Captura inteligente de sistemas
para o
PersonalHealthMonitorSystem
(PHMS)
T. M. G. A. Barbosa, I. G. Sene Jr, L. S. S.
Castro, H. J. P. Branisso, E. C.
Figueiredo, H. S. Carvalho, A. F. Rocha,
F. A. O. Nascimento
1
Tópicos Abordados
 Contextualização
 Projeto GIMPA extensão PHMS
 Definições: Revisão dos Sistemas
 Conceituação: Fusão de Dados
 Desafio: Fusão de Dados
 Fusão de Dados: Técnicas
 Redes Bayesianas na captura automatizada de
sintomas
 Captura inteligente de sintomas para o PHMS



Metodologia
Ferramentas
Resultados
 Conclusões e Trabalhos Futuros
2
Projeto GIMPA[5]: extensão PHMS[5]
 Integração Hardware e Software para internet
 Prontuário Eletrônico do Paciente
 Sistemas de Informação na Web

WWW e Bibliotecas Digitais
 Sistemas Móveis de Monitoração

Computadores Vestíveis


Condições estáticas
Condições dinâmicas
Monitor Multiparamétrico de Sinais Biológicos
3
Body-worn PHMS
Fonte:[5]
4
Definição: Revisão dos Sistemas
Anamnese Especial ou Interrogatório
Sintomatológico é um processo em que por
meio de uma entrevista o médico levanta
possibilidades e reconhece enfermidades
que não guardam relação com o quadro
sintomatológico registrado na História da
Doença Atual (HDA).[7]
RS
Úlcera Péptica
HDA
Edema dos
membros
inferiores
Cirrose
hepática
5
Conceituação: Fusão de Dados
“Fusão de Dados é uma estrutura formal de um
sistema usada para expressar a
convergência de dados de diferentes origens
de dados onde estão expressos os meios e
ferramentas para agregação dos mesmos”[4]
Fusão de Dados & Computação Vestível?
6
Fonte[2]
Desafio: Fusão de Dados
 Aumentar a eficiência da aquisição dos
sintomas:

Aumentar a rapidez

Beneficio para o sistema
 Economia de energia

Beneficio para o usuário
 Agilizar tomada de decisão
 Agilizar a ação dos agentes

Pode representar
a diferença entre
a vida e a morte
do usuário
Aumentar acerto no diagnostico remoto
7
Redes Bayesianas na captura
automatizada de sintomas
b = (Pr,G)
 Modelo com distribuição de probabilidade
sobre um conjunto de variáveis aleatórias.
G
Estrutura Gráfica
 Pr
Distribuição Associada
Fonte[1}
8
Redes Bayesianas na captura
automatizada de sintomas
Redes Bayesianas com os seus métodos
associados são especialmente aptas para
lidar com a incerteza [1]
Conhecimento incerto
Estabelecer diagnósticos
Detectar
Estabelecer prognósticos
Predizer
Rede Bayesiana
Representação do
conhecimento incerto
Prescrever Tratamento
Selecionar tratamento
Otimizado
Sistema de suporte
á decisão
9
Redes Bayesianas na captura
automatizada de sintomas
Fumar
Doença
cardíaca
Pr(câncer|fumar) Pr(câncer|-fumar)
Câncer
Pr(-câncer|fumar)Pr(-câncer|-fumar)
Fonte: [1]
.......
Sobrevivência
Pr(sobrevivência|câncer,DC)
Pr(sobrevivência|-câncer,-DC)
Pr(-sobrevivência|câncer,DC)
Pr(-sobrevivência|-câncer,-DC)
10
Captura inteligente de sintomas
para o PHMS
 Metodologia

Construção manual da rede


Construção composta por estágios
Obtenção de conhecimentos



Especialistas
Literatura médica
Dados do paciente
11
Captura inteligente de sintomas
para o PHMS
Estágio 1: Seleção de Variáveis Relevantes
Entrevista com
especialista no
assunto
Conhecimento sobre
processos fisiológicos ou
patológicos
Variáveis Relevantes
12
Captura inteligente de sintomas
para o PHMS
Estágio 2: Identificação de Relacionamentos
entre Variáveis


Arcos entre variáveis & direção dos arcos
Dos especialistas: relação causa & efeito
CAUSA
EFEITO
13
Captura inteligente de sintomas
para o PHMS
 Estágio 3: Identificação de Restrições
Lógicas e Probabilísticas Qualitativas


Ajuda na avaliação e verificação das
probabilidades.
Restrições Probabilísticas Qualitativas


Alguma propriedade da distribuição estocástica
dominante no modelo.
Restrições Lógicas

Relações funcionais entre variáveis
 Verificação de dependência
14
Captura inteligente de sintomas
para o PHMS
 Estágio 4: Avaliação das Probabilidades

Para cada variável alocar a distribuição de
probabilidade.

Pr(Vi |  (Vi))
Obtenção da Probabilidade?
Especialista
X
Dados Existentes
15
Captura inteligente de sintomas
para o PHMS
 Estágio 5: Análise da Sensibilidade e
Avaliação


Estabelecer a qualidade e valor clínico da
rede
Análise de sensibilidade


Dados do paciente.
Avaliação

Medida de performance. Comparação com
estruturas já existentes.
16
Captura inteligente de sintomas
para o PHMS
17
Conclusões e Trabalhos Futuros
 Concluir Estágio 5
 Estudo e Adequação das API Existentes
 Processamento on-line
 PDA Zaurus: Linux &J2ME
 Interface com Módulo de Decisão
 Análise dos algoritmos para propagação de
evidências


Economia de energia
Minimizar tempo de espera
 Projetar e implementar o Módulo de Decisão
18
Referências
[1]Artificial Intelligence in Medicine 30(2004)201-214 Bayesian Networks in
biomedicine and health-care.
[2]De Vaul, Rich, Sung, Michael, Gips, Jonathan, Pentland, Alex “Sandy”. MIThril
2003. Aplications and Architecture Media Laboratory, Massachusetts Institute
of Technology.
[3]Dailey, Daniel J., Harn, Patricia, Lin, Po-Jung. ITS Data Fusion
[4]Carvalho, S. H., Heinzelmann B. W., Coelho J.N.C. Gerenciamento de
Informações Médicas do Paciente (Projeto GIMPA). CBIS 2002.
[5]Carvalho H., Coelho C., Heinzelman W., Murphy A General
Data Fusion Architecture University Rochester 2002.
[6]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.
[7]Porto,C.C. Semiologia Médica Terceira Edição. Guanabara Koogan 2000.
[8]Castro S.S.L., Carvalho S. H., Nascimento O.A.F.,Rocha F. A. Handmed – an
integrated system for mobile symptoms capture. Artigo submetido ao III Latin
American Congress on Biomedical Engineering 2004.
19
.