Stefan Schulz
Grupo de
Informática Médica
Universidade de
Freiburg (Alemanha)
Recife 31 / 10 / 07
Sistemas de Informação
em Medicina
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Informática
em Saúde
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de sistemas de informação
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
"Preciso os sumários dos pacientes com as características A e
B que foram tratados pelo Dr. C e receberam a terapia D"
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário eletrônico
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
"Queremos comparar os perfis de custo entre grupos de
pacientes"
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
"Preciso de Informação confiáveis de registros clínicos"
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
Epidemiologia Clínica
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
Epidemiologia Clínica
"Quero recrutar pacientes para um estudo"
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
Epidemiologia Clínica
Pesquisa clínica
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
Epidemiologia Clínica
Pesquisa clínica
Preciso de literatura sobre ...
Introdução Texto Estrutura Codificação Text Mining Conclusão
Cenários típicos de métodos de informação
Pesquisa de documentos no prontuário
Controle de gestão em Saúde
Epidemiologia Clínica
Pesquisa clínica
Pesquisa bibliográfica
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Informação
Não-Estruturada
Informação
Estruturada
Introdução Texto Estrutura Codificação Text Mining Conclusão
Linguagem
Natural
(Texto)
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Paciente procedente do Hospital de Alvorada onde estava internado desde
28/05 por broncoespasmo e disfunção respiratória, recebendo ampisulbactam e beta 2 agonista de 2/2h, com boa evolução. Encaminhado ao
HCPA em 01/06 por ter iniciado dia 31/05 com distensão e dor abdominal
importantes, acompanhado de vômitos fecalóides, sendo iniciado metro e
genta. Havia recebido albendazol durante a internação, sem eliminar
vermes. Avaliado pela CIPED: provável obstrução intestinal por ascaris.
Na chegada a UTIP feito push soro fisiologico, CHAD (Hb 9 do dia 30/05)
e deixado O2 3l/min. Foi submetido a laparotomia exploradora em
01/06,sem intercorrências com infestação maciça por ascaris e necrose
intestinal, sendo realizada enterectomia -60cm- e ileostomia. Recebeu
CHAD novamente no pós operatório (Hb 7,6), precisou de dopa e vários
pushs de soro fisiológico. Em 03/06 apresentou RG com coloração
fecalóide e eliminou ascaris VO. Fez RX sem evidência de obstrução,
tracionada sonda de entérica para gástrica com melhora do RG. Foi
extubado, apresentou estridor que cedeu com NBZ com adrenalina e dexa.
Apresentou bradicardia. Suspenso fentanil, permaneceu bradicárdico,
necessitou atropina. Avaliado pela cardiologia sem particularidades.
Após alta da UTI, recebeu óleo mineral e permaneceu eliminando ascaris.
Após retirada do óleo mineral foi iniciado dieta, com boa aceitação, e
albendazol. Recebe alta em bom estado geral, aceitando
dieta VO, SV estáveis, apresentando hiperemia
ao redor da ileostomia. Retorno
com CIPED.
Introdução Texto Estrutura Codificação Text Mining Conclusão
Linguagem
Natural
(Texto)
… indispensável para
documentação e
comunicaçãoStructured
Datade
 Prestação de serviços
saúde
 Ciência
 Médico / Paciente
 Ensino
Introdução Texto Estrutura Codificação Text Mining Conclusão
e.g. Hospital Universitário
Freiburg (p.a.)
Linguagem
Natural
(Texto)
280.000
140.000
55.000
40.000
70.000
Sumários de Alta
Laudos de imagem
Laudos anatomopatológicos
Laudos de imagens
Outros textos
600.000 documentos
textuais por ano.
Introdução Texto Estrutura Codificação Text Mining Conclusão
Informação
Estruturada
Introdução Texto Estrutura Codificação Text Mining Conclusão
…indispensável para abstração:






Codificação de doenças e procedimentos
Indexação bibliográfica
Informação
Gestão hospitalar
Apoio a decisão
Estruturada
Epidemiologia
Pesquisa clínica
Introdução Texto Estrutura Codificação Text Mining Conclusão
…requer sistemas terminológicos






CID
MeSH /DeCS
UMLS
LOINC
SNOMED CT
etc., etc.
Informação
Estruturada
Introdução Texto Estrutura Codificação Text Mining Conclusão
CID (Classificação Internacional de Doenças
Introdução Texto Estrutura Codificação Text Mining Conclusão
MeSH / DESC (Descritores em Ciências da Saúde)
Introdução Texto Estrutura Codificação Text Mining Conclusão
Linguagem
Natural
(Texto)
Informação
Estruturada
Introdução Texto Estrutura Codificação Text Mining Conclusão
Produção de Informação
Informação
Estruturada
Linguagem
Natural
(Texto)
+
-
Qualidade
Custo
+
Introdução Texto Estrutura Codificação Text Mining Conclusão
Análise de Informação
Informação
Estruturada
Linguagem
Natural
(Texto)
+
Qualidade
Custo
+
-
Introdução Texto Estrutura Codificação Text Mining Conclusão
Problema de análise de Informação estruturada
Informação
Estruturada
levantada
rotineiramente:
insuficiente !
- escopo
- granularidade
- qualidade
Introdução Texto Estrutura Codificação Text Mining Conclusão
Levantamento de Informação Estruturada
Volume – Qualidade - Motivação
Padrão Ouro
Qualidade
motivação alta
motivação média
motivação baixa
Volume de dados
Introdução Texto Estrutura Codificação Text Mining Conclusão
Dois caminhos…
aprimorar os processos e
recursos de codificação
Extrair códigos de
textos livres
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Aprimorar os processos de codificação
 Escopo: Codificar informações outras do que doenças
e procedimentos:
 Organismos, exames, medicamentos, localidades...
 Granularidade: Usar todos os detalhes que um
sistema terminológico oferece
 CID: quatro dígitos, expansões locais
 Qualidade: disponibilizar recursos para a codificação
 Codificadores profissionais
 Medir qualidade
 Incentivos
Introdução Texto Estrutura Codificação Text Mining Conclusão
Expandir os recursos de codificação
 Problema: Proliferação de sistemas de codificação
idiossincráticos. Combinação problemática
 Exemplo: UMLS (Unified Medical Language System):
143 vocabulários:
AIR CST DXP LCH MCM MIM OMS SNM SNMI WHO ULT NIC NEU ICD10 ICPC NOC QMR
RCD PPAC DSM3R DSM4 AOD BI RCDAE RCDSA RCDSY ICD10AE DMDICD10 DMDUMD
ICPCDAN ICPCDUT ICPCFIN ICPCFRE ICPCGER ICPCHUN ICPCPOR ICPCSPA ICPCSWE
WHOFRE WHOGER WHOPOR WHOSPA CCPSS RAM JABL ICPCBAQ ICPCHEB NCISEER
ICD10AM ICD10AMAE ICPC2P ICPCPAE CPTSP DDB HLREL MTHMST MTHMSTFRE
MTHMSTITA COSTAR PCDS ICPCITA ICPCNOR HHC MDDB UWDA CPM SPN NAN MMSL
ICPC2EENG MTHICPC2EAE ICPC2EDUT ICD10DUT NDFRT MEDLINEPLUS NCBI CDT
HCDT MDRDUT MDRFRE MDRPOR MDRSPA MTHMDRSPA PSY NCI GO MSHDUT
MSHJPN MSHCZE MTHICPC2ICD10AE ICPC2ICD10ENG MTHICPC2ICD107B
ICPC2ICD10DUT CSP HUGO MTHPDQ PDQ CCS LNC PNDS HL7V2.5 MTHHL7V2.5
HL7V3.0 MTHHL7V3.0 CTCAE NCI-CTCAE ICD9CM MTHICD9 MDRGER SNOMEDCT
MTHSCT VANDF USPMG MTHCH MSH UMD ALT NDDF MMX MTHFDA SCTSPA MSHITA
CPT MSHSWE MSHGER HCPT MSHRUS MTHHH MSHPOR HCPCS MSHFIN MSHSPA
RXNORM MSHFRE MED MDR MBD MTH SRC MSH ICD9CM MDR NLM-MED
Introdução Texto Estrutura Codificação Text Mining Conclusão
Expandir os recursos de codificação (II)
 Usar um sistema de codificação abrangente:
Exemplo SNOMED CT:
(Systematized Nomenclature of Medicine / CLinical Terms)
 Todas as disciplinas clínicas
 350 000 conceitos
 2002: fusão entre a terminologia criada pelo Colégio Americano
de Patologistas (CAP) e os códigos Read do sistema sanitário
britânico (NHS)
 2007: Propriedade da “Organização Internacional para o
Desenvolvimento de Padrões em Terminologia Clínica
(IHTDSO)”
 Disponível em Inglês, Francês, Espanhol, não Português
Introdução Texto Estrutura Codificação Text Mining Conclusão
SNOMED CT
 Hierarquias:
Introdução Texto Estrutura Codificação Text Mining Conclusão
SNOMED CT: Definições
http://www.ihtsdo.org/
Introdução Texto Estrutura Codificação Text Mining Conclusão
Dois caminhos…
aprimorar os processos e
recursos de codificação
Extrair códigos de
textos livres
Introdução Texto Estrutura Codificação Text Mining Conclusão
Linguagem
Natural
(Texto)
Informação
Estruturada
Introdução Texto Estrutura Codificação Text Mining Conclusão
Text mining
Linguagem
Natural
(Texto)
Informação
Estruturada
wa koh
w
eagt Hsd
e ab j
co
aeaa
e s orhe
e
ecqw
rsdo
rhih
Dbf
ecr shsfasg
h
o
eeqeg
dJw
ogghhf
rh i
s
h
a rrceeswaab
w
o
eqw
w
e
r
o a ee s aqrrhp
Introdução Texto Estrutura Codificação Text Mining Conclusão
Text Mining
 Máquina de Text Mining
 Base de conhecimento: vocabulário: lista de
termos, abrviações, base de sinônimos,
córpora de textos (co-ocorrência de palavras)
 Regras: gramática, correção ortográfica,...
 Representação alvo:
 “Templates” (campos em formulários) em sistema
de extração de informação
 Termos controlados: conceitos em um sistema
terminológico, ontologia em sistema de indexação
automatizada
Introdução Texto Estrutura Codificação Text Mining Conclusão
Text Mining: Extração de Informação
Foi submetido a laparotomia
exploradora em 01/06,sem
intercorrências com infestação
maciça por ascaris e necrose
intestinal, sendo realizada
enterectomia -60cm- e ileostomia.
Recebeu CHAD novamente no pós
operatório (Hb 7,6), precisou de
dopa e vários pushs de soro
fisiológico. Em 03/06 apresentou
RG com coloração fecalóide e
eliminou ascaris VO. Fez RX sem
evidência de obstrução, tracionada
sonda de entérica para gástrica
com melhora do RG. Foi extubado,
apresentou estridor que cedeu com
NBZ com adrenalina e dexa.
Apresentou bradicardia. Suspenso
fentanil, permaneceu bradicárdico,
necessitou atropina.
Template
Diagnóstico
Primários
Diagnósticos
Secundários
Procedimento
Cirúrgico
Complicações
Data
admissão
Data alta
Medicação
Introdução Texto Estrutura Codificação Text Mining Conclusão
Text Mining: Codificação (Indexação) automatizada
Foi submetido a laparotomia
exploradora em 01/06,sem
intercorrências com infestação
maciça por ascaris e necrose
intestinal, sendo realizada
enterectomia -60cm- e ileostomia.
Recebeu CHAD novamente no pós
operatório (Hb 7,6), precisou de
dopa e vários pushs de soro
fisiológico. Em 03/06 apresentou
RG com coloração fecalóide e
eliminou ascaris VO. Fez RX sem
evidência de obstrução, tracionada
sonda de entérica para gástrica
com melhora do RG. Foi extubado,
apresentou estridor que cedeu com
NBZ com adrenalina e dexa.
Apresentou bradicardia. Suspenso
fentanil, permaneceu bradicárdico,
necessitou atropina.
#submet #abdomin #otomies
#research {#attent,#worship} #interior
01 / 06 , #without #complicati #together
#infestat {#massiv,#hulk} #ascaris
#necrosis {#colonic,#jejun,#iliac},
#making {#colonic,#jejun,#iliac}
#extirpat - 60cm - #iliac #stomy
#recipient chad #reiterat #interior
#afterwards #surgeon ( hb 7,6), #precis
#dopa #several #pushs #serous
#physique #iologist #interior 03 / 06
#visualiz #piqq #together #colour
#stercoral #gestalt #{extinguish,
#desegregat } #ascaris . rx #without
#evidence #obstruct, #traction #probing
#{colonic #,jejun #,oiliaci #} #stomachi
#together #better rg #extub #visualiz
#stridor #give #togetheriw #together
#epinephrin #dexa #visualiz #longlast
#cardiac. #suspens #phentanyl,
#permanent #longlast #cardiac,
#indispensable #atropine.
www.morphosaurus.net
Introdução Texto Estrutura Codificação Text Mining Conclusão
Text Mining: Alguns desafios
 Ambigüidade
ECG = Eletrocardiograma
ECG = Escala de Coma de Glasgow
 Erros de grafia
” DESIDRATACAO LEVE SEM PIUORA DA FUNACAO RENAL, RX
COM ATELECTASIAS DE BASES - CONSOLIDADCEOS?? PACIENTE
SEM FEBRE MEDIDAAQUI -MAX 37,1 TEM NIVEL SERICO EM
ANDAMNETO DE FENITOINA A SER CHECADO COM FAMILAIR
EM EM 24 H RECEBE TTO ATB COM CEFUROXIMA VO -HMG
NORMAL É DM SEM IMPORTANTE DESCOPENSACAO. ”
 Formação de palavras
”Hepaticojejunoanastomose, colangiotransoperatória, hematoencefálico”
 Análise de negações
“Não há evidência de lesão com efeito de massa ou área de impregnação
anômala pelo meio de contraste nos compartimentos infra e
supratentoriais”
Introdução Texto Estrutura Codificação Text Mining Conclusão
Sistemas de codificação baseados no text mining
 Até agora não recomendável para codificação
completamente automatizada
 Auxiliam o médico / codificador na escolha do
código certo
 Lógica interna dos sistemas de codificação pode
detectar códigos implausíveis e sugerir códigos
que faltam
 Ainda requer muitos esforços de pesquisa básica
e aplicada: inteligência artificial, lingüística
computacional, machine learning
 Bons resultados em sistemas de recuperação de
informação
Introdução Texto Estrutura Codificação Text Mining Conclusão
Exemplo: Text Mining em Google News
http://biocaster.nii.ac.jp
Introdução Texto Estrutura Codificação Text Mining Conclusão
Síntese
Text mining
Codificação
Qualidade
Introdução Texto Estrutura Codificação Text Mining Conclusão
Prognóstico…
Padrão Ouro
Datenqualität
20??
2010
motivação alta
2007
motivação média
motivação baixa
Volume de dados
Introdução Texto Estrutura Codificação Text Mining Conclusão
Introdução Texto Estrutura Codificação Text Mining Conclusão
Conclusão
 Medicina: “dilúvio de informação” ameaça a
qualidade de processamento de conhecimento em
todos os níveis
 Representação de conteúdo: texto livre vs.
Informação codificada
 Texto livre continuará sendo preferido para
veicular informação clícnica e científica
 Soluções tecnológicas
 Sistemas avançados de representação semântica, i.e. de
codificação abrangente de todos os níveis. Candidato
interessante: SNOMED CT
 Sistemas avançados de mineração de texto.
Contato:
Stefan Schulz
[email protected]
Slides: http://morphine.medinf.uni-freiburg.de/~schulz/temp/si.ppt