargo
2
desses sistemas o diagnóstico e tratamento de qualquer distúrbio ou doença, entretanto, fica
claro que podemos confiar nelas como apoio concreto para tomada de decisões.
Com o artigo de Rojas (Rojas, et al., 2005), trabalho que apresenta um Sistema Especialista
Híbrido (SEH), baseado em redes neurais artificiais e sistema especialista híbrido baseado em
regras, podemos ver que um bom algoritmo de aprendizagem é essencial num sistema
especialista. Este trabalho utiliza um algoritmo baseado no clássico de retropropagação, assim
como o Multi-Layer Perceptron (MLP) usado aqui, vide Seção 2.2.
Segundo o Ministério da Saúde (Saúde, 2009), o agente comunitário de saúde (ACS), frente
às situações de risco, deve:
 Identificar áreas e situações de risco individual e coletivo;
 Encaminhar as pessoas aos serviços de saúde sempre que necessário;
 Orientar as pessoas, de acordo com as instruções da equipe de saúde;
 Acompanhar a situação de saúde das pessoas, para ajudá-las a conseguir bons
resultados.
O objetivo deste trabalho é – de maneira muito direta – auxiliar nestas tarefas.
Berner, em seção editorial (Berner E. S., 2003), analisa os padrões para avaliação de sistemas
de apoio à decisão clínica, expõe sistemas computacionais de diagnósticos clínicos e seus
métodos de classificação. Estes analisam quais são os diagnósticos mais aceitáveis ou
prováveis, num conjunto de possibilidades. Vimos que, em uma base intuitiva, “obter a
resposta correta” num CDSS (Clinical Decision Support System) deve ser um bom padrão a
ser usado para avaliar a qualidade deste, e não fazê-lo levou alguns pesquisadores a julgar de
forma ruim o valor desses sistemas. Ou seja, um programa que pode, após a obtenção do
resultado, compará-lo com o resultado esperado, ou resultado correto, seria o ideal.
O editorial também sugere que poderia ser útil, para os desenvolvedores da próxima geração
destes sistemas, concentrarem mais atenção na utilização do sistema, bem como sobre as
informações apresentadas para o usuário. A decisão sobre diagnóstico exige reflexão num
período de tempo, além de análise de dados a partir de diferentes perspectivas e re-análise do
caso assim que mais informações estiverem disponíveis.
E isso é exatamente o que buscamos com a implementação do modelo de redes neurais
artificiais (RNA), Multi-Layer Perceptron e sua forma de aprendizagem supervisionada.
Por fim, de acordo com Lourdes M. Brasil (Lourdes, de Azevedo, & Morais, 2000), foi
possível entender que a explicação ao usuário é uma função importante em inteligência
artificial (AI) e em redes neurais artificiais. Além disso, experiências com sistemas
3
especialistas e redes neurais têm demonstrado que a capacidade de gerar explicações é
absolutamente crucial para a aceitação do sistema pelo usuário. Ou seja, não é só preciso
chegar a um resultado aceitável, mas também é necessário gerar algum tipo de explicação ao
usuário para que este resultado seja entendido. Por isso a importância do desenvolvimento de
uma ferramenta para confecção de relatórios, além da visualização de dados triviais.
MÉTODO
O Colibri está organizado em três componentes principais: dispositivo móvel, gateway e
servidor. A Figura 1 apresenta o relacionamento entre os componentes do sistema.
Figura 1. Arquitetura do Colibri
Móvel: consiste em uma aplicação escrita em Java ME (Horstman & Cornell, 2001) e que
utiliza o arcabouço Floggy para persistência de dados. Suas telas correspondem exatamente as
perguntas presentes nas fichas de papel utilizadas pelos ACSs. Implementa validações de
campos, evitando assim que se realize entradas de dados inconsistentes. Por exemplo, se, ao
visitar uma família, o ACS registrar que houve o nascimento de uma criança, mas tentar
registrar que duas foram pesadas ao nascer, o sistema envia uma mensagem de erro.
Servidor: consiste em um sistema Web com módulos para
i) cadastro de usuários;
ii) emissão de relatórios;
iii) geração de alarmes.
4
A versão atual foi implementada utilizando: servidor de páginas Apache 2.2, base de dados
MySQL 5.1 e as linguagens PHP 5.2, Javascript, XML/XHTML e CSS. O módulo de
cadastro permite gerenciar as diferentes categorias de usuários (hierarquicamente, desde as
famílias até os gestores municipais). O módulo de relatórios é utilizado para gerar consultas e
emitir listagens, que podem ser utilizadas para alimentar outros sistemas. Os alarmes são
capazes de detectar se uma dimensão de saúde da família ultrapassou um determinado
patamar seguro pré-estabelecido. Por exemplo, se o número de casos de desnutrição subiu
acima do nível de normalidade, o sistema pode notificar a ESF responsável. No servidor está
implementado o (webservice) que recebe os dados coletados pelos ACSs.
Gateway: consiste em uma aplicação escrita em Java SE, portanto multiplataforma, destinada
a obter dados do móvel via Bluetooth e enviar para o servidor via Internet. Deve ser instalado
na sede das ESFs, em uma máquina que contenha acesso a Internet e uma interface Bluetooth.
O Gateway é opcional, pois a transmissão de dados poderia ser feita diretamente do móvel
para o servidor, mas isso elevaria os custos iniciais de implantação, pois os aparelhos
precisariam ter capacidade de comunicação Wi-Fi ou 3G. Por sua vez, telefones celulares com
a funcionalidade Bluetooth são bastante acessíveis e o custo de um adaptador Bluetooth
atualmente e da ordem de 8 dólares. A transmissão de dados entre o Gateway e o servidor
utiliza o protocolo seguro https.
A integração entre os componentes da arquitetura é realizada utilizando arquivos XML. O
dispositivo móvel gera um XML que pode ser enviado para o Servidor diretamente (via Wi-Fi
ou 3G) ou através do Gateway (via Bluetooth). No servidor, o arquivo XML é validado por
meio de uma schema.
O projeto esta disponível sob licença BSD. Além disso, planejamos hospedar um trial do
serviço para que as unidades de saúde possam utilizar o sistema sem que seja necessário
instalar e manter o seu próprio servidor Web. (http://sourceforge.net/projects/colibripsf)
2.1. SERVIÇOS PARA OS PROFISSIONAIS DE SAÚDE E PARA OS GESTORES
Com a coleta móvel de dados não serão mais necessárias as fichas de papel, além da validação
e consolidação manual dos dados da pesquisa. Será gerada assim, economia de espaço físico
com o fim das pilhas de fichas preenchidas e de armários de armazenamento.
Entretanto, este é apenas um pequeno benefício trazido com a Coleta Móvel de Dados
(CMD), ainda mais importante que isso, entre outros, são:
5
 Validação e consolidação automática dos dados.
 Diminuição de erros de preenchimento.
 Armazenamento de não só a consolidação mensal das famílias; mas sim a
discretização e identificação de cada família acompanhada.
O projeto Colibri oferece, em seu módulo de servidor, serviços específicos para cada agente
envolvido no PSF, de acordo com a sua posição dentro da hierarquia do programa. Para os
Profissionais da Saúde, que trabalham atendendo as famílias, é possível o acesso a todos os
dados que foram incluídos por ele, utilizando interface web. Cada um dos profissionais tem
acesso apenas aos dados que foram, por ele, coletados, de maneira que possa verificar alguma
possível incoerência ou outro problema nos mesmos.
Não é possível a eles, porém, que editem esses dados diretamente, para garantir que as
informações corretas não sejam perdidas ou alteradas de maneira indevida.
O gestor da equipe de saúde da família, que tem acesso aos dados de todas as equipes que
atendem famílias na região coberta por sua unidade, certamente possui diversas
responsabilidades no gerenciamento e manutenção dos dados coletados na pesquisa, além, é
claro, da responsabilidade com o material humano da equipe. Pensando na parte que cabe ao
processamento e acompanhamento dos dados pelos gestores, existe a possibilidade de
modificação destas, caso isso seja necessário. Além disso, há ainda disponível para o gestor a
possibilidade de geração de relatórios das informações relativas às informações coletadas por
suas equipes, sendo estes alguns relatórios padrões ou, ainda, personalizados, obtidos através
de opções específicas.
Assim como estes relatórios, há também uma opção de geração de alarmes automáticos,
relativos a algum tipo de variação nos dados coletados como, por exemplo, um aumento
maior que um limite determinado em número de casos de uma anomalia qualquer, como, por
exemplo, um aumento no número de crianças desnutridas ou de casos de dengue numa mesma
região, entre outros.
2.2. SERVIÇO PARA CLASSIFICAÇÃO DE RISCO
Um aspecto importante do trabalho do Agente Comunitário de Saúde (ACS) é detectar as
famílias que estão em situação de risco (Saúde, 2009). O risco individual, na verdade,
familiar, poderia levar em conta a prevalência e a reincidência de problemas tais como
nascimento de crianças abaixo do peso, desnutrição, alcoolismo etc. Mas, para fazer isso, o
ACS não conta com ferramentas apropriadas para o levantamento do histórico de ocorrências.
6
O risco coletivo, que pode exigir a troca de informações entre duas ou mais equipes, também
não conta com ferramentas apropriadas. Desse modo, propomos o desenvolvimento de um
algoritmo especialista, baseado em redes neurais artificiais e aprendizado supervisionado
(Haykin, Kalman filtering and neural networks. Wiley-Interscience., 2001), capaz de
identificar situações de risco e gerar um ranking destas situações entre as famílias
acompanhadas pelo Projeto de Saúde da Família.
2.2.1. AS REDES NEURAIS ARTIFICIAIS
Redes neurais artificiais têm sido amplamente usadas em reconhecimento de padrões. Elas
foram motivadas desde sua concepção a simular o tipo de processamento que acontece no
cérebro humano, que processa informações de uma forma totalmente diferente do computador
digital convencional. Pode-se considerar o cérebro como um computador extremamente
complexo, não-linear e paralelo, com capacidade superior a de qualquer computador atual.
“Uma rede neural é um processador maciçamente paralelamente
distribuído constituído de unidades de processamento simples, que têm
a propensão natural para armazenar conhecimento experimental e tornálo disponível para o uso. Ela se assemelha ao cérebro em dois aspectos:
1) O conhecimento é adquirido pela rede a partir de seu ambiente
através de um processo de aprendizagem. 2) Forças de conexão entre
neurônios, conhecidas como pesos sinápticos, são utilizadas para
armazenar o conhecimento adquirido.” (Haykin, Redes Neurais:
Princípios e Prática 2a edição., 2001)
O processo de aprendizagem, também chamado de algoritmo de aprendizagem, tem o objetivo
de alterar os pesos das conexões, entre neurônios, de forma a alcançar um objetivo de projeto
desejado. No caso do Multi-Layer Perceptron, especificamente, tal objetivo é minimizar o
erro quadrático relacionado à diferença entre os resultados obtido e esperado (Haykin, Redes
Neurais: Princípios e Prática 2a edição., 2001).
Em redes neurais, podemos identificar três tipos de aprendizado:
 Aprendizado supervisionado: existe um especialista que é capaz de informar se a
resposta obtida pela rede é ou não a esperada, e caso não seja, modificações na rede
são feitas para minimizar o erro.
 Aprendizado não supervisionado: não existe um responsável por supervisionar o
processo, ou seja, a própria rede deve ser capaz de realizar o mapeamento de entrada-
7
saída. O seu treinamento é composto apenas por entradas, diferente da supervisionada
que além da entrada, possui a saída.
 Aprendizado por reforço: existe um especialista, mas ele é responsável apenas por
classificar a resposta como boa ou ruim, ou seja, ele não sabe o resultado esperado.
Caso a resposta seja boa, a rede será recompensada, caso contrário penalizada.
O modelo usado aqui foi o MLP (Multi-Layer Perceptron), com aprendizado supervisionado,
por correção de erros e atualização dos pesos sinápticos das conexões baseado no algoritmo
de retropropagação (Haykin, Redes Neurais: Princípios e Prática 2a edição., 2001)
Podemos dizer que o “conhecimento” da rede fica armazenado nos pesos das conexões e,
assim, a partir do momento que a rede estiver treinada poderemos avaliar novos casos. Sem
que para isso precisemos de um especialista e seu parecer.
As redes neurais de múltiplas camadas alimentadas adiante (feedforward networks), consistem
de um conjunto de unidades sensoriais (nós de fonte) que representam a camada de entrada,
uma ou mais camadas ocultas de nós computacionais e uma camada de saída. O sinal de
entrada se propaga para frente através da rede, camada por camada. Estas redes neurais são
também chamadas de perceptrons de múltiplas camadas (MLP, multilayer perceptron).
Os perceptrons de múltiplas camadas têm sido aplicados com sucesso para resolver diversos
problemas difíceis, através do seu treinamento de forma supervisionada com um algoritmo
muito conhecido: o algoritmo de retropropagação de erro (error backpropagation). Como
visto em (Haykin, Redes Neurais: Princípios e Prática 2a edição., 2001), este algoritmo é
baseado na regra de aprendizagem por correção de erro. Como tal, pode ser visto como uma
generalização de um algoritmo de filtragem adaptativa igualmente conhecido: o algoritmo de
mínimo quadrado médio (LMS) para o caso especial de um único neurônio linear.
Basicamente, a aprendizagem por retropropagação de erro consiste de dois passos (Haykin,
Redes Neurais: Princípios e Prática 2a edição., 2001) através das diferentes camadas da rede:
um passo para frente, a propagação, e um passo para trás, a retropropagação. No passo para
frente, um padrão de atividade (vetor de entrada) é aplicado aos nós sensoriais de rede e seu
efeito se propaga através da rede, camada por camada. Finalmente, um conjunto de saídas é
produzido como a resposta real da rede. Durante o passo de propagação, os pesos sinápticos
da rede são todos fixos. Durante o passo para trás, por outro lado, os pesos sinápticos são
todos ajustados de acordo com uma regra de correção de erro. Especificamente, a resposta
real da rede é subtraída de uma resposta desejada (alvo) para produzir um sinal de erro. Este
sinal de erro é então propagado para trás através da rede, contra a direção das conexões
sinápticas – vindo daí o nome de “retropropagação de erro”. Os pesos sinápticos são ajustados
8
para que a resposta obtida pela rede convirja, em um sentido estatístico, para a resposta real
apresentada no padrão.
ANÁLISE E DISCUSSÃO DOS RESULTADOS
Especificamente, com o intuito de ajudar o agente comunitário de saúde na tarefa de
identificar famílias e regiões de risco abordados pela Equipe de Saúde da Família usamos a
rede MLP apresentando um arquivo de padrões de entrada, para o treinamento da rede. Este
arquivo possui diversos conjuntos de dados numéricos já analisados pelos especialistas, com o
seguinte formato:
1 0 0 0 1 0 0 1 1 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 ...
1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 Neste formato:
 Cada linha representa um padrão de entrada, ou seja, as respostas da pesquisa e o
parecer do especialista;
 Os 51 primeiros valores numéricos na linha são os dados de entrada que correspondem
aos dados coletados da Ficha D do PSF;
 O último valor é o parecer do especialista sobre a presença ou ausência de condição de
risco na família, 1 para presença e 0 para ausência de risco;
Após a rede ser treinada, ao se apresentar um novo padrão, obtém-se uma resposta do sistema
se a família possui ou não riscos de acordo com os padrões de treinamento fornecidos.
Para a rede MLP, implementada em linguagem de programação C++ com o auxílio do
framework de desenvolvimento de interfaces gráficas Qt, passamos além dos padrões de
entrada alguns parâmetros de configuração da rede, são eles:
 Número de camadas da rede e número de neurônios em cada camada;
 Taxa de aprendizagem. Influencia na velocidade da convergência de aprendizado da
rede.
 Número máximo de iterações. Limita a execução do treinamento para que se a
convergência não for atingida o programa não fique trabalhando indefinidamente.
 Erro mínimo admitido. Se a média aritmética das diferenças quadráticas dos resultados
obtido e esperado para cada padrão de treinamento apresentado for menor ou igual ao
erro mínimo admitido considera-se que a rede está treinada satisfatoriamente.
9
Assim como na Figura 2:
Figura 2. Configuração da Rede
3.1. TESTES
Foram realizados alguns testes para o treinamento da rede. Apresentando a ela conjuntos de
padrões de 50, 100, 150 e 200 exemplares. Foi obtido o gráfico de convergência de acordo
com a Figura 3.
10
Figura 3. Convergência de treinamentos (iterações x erro quadrático)
Após o treinamento com os padrões supracitados, foi apresentado o mesmo conjunto de teste
para cada conjunto de treinamento, conseguindo os resultados da Figura 4.
Figura 4. Resultados obtidos
11
Algumas considerações importantes devem ser destacadas a partir destes testes:
1) Em 90% dos novos casos analisados, para todos os treinamentos, houve acerto no
diagnóstico da família em risco ou fora dele. Ou seja, o algoritmo “concordou” com o
especialista em nove dos dez casos. Isto mostra o alto grau de acerto do algoritmo.
2) A rede errou o diagnóstico de apenas um caso dos dez apresentados e, por
coincidência, ou não, foi o mesmo caso para todos os testes. Ou seja, é muito provável
que este padrão tenha algum tipo de anomalia, que o diagnóstico feito pelo especialista
não esta de acordo com os outros passados no treinamento. O que mostra ainda mais a
importância do uso deste sistema.
CONCLUSÕES
O Colibri foi uma prova de conceito, ainda restam muitas funcionalidades para serem
implementadas, mas demonstramos que – a baixo custo – a atividade do ACS pode ser
apoiada por dispositivos móveis. Atualmente, planejamos desenvolver e agregar novas
funcionalidades ao projeto.
Coleta de dados multimídia e georeferenciamento. A partir da experiência obtida em outro
projeto de pesquisa (da Conceição, et al., 2008), novas tecnologias devem ser agregadas ao
componente móvel do Colibri. Entre elas, captura de áudio, imagens e vídeo, assim como o
uso de recursos de localização (GPS). Essas novas funcionalidades serão opcionais, pois
implicam a utilização de telefones celulares economicamente menos acessíveis.
Flexibilização das consultas. O PSF possui características comuns em todo o território
nacional, mas a sua condução local possui especificidades. Os ACSs, além de verificarem os
aspectos de saúde familiar, também realizam campanhas sazonais e regionais, tais como as
campanhas de educação contra a dengue ou de prevenção de doenças sexualmente
transmissíveis (DSTs), que são intensificadas no verão. A componente móvel ainda não é
parametrizável, isto é, a inclusão de uma nova pergunta exige a alteração do código fonte.
Sem um sistema com perguntas parametrizáveis, o papel não será completamente eliminado.
A flexibilidade é, portanto, uma funcionalidade essencial para a maior adoção do problema.
Este trabalho encontra-se em estágio avançado de desenvolvimento (Rezende, Naponiello, &
da Conceição, 2010).
Novas fichas, alarmes e relatórios. Atualmente o Colibri implementa apenas a ficha D do
ACS, a evolução natural do sistema consiste em implementar também as fichas restantes.
Novos alarmes e relatórios também devem ser implementados.
12
REFERÊNCIAS
Berner, E. S. (2003). Diagnostic Decision Support Systems: How to Determine the Gold
Stardard? The Journal of the American Medical Association .
Berner, E. S., Webster, G. D., Shugerman, A. A., Jackson, J. R., Algina, J., Baker, A. L., in
drugi. (1994). Performance of Four Computer-Based Diagnostic Systems.
Brito, A. O., Maia, F. d., Alvarenga, M. d., & de Aguiar, R. G. (2004). Diagnóstico
situacional da assistência pré-natal pelo Programa Saúde da Família no município de Corinto,
Minas Gerais.
da Conceição, A. F., Pereira, R. L., Rezende, J. P., Silva, B. N., Correia, R. J., Domingues, H.
H., in drugi. (Outubro 2008). Projeto Borboleta: Ferramentas Móveis e Multimídia para
Atenção Básica Domiciliar. Congresso Brasileiro de Informática em Saúde (CBIS) .
Haykin, S. (2001). Kalman filtering and neural networks. Wiley-Interscience.
Haykin, S. (2001). Redes Neurais: Princípios e Prática 2a edição.
Horstman, C. S., & Cornell, G. (2001). Core JAVA 2, Volume I - Fundamentals.
Lourdes, B. M., de Azevedo, F. M., & Morais, R. (2000). FUZZYRULEXT: Extraction
Technique of If/Then Rules for Fuzzy Neural Nets.
Rezende, J. V., Naponiello, B. M., & da Conceição, A. F. (Novembro de 2010). Plataforma
para desenvolvimento flexível de coleta móvel de dados (CMD) e aplicações em nHealth.
Workshop de Pesquisa e Desenvolvimento em Software Livre (WPeDSL) .
Rojas, J. C., da Silva, I. G., Campos, P. G., Batista, C. E., Amorim, B. P., Brasil, L. M., in
drugi. (2005). Sistema Especialista Híbrido Aplicado à Área Médica.
Saúde, M. da. (2009). O agente comunitário de saúde e as pessoas em situação de risco.
Revista Brasileira Saúde da Família. Revista Brasileira Saúde da Família.
AUTORES
Toni, Pimentel, aluno de graduação
Universidade Federal de São Paulo
Instituto de Ciência e Tecnologia
Endereço completo: Rua Talim, 330 - Vila Nair - São José dos Campos/SP - CEP: 12231-280
E-mail: [email protected]
Eduardo, Peloso, aluno de graduação
Universidade Federal de São Paulo
Instituto de Ciência e Tecnologia
Endereço completo: Rua Talim, 330 - Vila Nair - São José dos Campos/SP - CEP: 12231-280
E-mail: [email protected]
13
Arlindo, Conceição, Professor Doutor
Universidade Federal de São Paulo
Instituto de Ciência e Tecnologia
Endereço completo: Rua Talim, 330 - Vila Nair - São José dos Campos/SP - CEP: 12231-280
E-mail: [email protected]
14