UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE EDUCAÇÃO SUPERIOR DE CIÊNCIAS TECNOLÓGICAS, DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

Transcrição

1 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE EDUCAÇÃO SUPERIOR DE CIÊNCIAS TECNOLÓGICAS, DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO DESENVOLVIMENTO DE UMA FERRAMENTA DE MINERAÇÃO DE DADOS APLICADA À MEDICINA Área de Inteligência Artificial Rodrigo Gomes Prieto Itajaí (SC), Julho de 2004.

2 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE EDUCAÇÃO SUPERIOR DE CIÊNCIAS TECNOLÓGICAS, DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO RELATÓRIO DO TRABALHO DE CONCLUSÃO DE CURSO II DESENVOLVIMENTO DE UMA FERRAMENTA DE MINERAÇÃO DE DADOS APLICADA À MEDICINA Área de Inteligência Artificial Rodrigo Gomes Prieto Relatório apresentado à Banca Examinadora do Trabalho de Conclusão do Curso de Ciência da Computação para análise e aprovação. Itajaí (SC), Julho de 2004.

3 i EQUIPE TÉCNICA Acadêmico Rodrigo Gomes Prieto Professor Orientador Kathya Silvia Collazos Linares, Dra. Coordenadores dos Trabalhos de Conclusão de Curso Anita Maria da Rocha Fernandes, Dra. Cesar Albenes Zeferino, Dr. Coordenador do Curso Luiz Carlos Martins, Esp. i

4 ii DEDICATÓRIA Dedico este trabalho, em especial, aos meus pais, que acreditaram na minha capacidade desde o início da minha vida e sempre me apoiaram na conquista dos meus ideais e lutaram dia após dia para que conseguisse chegar até aqui. ii

5 iii AGRADECIMENTOS momentos. Aos meus pais, Fernando e Socorro, pelo incentivo, apoio e carinho em todos os Ao meu irmão Fernando, e sua esposa Néia, que me deram muito apoio e ajuda em momentos importantes e conseguiram me descontrair em momentos difíceis. A todos os professores que de alguma forma contribuíram para o meu crescimento profissional e pessoal. A todos que tiveram uma participação direta neste trabalho. Aos meus amigos que souberam agüentar os momentos de stress total e que também auxiliaram em muitos momentos no desenvolvimento desse projeto. Aos parentes que sei que sempre torceram por mim e que tenho certeza que estão vibrando comigo neste momento. A todos aqueles que não citei aqui, mas que me ajudaram nesta caminhada. iii

6 iv SUMÁRIO LISTA DE ABREVIATURAS E SIGLAS... vii LISTA DE FIGURAS... viii LISTA DE TABELAS... x RESUMO... xi ABSTRACT... xii I - INTRODUÇÃO APRESENTAÇÃO JUSTIFICATIVA IMPORTÂNCIA DO TRABALHO OBJETIVOS Objetivo Geral Objetivos Específicos METODOLOGIA...3 II REVISÃO BIBLIOGRÁFICA INTELIGÊNCIA ARTIFICIAL BANCOS DE DADOS Modelo Físico Modelo Lógico DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS Classificação Associação Agrupamento Algoritmos de Mineração de Dados...19 iv

7 v 3.5 Exemplos da Utilização de Mineração de Dados RISCO CARDIOVASCULAR: DIABETES & HIPERTENSÃO Diabetes Mellitus Hipertensão Arterial...29 I I I DESENVOLVIMENTO O SISTEMA DE ANÁLISE DE DADOS Fonte de Dados Formulários do HU para Diabetes Mellitus Formulário da Unidade de Saúde da Família e Comunitária da Univali Projeto do Banco de Dados Ingresso das Informações Pré Processamento Mineração de Dados Pós-Processamento Avaliação DA INSTALAÇÃO DE FERRAMENTAS MODELAGEM Modelo Ambiental Lista de Eventos Diagrama de Contexto Modelo Comportamental Diagrama de Fluxos de Dados Modelo Entidade-Relacionamento Especificações dos Processos Dicionário de Dados Modelagem dos Módulos do Sistema...59 v

8 vi 4. APLICAÇÃO...63 I V CONCLUSÕES E RECOMENDAÇÕES BIBLIOGRAFIA APÊNDICE ANEXOS vi

9 vii LISTA DE ABREVIATURAS E SIGLAS AVE BD DM DW E-R FC HAS HU IA IAM IMC KDD MBR RNA RBC UCI USFC Acidente Vascular Encefálico Banco de Dados Data Mining Data Warehouse Entidade Relacionamento Freqüência Cardíaca Hipertensão Arterial Sistêmica Hospital Universitário Inteligência Artificial Infarto Agudo do Miocárdio Indice de Massa Corporal Knowledge Discovery in Database Memory-Based Reasoning Redes Neurais Artificiais Raciocínio Baseado em Casos University of California, Irvine Unidade de Saúde da Família e Comunitária vii

10 viii LISTA DE FIGURAS Figura 1. Modelo E-R...9 Figura 2. Visão resumida das fases do processo de KDD...12 Figura 3. Árvore de Decisão ID Figura 4. Redes Neurais Artificiais Figura 5. Programa de Mineração de Dados Rosetta Figura 6. Processo de Descoberta de Conhecimento do Sistema Desenvolvido...33 Figura 7. Diagrama E-R inicial...36 Figura 8. Diagrama E-R baseado no formulário Diabetes & Hipertensão...38 Figura 9. Tela de Coleta de Dados...39 Figura 10. Tela de Coleta de Dados Resumida...40 Figura 11. Tela de Entrada de Parâmetros...41 Figura 12. Select das informações dos pacientes...42 Figura 13. Select após o pré-processamento...43 Figura 14. Select dos registros selecionados...45 Figura 15. Resultado da Mineração...46 Figura 16. Relatório de Regras Geradas Após Mineração...48 Figura 17. Tela de Consulta de Dados Minerados...49 Figura 18. Tela de Gráficos de Quantidades...50 Figura 19. Diagrama de Contexto...54 Figura 20. Diagrama de Fluxo de Dados Geral...55 Figura 21. Diagrama E-R Modelo Lógico...56 Figura 22. Diagrama E-R Modelo Físico...57 Figura 23. Módulos Gerais...60 Figura 24. Consulta Pesquisa...66 Figura 25. Tela de Login...85 Figura 26. Tela de Apresentação do Sistema...86 Figura 27. Tela de Coleta de Dados...87 Figura 28. Tela de Coleta de Dados Resumida...88 viii

11 ix Figura 29. Tela Manter Paciente...89 Figura 30. Tela Cadastro de Parâmetros de Mineração...90 Figura 31. Tela de Controle de Valores...91 Figura 32. Tela Entrada de Parâmetros...92 Figura 33. Tela de Geração de Gráfico de Barras...93 Figura 34. Relatório de Geração de Regra...94 Figura 35. Tela de Consulta de Pesquisa com Novo Intervalo...95 ix

12 x LISTA DE TABELAS Tabela 1: Modelo hierárquico de banco de dados...10 Tabela 2: Modelo hierárquico...10 Tabela 3: Dados brutos exemplo de classificação...16 Tabela 4: Dados brutos exemplo de associação...17 Tabela 5: Tarefas e Técnicas de KDD...19 Tabela 6. Descrição das Tabelas de Dados utilizadas no Sistema...58 Tabela 7. Módulos de Cadastros...61 Tabela 8. Módulos de Consultas Tabela 9. Módulos de Relatórios...62 Tabela 10. Módulos de Rotinas Tabela 11: Parâmetros selecionados...64 Tabela 12. Dicionário de Dados da Tabela Paciente Tabela 13. Dicionário de Dados da Tabela Guia Exame Tabela 14. Dicionário de Dados da Tabela Histórico Pessoal Tabela 15. Dicionário de Dados da Tabela Histórico Familiar Tabela 16. Dicionário de Dados da Tabela Histórico Patológico Tabela 17. Dicionário de Dados da Tabela Exames Gerais Tabela 18. Dicionário de Dados da Tabela Histórico Paciente Tabela 19. Dicionário de Dados da Tabela Dados Minerados Tabela 20. Dicionário de Dados da Tabela Controle Valores Tabela 21. Dicionário de Dados da Tabela Dados Diabetes Wrk Tabela 22. Dicionário de Dados da Tabela Parâmetros Entrada Tabela 23. Dicionário de Dados da Tabela Internação Tabela 24. Dicionário de Dados da Tabela Forma Tratamento x

13 xi RESUMO Este trabalho apresenta o desenvolvimento de uma ferramenta de Análise de Dados aplicada ao estudo de pacientes com riscos cardiovasculares devido a Diabetes e/ou Hipertensão Arterial. A ferramenta utiliza a metodologia de Mineração de Dados, técnica da Inteligência Artificial. A Medicina é uma área em que a tomada de decisão precisa estar alicerçada em argumentos baseados em conhecimentos médicos, assim como na regularidade das informações e tendências extraídas dos dados estatísticos e/ou epidemiológicos. Sendo assim, o desenvolvimento desta ferramenta pode ser de grande utilidade para a Medicina. O objetivo do trabalho desenvolvido é buscar, no banco de dados de pacientes diabéticos e/ou hipertensos, informações que possam indicar as relações existentes entre Diabetes Mellitus e/ou Hipertensão Arterial e o aparecimento de problemas cardiovasculares. O trabalho foi desenvolvido utilizando o banco de dados ORACLE e suas ferramentas de desenvolvimento para a construção da base de dados, a criação da interface com os usuários e a geração dos relatórios de saída dos resultados. A validação da ferramenta foi realizada utilizando uma base de dados de 186 pacientes, consultados na Unidade de Saúde da Família e Comunitária da UNIVALI. Como resultado da validação pode-se destacar o índice de prevalência de sobrepeso encontrado nos pacientes diabéticos e/ou hipertensos atendidos no ambulatório. Os resultados permitirão: realizar ações para melhorar a condição dos pacientes atendidos, análise das características dos pacientes, estudo de casos reais em sala de aula, entre outros. xi

14 xii ABSTRACT This work presents the development of a tool of Data Analysis applied to the patients' study with cardiovascular risks due to Diabetes and/or Arterial Hypertension. The tool uses the methodology of Data Mining, technique of the Artificial Intelligence. The Medicine is an area in that the decision-making needs to be founded in arguments based on medical knowledge, as well as in the regularity of the information and the tendencies extracted of the statistics data and/or epidemiology data. So, the development of this tool can be of great usefulness for the Medicine. The objective of the developed work is to look for in the diabetic and hypertension patients' database information that can indicate the existent relationships between Mellitus Diabetes and/or Arterial Hypertension and the emergence of cardiovascular problems. The work was developed using the ORACLE database and their development tools for the construction of the base of data, the creation of the interface with the users and the generation of the exit reports of the results. The validation of the tool was accomplished using a base of data of 186 patients, consulted at the Unidade de Saúde da Família e Comunitária of the UNIVALI. As result of the validation the index of overweight prevalence found in the diabetic and/or hypertension patients assisted at the clinic can be stood out. These results could be used: as for accomplishing actions that allow to revert this condition of the patients assisted, as for the analysis of these characteristics, study of true case inside of classroom, between others. xii

15 I - INTRODUÇÃO 1. APRESENTAÇÃO Este trabalho apresenta o desenvolvimento de uma ferramenta de Análise de Dados aplicada ao estudo de pacientes com riscos cardiovasculares devido a Diabetes e/ou Hipertensão Arterial. A ferramenta desenvolvida utilizou para a construção do banco de dados formulários específicos desenvolvidos pelo especialista de Medicina. Assim, para a implementação do software foi necessária a informatização da coleta de dados. A análise de dados baseia-se nas informações contidas nesses formulários. A validação da ferramenta foi realizada utilizando uma base de dados de 186 pacientes, consultados na Unidade de Saúde da Família e Comunitária da UNIVALI, no período de Janeiro a Março de Diabetes e Hipertensão Arterial são muito estudadas, pois elas são doenças prevalentes e consideráveis fatores de risco para doenças cardiovasculares. A área da Saúde produz uma grande quantidade de informações diariamente a qual é armazenada em uma base de dados. Sendo assim, apenas a disponibilização desses dados não é suficiente para um melhor aproveitamento das informações. É vital que se possa interpretar, analisar e relacionar estes dados para desenvolver estratégias de ação. Como exemplo destas estratégias, pode-se citar: a caracterização sobre o comportamento de um paciente para prever visitas, identificação de terapias médicas de sucesso para diferentes doenças, busca por padrões de novas doenças, etc. 2. JUSTIFICATIVA Apesar da grande quantidade de projetos desenvolvidos que utilizam Mineração de Dados, ainda existem muitas opções dentro da área da Saúde. Nessa área existem bases de dados repletas de informação que podem ser transformadas em conhecimento útil. Assim, há a necessidade do desenvolvimento de sistemas que possam obter esses conhecimentos.

16 2 Nesse contexto, o presente trabalho teve por objetivo criar uma ferramenta que utilizasse métodos de Mineração de Dados para descoberta de conhecimento em Medicina, propiciando a aplicação dos conhecimentos adquiridos nas disciplinas de Banco de Dados e Inteligência Artificial, e a aquisição de novos conhecimentos ao se tratar de uma área de aplicação que é a Medicina. 3. IMPORTÂNCIA DO TRABALHO O sistema auxilia na análise de dados em Medicina, permitindo quantificar a prevalência de doenças e conseqüentemente auxiliar na prevenção das mesmas. Além disso, a ferramenta pode servir de base para o desenvolvimento de outros métodos de Mineração complementares ao que foi implementado no presente trabalho. O trabalho pode servir como ferramenta de apoio aos responsáveis pela área de estudo na tomada de decisões que possam atingir ou influenciar no número de ocorrências da doença em estudo. O sistema já se encontra implantado na USFC (Unidade de Saúde da Família e Comunitária) da UNIVALI. 4. OBJETIVOS 4.1 Objetivo Geral Desenvolver uma ferramenta para análise de dados, para pacientes atendidos na USFC com diagnóstico de diabetes e/ou hipertensão, que utilize a metodologia de Mineração de Dados. 4.2 Objetivos Específicos Os objetivos específicos são:

17 3 Identificar a forma de coleta e os tipos de dados utilizados em Medicina para pacientes Diabéticos e/ou Hipertensos, a partir dos formulários de Diabetes Mellitus (MONTELLO et al, 1999) e Diabetes & Hipertensão da UNIVALI (PINTO, 2004); Modelar a base de dados segundo o padrão do formulário a ser informatizado (Diabetes & Hipertensão da UNIVALI); Identificar a metodologia para análise de dados e a técnica de Mineração de Dados a ser utilizada no projeto; Desenvolver o protótipo do projeto; Realizar testes para a validação do protótipo. 5. METODOLOGIA Foi realizado um estudo dos formulários de coleta de dados para: Diabetes Mellitus do Hospital Universitário (HU) de Florianópolis (MONTELLO et al, 1999) e Diabetes & Hipertensão da USFC da UNIVALI, desenvolvido pelo Profº. Luiz Gustavo Pinto especificamente para a coleta dessas informações (Anexo IV). Identificou-se que a coleta de dados era ainda manual, no caso da USFC que não possuía um sistema informatizado para a coleta de tais dados. Este fato não favorecia o desenvolvimento de ferramentas computacionais para análise de dados. Também foi verificado que os tipos de dados eram: numéricos e alfa-numéricos (específicos e de texto livre). Com base nas informações obtidas dos formulários realizou-se a estruturação da base de dados. Desenvolveu-se um diagrama E-R seguindo o padrão dos formulários. Foram consideradas as informações presentes nos formulários e foram definidas entidades que suportassem essas informações. Também foi desenvolvida uma interface para a coleta de dados, já que a coleta ainda era manual.

18 4 O estudo da metodologia de Descoberta de Conhecimento em Base de Dados permitiu identificá-la como a metodologia a ser utilizada para o desenvolvimento da Ferramenta proposta neste trabalho. De outro lado, o objetivo de descobrir perfis dentro da base de dados dos pacientes foi associado à técnica de mineração de dados denominada Agrupamento. Nesta técnica, o algoritmo cria classes com atributos semelhantes préestabelecidos ou não. Neste trabalho as classes foram criadas através de atributos préestabelecidos e para tal fim utilizou-se um algoritmo estatístico. A seguir foi realizado todo um projeto de modelagem, de definições e documentação do sistema a ser desenvolvido, com o intuito de se ter uma maior facilidade de implementação. Ao final foram realizadas as etapas de definição de interface, onde foi necessário também conversar com os responsáveis pelo ambulatório da UNIVALI, para que se pudesse validar a forma da interface, tanto de entrada de informações quanto da saída de resultados, finalizando o projeto com as etapas de implementação, testes e validação do sistema desenvolvido. A base de dados foi toda desenvolvida em Oracle, já que o mesmo é conhecido como o melhor Banco de Dados relacional da atualidade e pelo fato da UNIVALI, local onde foi implantado o sistema já possuir a licença do mesmo. Todas as ferramentas utilizadas para o desenvolvimento são ferramentas da própria Oracle. Para a modelagem e o desenvolvimento da base de dados, foi utilizado o Oracle Designer, ferramenta case que auxilia e agiliza em muito o desenvolvimento de projetos de Banco de Dados. Já para a interface foram utilizadas o Forms Builder, para o desenvolvimento de todas as telas do sistema e o Reports Builder para os relatórios de saída dos resultados. A escolha das ferramentas ocorreu, porque o conjunto delas é um ambiente completo e integrado que combina ferramentas de desenvolvimento de aplicativos com a integração da Base de Dados em Oracle de forma muito mais simples e consistente. Também porque o mercado de trabalho para pessoas capazes de trabalhar com tais ferramentas vem crescendo muito em nossa região, principalmente na cidade de Blumenau. A Seara Alimentos em Itajaí, a Bunge Alimentos em Gaspar, a Quicksoft e a Elosoft em

19 5 Blumenau, e a HBTech em Florianópolis, são apenas alguns exemplos de empresas de médio à grande porte, que utilizam tais ferramentas para o desenvolvimento de seus projetos. Quanto à linguagem de programação utilizada, em todo o desenvolvimento foi utilizado o PL/SQL, ou como é mais conhecido o SQL estruturado, inclusive tendo sido utilizada para o desenvolvimento do algoritmo de mineração. A escolha da linguagem ocorreu porque é a linguagem nativa das ferramentas utilizadas e padrão mundial para desenvolvimento de trabalhos que lidem com Bancos de Dados.

20 II REVISÃO BIBLIOGRÁFICA 1. INTELIGÊNCIA ARTIFICIAL O presente trabalho visa desenvolver uma ferramenta de Mineração de Dados para a área de Medicina. Para tanto foi necessário saber que Mineração de Dados é uma forma de se utilizar a Inteligência Artificial (IA), ou pode-se dizer que seja apenas um dos ramos da IA. A Inteligência Artificial é uma área da informática que tenta fazer com que o computador realize coisas que somente os homens são capazes, como tomar decisões e aprender, o que pode ser percebido na seguinte definição: a IA busca prover máquinas com a capacidade de realizar algumas atividades mentais do ser humano (NASCIMENTO JR & YONEYAMA, 2000). Outros autores possuem definições um pouco diferentes, mas tentam passar de certa forma a mesma idéia, como a seguinte que diz que IA é o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor (RICH, 1993). O próprio nome já sugere que o intuito da IA é o de fazer com que os computadores de alguma forma adquiram ou demonstrem inteligência. 2. BANCOS DE DADOS Segundo Fanderuff (2000), um Banco de Dados pode ser definido como uma percepção do mundo real, que consiste em uma coleção de objetos básicos, chamados de tabelas, e em relacionamentos entre estes objetos.

21 7 Segundo Pacheco et al. (1999), pode-se definir Banco de Dados como uma coleção de dados relacionados. Estes dados podem ser definidos como fatos conhecidos que podem ser armazenados e que possuem significado explícito. propriedades: Pacheco et al. (1999) também diz que os bancos de dados possuem as seguintes Um banco de dados representa algum aspecto do mundo real, algumas vezes chamado de mini-mundo ou Universo de Discurso. Mudanças no mini-mundo são refletidas no banco de dados. Um banco de dados é uma coleção logicamente coerente de dados como algum significado herdado. Uma ordenação aleatória de dados não pode ser corretamente referenciada como um banco de dados. Um banco de dados é modelado, construído, e povoado com dados para uma proposta específica. Ou seja, existe um grupo de usuários e algumas aplicações préconcebidas as quais esses usuários estão interessados. Na área da Medicina, os sistemas de informação têm se transformado em instrumentos vitais para a resolução de problemas de saúde, ou para evitar outros. Já é possível a criação e manutenção de grandes bancos de dados com informações sobre sintomas, resultados de exames, diagnósticos, tratamentos e curso das doenças para cada paciente. As estruturas dessas bases de dados tornam-se de difícil acesso, por estarem baseadas em grande parte em cima de termos técnicos. Portanto, o estudo e utilização dessas bases de dados devem ser acompanhados pelos especialistas da área da saúde, que possam esclarecer os termos e tentar demonstrar qual a importância do mesmo para o assunto estudado. Os bancos de dados podem ser definidos segundo Korth & Silberschatz (1995), seguindo três níveis. O nível físico é o nível mais baixo de abstração e descreve como os dados estão realmente armazenados.

22 8 O nível conceitual descreve quais dados estão armazenados de fato no banco de dados e as relações que existem entre eles. Por fim o nível de visões que é o nível mais alto de abstração e descreve apenas parte do banco de dados. 2.1 Modelo Físico Os BD s podem ser classificados segundo a sua estrutura física em BD operacional, que é aquele que possui as informações brutas, e o Data warehouse (DW) que é esse mesmo banco, porém de uma forma mais organizada, tratada para atender as necessidades específicas da área estudada. 2.2 Modelo Lógico Segundo Korth & Silberschatz (1995), o modelo lógico de bancos de dados é usado nas descrições de dados nos níveis conceitual e visual. Dentre vários modelos existentes pode-se citar: Modelo Entidade-Relacionamento (E-R): Este modelo estrutura a base de dados seguindo uma percepção de um mundo real e separando-a em coleções de objetos e relacionamentos. A Figura 1 seguindo o padrão de Korth & Silberschatz (1995), apresenta o exemplo de um modelo E-R.

23 9 PACIENTE PERTENCE PODE SOFRER INTERNACAO SINTOMA PERTENCE POSSUI PODE SER PODE SER UTILIZADA PODE AFETAR UTILIZA FORMA DE TRATAMENTO POSSUI PODE SOFRER HABITO COMPLICACAO Figura 1. Modelo E-R Fonte: adaptado de Korth & Silberschatz (1995) Modelo Relacional: representa dados e relacionamentos entre dados por um conjunto de tabelas, cada uma tendo um número de colunas com nomes únicos (ibidem). Modelo Hierárquico: neste modelo, os dados e relacionamentos são representados por registros e ligações, respectivamente (ibidem). A Tabela 1 de Korth & Silberschatz (1995) apresenta um exemplo de banco de dados hierárquico.

24 10 Tabela 1: Modelo hierárquico de banco de dados Nome Idade Sexo Código João 23 Masculino 900 Maria 25 Feminino 801 Pedro 36 Masculino 647 Fonte: adaptado de Korth & Silberschatz (1995) Segundo esse modelo hierárquico, a Tabela 1 pode ser complementada pela Tabela 2 do mesmo autor. Cabe ressaltar que o ponto que o autor tenta demonstrar no exemplo é a ligação existente entre a Tabela 1 e a Tabela 2, no caso o campo código: Tabela 2: Modelo hierárquico Código Nº Internações Fonte: adaptado de Korth & Silberschatz (1995) 3. DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS A noção de descobrir padrões úteis (ou parte de informação valiosa do conhecimento) em dados não processados recebeu diversos nomes, entre os quais Knowledge Discovery in Database (KDD, ou em português, Descoberta de Conhecimento em Base de Dados), Data Mining (DM, ou em português, Mineração de Dados), extração de conhecimento, descoberta de informação, coleta de informação, arqueologia de dados, processamento de padrões de dados. O termo KDD foi criado em 1989 para se referir ao amplo processo de descoberta de conhecimento em dados, e para enfatizar a aplicação de alto nível do método particular de DM (MANNILA, 1996; 1997). Segundo Collazos e Barreto (2003):

25 11 O KDD é uma metodologia que possibilita a análise de grandes conjuntos de base de dados, utilizando métodos aproximados, o que é uma característica intrínseca dessa metodologia. Isso permite flexibilidade no raciocínio, o que é desejável na análise de dados clínicos, os quais quase sempre são imprecisos e incertos. A metodologia do KDD baseia-se em dois pilares fundamentais, o armazém de dados e a Mineração de Dados. De um lado é necessário e fundamental criar um armazém de dados de forma organizada e com suficientes dados sobre o assunto a analisar e de outro é importante contar com métodos aproximados que permitam minerar os dados, assim organizados, para a descoberta das relações existentes em tais dados. Conforme afirma Pacheco et al. (1999), o processo de KDD pode ser dividido em cinco etapas: o Data Warehousing, o Pré processamento, o Enriquecimento, a Mineração de Dados e o Pós Processamento. Essas etapas são mostradas a seguir na Figura 2, segundo Pacheco et al. (1999).

26 12 Dados Dados I N T E G R A Ç A O DW Pré Proc. MD Pós Pro c. Conhecimento Figura 2. Visão resumida das fases do processo de KDD Fonte: Pacheco et al. (1999). 1-Data Warehousing (DW): Ou dito em português Armazém de dados, é um conjunto de dados baseado em assuntos, integrado, não volátil, e variável em relação ao tempo (Pacheco et al., 1999). Pode-se, portanto entender DW como o processo de organização das bases de dados em uma forma mais ordenada e estruturada para o assunto que está se tratando ou como sendo um banco de dados no qual os dados foram processados e organizados. A etapa de DM depende fundamentalmente do método utilizado para o tratamento dos dados. Na verdade é a etapa em que se permite que os dados possam estar limpos, agregados e consolidados. Uma das características marcantes do DW é a orientação por assunto, pois toda a modelagem será voltada em torno desses principais assuntos. As

27 13 principais características do DW são: integração, variação no tempo, não volatilidade, localização e a credibilidade dos dados. 2-Pré-Processamento: Etapa responsável por consolidar as informações relevantes para o algoritmo minerador, buscando reduzir a complexidade do problema (PACHECO et al, 1999). Pode-se dividir em três sub etapas: A limpeza dos dados, responsável por realizar a consistência dos dados, a correção de possíveis erros e o preenchimento e eliminação de valores nulos e redundantes; A seleção dos dados é quem irá definir ou escolher os atributos relevantes de todos os atributos existentes na base de dados e; A codificação dos dados divide os valores contínuos dos atributos em uma lista de intervalos representados por um código, ou seja, converte valores quantitativos em valores categóricos. 4-Mineração de Dados: Segundo Fernandes (2003 apud GROTH, 1998), a Mineração de Dados ou "Data Mining é o processo de descoberta automática de informações". Já de acordo com Tenório Jr (2001) a Mineração de Dados caracteriza-se pela existência do algoritmo que diante da tarefa especificada será capaz de extrair eficientemente conhecimento implícito e útil de um banco de dados. Segundo outro autor, DM refere-se ao exame de grandes quantidades de dados, procurando encontrar relações entre dados não explícitos que possam ser utilizadas em modelos do mundo real com capacidade preditiva e explanatória (BARRETO, 2001). A etapa de DM depende fundamentalmente do método utilizado para o tratamento dos dados. Este é o passo onde os padrões freqüentes e de interesse são descobertos nos dados. Os objetivos primários de DM segundo Fayyad et al. (1996), são:

28 14 Predição, a qual envolve o uso de algumas variáveis ou campos na base de dados para predizer valores futuros ou desconhecidos de outras variáveis de interesse; Descrição, a qual procura encontrar padrões que descrevam os dados. 5-Pós-Processamento: Esta fase envolve a interpretação do conhecimento descoberto, ou algum processamento deste conhecimento como definiu PACHECO et al. (1999). A principal meta dessa fase é melhorar a compreensão do conhecimento descoberto pelo algoritmo minerador validando-o através de medidas da qualidade da solução e da percepção de um analista de dados. Em alguns casos, quando a mineração não traz resultados satisfatórios é necessária uma outra etapa de Enriquecimento, que segundo Pacheco et al. (1999), consegue agregar mais informações de forma que essas contribuam no processo de descoberta de conhecimento. Na Medicina, Biologia e outras ciências, a Mineração de Dados vem ganhando importâncias cada vez maiores, auxiliando no processo de extração de relações escondidas em dados experimentais e em prontuários médicos. A Mineração de Dados nas bases de dados voltadas para a Medicina pode vir a fornecer conhecimento novo, como a relação entre algumas doenças e certos perfis profissionais, sócio-culturais, hábitos pessoais, ou local de moradia. A extração dessas informações não é uma tarefa simples, principalmente por essa base possuir um volume gigantesco de dados de onde se podem extrair conhecimentos diversos. Em meio a essas montanhas de dados podem se esconder informações valiosas e por isso é de extrema importância que existam ferramentas capazes de auxiliar a extração dessas informações.

29 15 Enfim pode-se entender DM como um meio para exploração e análise dos bancos de dados com o objetivo de encontrar padrões, ou regras, ou ainda como um conjunto de técnicas de Inteligência Artificial para a descoberta de conhecimento novo, não facilmente visível a olho nu, que possa estar presente em grandes massas de dados. DM pode ainda ser classificada segundo dois tipos: Descoberta direta, onde fica explícito o que se deseja buscar da base de dados e Descoberta Indireta, onde se faz uma espécie de busca aleatória, tentando encontrar quaisquer tipos de combinações que possam representar algum conhecimento. Segundo Pacheco et al. (1999), as tarefas KDD que funcionam como bases das técnicas de DM são: Classificação, Associação, ou Agrupamento. Estas tarefas podem utilizar técnicas de DM baseadas em Raciocínio Baseado em Casos (RBC), Redes Neurais Artificiais, Árvores de Decisão, Estatística, Computação Evolucionária, entre outros. Existem outras tarefas do KDD que são utilizados em menor escala, como exemplo pode-se citar: as queries, a descoberta de dependência e a regressão (ibidem). 3.1 Classificação Classificação é uma das técnicas mais utilizadas de DM. Segundo Carvalho (2001), classificar um objeto é determinar com que grupo de entidades, já classificadas anteriormente, este objeto apresenta mais semelhança. A definição abaixo (Souza, 2000 apud GROTH, 1998) relata que a Classificação provê um mapeamento prévio a partir de atributos para grupamentos especificados. Como exemplo podem-se classificar previamente pessoas como sendo bebês, crianças, adolescentes, adultos ou idosos, nos baseando apenas no atributo idade (SOUZA, 2000).

30 16 Segundo outra definição, na classificação cada tupla pertence a uma classe em um conjunto pré-definido de dados (PACHECO et al., 1999), cabe salientar que uma tupla nada mais é que um registro de dados. E pode-se utilizar a Tabela 3, de Pacheco et al. (1999 apud FREITAS & LAVINGTON, 1998), que mostra a entrada das informações e define a seguir as regras de classificação que puderam ser descobertas. Tabela 3: Dados brutos exemplo de classificação. SEXO ETNIA IDADE DIABÉTICO Masculino Branco 25 Sim Masculino Negro 21 Sim Feminino Branco 23 Sim Feminino Negro 34 Sim Feminino Branco 30 Não Masculino Moreno 21 Não Masculino Moreno 20 Não Feminino Moreno 18 Não Feminino Branco 34 Não Masculino Branco 55 Não Fonte: adaptado de Pacheco et al. (1999). Alguns exemplos de regras de classificação descobertas dos dados da Tabela 3 são apresentados a seguir: Se (ETNIA = Moreno) então DIABÉTICO = Não Se (ETNIA = Negro) então DIABÉTICO = Sim Se (ETNIA = Branco e IDADE <= 25) então DIABÉTICO = Sim

31 17 Se (ETNIA = Branco e IDADE > 25) então DIABÉTICO = Não 3.2 Associação As regras de associação tentam manter uma relação entre os dados já existentes e o dado atual, ou conforme a definição a seguir, preocupa-se em descobrir que elementos dos eventos têm relações no tempo (CARVALHO, 2001). Podem também ser definida, como expressões que indicam afinidade ou correlação entre dados (SOUZA, 2000). Ainda seguindo o mesmo autor, pode-se citar o trecho do algoritmo a seguir como um exemplo simples para as regras de associação: se hábito = fumante e exercício = falso então diabetes = sim. Para um melhor entendimento das regras de associação pode-se citar um exemplo como o utilizado na Tabela 4 (Pacheco et al, 1999 apud FREITAS & LAVINGTON, 1998), que mostra a entrada das informações e as regras de associação formadas depois do estudo e da análise da base de dados. Tabela 4: Dados brutos exemplo de associação ID LEITE CAFÉ CERVEJA PÃO MANTEIGA ARROZ FEIJÃO 1 Não Sim Não Sim Sim Não Não 2 Sim Não Sim Sim Sim Não Não 3 Não Sim Não Sim Sim Não Não 4 Sim Sim Não Sim Sim Não Não 5 Não Não Sim Não Não Não Não 6 Não Não Não Não Sim Não Não 7 Não Não Não Sim Não Não Não 8 Não Não Não Não Não Não Sim 9 Não Não Não Não Não Sim Sim 10 Não Não Não Não Não Sim Não Fonte: Pacheco et al. (1999).

32 18 Regras descobertas: Conjunto de itens freqüentes: CAFÉ, PÃO. FSup = 0.3 Regra: Se (CAFÉ) então (PÃO). FConf = 1. Conjunto de itens freqüentes: CAFÉ, MANTEIGA. FSup = 0.3 Regra: Se (CAFÉ) então (MANTEIGA). FConf = 1. Conjunto de itens freqüentes: PÃO, MANTEIGA. FSup = 0.4 Regra: Se (PÃO) então (MANTEIGA). FConf = 0.8. Regra: Se (MANTEIGA) então (PÃO). FConf = 0.8 Conjunto de itens freqüentes: CAFÉ, PÃO, MANTEIGA. FSup = 0.3 Regra: Se (CAFÉ e PÃO) então (MANTEIGA). FConf = 1. Regra: Se (CAFÉ e MANTEIGA) então (PÃO). FConf = 1 Regra: Se (CAFÉ) então (PÃO e MANTEIGA). FConf = Agrupamento O agrupamento é o método que tenta, baseado em medidas de semelhança, definir quantas e quais classes existem em um conjunto de entidades (CARVALHO, 2001). Segundo outro autor, o agrupamento (Clustering) ou segmentação, é um método no qual dados parecidos são grupados juntos (Souza, 2000 apud BERSON, 97). Como exemplo Souza (2000) cita o exemplo de um estudo de reivindicações fraudulentas, neste caso, os registros seriam separados em duas classes, uma para os fraudulentos e outro para reivindicações normais, ou seja, seriam agrupados de acordo com suas características comuns. Logo se chega à conclusão de que no caso da utilização de agrupamento, a intenção ou meta principal da técnica é a de:

33 19 Criar classes através da produção de partições do banco de dados em conjuntos de tuplas. Essa partição é feita de modo que tuplas com valores de atributos semelhantes, ou seja, propriedades de interesse comuns, sejam reunidas dentro de uma mesma classe. Uma vez que as classes sejam criadas, pode-se aplicar um algoritmo de classificação nessas classes, produzindo assim regras para as mesmas (PACHECO et al, 1999). 3.4 Algoritmos de Mineração de Dados Para a execução do trabalho foi utilizada a técnica Estatística para realizar o Agrupamento de dados, por representar o interesse de pesquisa do especialista. O algoritmo desenvolvido gera ao término da execução os agrupamentos encontrados segundo a característica fornecida em percentuais como também as regras de associação que representam tais agrupamentos. A Tabela 5 de Pacheco et al. (1999) apresenta o relacionamento das técnicas com os algoritmos de mineração: Tabela 5: Tarefas e Técnicas de KDD. TAREFAS DE KDD Associação Classificação Clustering (Agrupamento) TÉCNICAS (ALGORITMOS) Estatística e Teoria dos Conjuntos Algoritmos Genéticos, Redes Neurais e Árvores de Decisão Redes Neurais e Estatística Fonte: Pacheco et al. (1999) Cabe salientar que os algoritmos não são somente os citados na tabela acima e que os mesmos podem ser utilizados em diversas tarefas. Segundo Romão (2002), os algoritmos podem até ser divididos em grupos de acordo com suas características, podendo ser dos seguintes tipos: de algoritmos de aprendizagem simbólica, de métodos baseados em regras, de estatística tradicional, de estatística moderna,

34 20 baseados em Redes Neurais Artificiais (RNA) e algoritmos genéticos, para citar alguns tipos. dados: A seguir tem-se uma breve definição dos principais algoritmos de mineração de Regras de Associação: A técnica de descoberta de regras de associação estabelece uma correlação estatística entre certos itens de dados em um conjunto de dados (Dias, 2001 apud GOEBEL & GRUENWALD, 1999). Árvores de Decisão: A árvore de decisão é uma ferramenta completa e bastante conhecida para classificar dados e apresentar os resultados em forma de regras (Oliveira, 2001 apud BERRY & LYNOFF, 1997). A Figura 3 mostra a estrutura de uma árvore de decisão do tipo ID-3. Figura 3. Árvore de Decisão ID-3 Raciocínio Baseado em Casos (RBC): Também conhecido como MBR (Memory- Based Reasoning raciocínio baseado em memória), o raciocínio baseado em casos tem base no método do vizinho mais próximo. O MBR procura os vizinhos mais próximos nos exemplos conhecidos e combina seus valores para atribuir valores de classificação ou de previsão (Dias, 2001 apud HARRISON, 1998).

35 21 Algoritmos Evolucionários (Algoritmos Genéticos): Segundo Carvalho (2001), os algoritmos genéticos surgiram de uma metáfora com a Teoria da Evolução das Espécies de Darwin, ele explica que a idéia principal dessa técnica é a de se prever ou entender o que será gerado, quando da combinação de dados de duas espécies diferentes. Regras de Produção: Segundo Carvalho (2001), as regras de produção são a representação simbólica dos operadores, capazes de criar e alterar os símbolos, que agora estão representados pela base de dados. Seu formato segue a seguinte forma: SE um conjunto de condições é satisfeito ENTÃO realize uma dada operação (ibidem). Redes Neurais Artificiais (RNA): Segundo Pilla et al.(2003), redes neurais são: Arquiteturas de rede multi camadas que aprendem como resolver um problema baseado em exemplos e tentativas anteriores. As redes neurais podem ser de dois tipos: supervisionadas ou não supervisionadas. Redes neurais supervisionadas são algoritmos usados para criar modelos preditivos que capturam interações não lineares entre fatores. Redes Neurais não supervisionadas são usadas para dividir dados em agrupamentos de acordo com certas regras pré-definidas. artificiais. A Figura 4 de Pacheco et al. (1999) exemplifica um modelo de redes neurais

36 22 Figura 4. Redes Neurais Artificiais. Fonte: Pacheco et al. (1999). Existem diversos outros algoritmos de implementação para ferramentas de Mineração de Dados, tendo sido citados apenas alguns. 3.5 Exemplos da Utilização de Mineração de Dados O processo de busca de conhecimentos em banco de dados tem se tornado cada dia mais importante, devido a descobertas relevantes conseguidas, e entre tantos casos pode-se citar o exemplo utilizado por Barreto (2001) onde o autor conta que um programa de Mineração de Dados previu a subida de preços das memórias de computador devido a um incêndio em uma fábrica de tintas no extremo oriente, Dois fatos aparentemente sem correlação: um incêndio e a subida de preços de memórias de computador. Qual a razão? A fábrica era quem produzia a tinta para pintar todos os chips fabricados na região.

37 23 Mas, um dos exemplos mais famosos de um DM diz respeito ao utilizado pela cadeia americana Wal-Mart, que identificou um hábito curioso dos consumidores. Há cinco anos, ao procurar eventuais relações entre o volume de vendas e os dias da semana, o software de Mineração de Dados apontou que, as sextas-feiras, as vendas de cervejas cresciam na mesma proporção que as de fraldas. Uma busca mais específica mostrou que ao comprar fraldas para os bebês, os pais aproveitavam para abastecer o estoque de cerveja para o final de semana (PILLA et al., 2003). No Brasil, outros tantos projetos já foram implementados para a área de Medicina, como os citados a seguir: Mineração de Dados de um plano de saúde para obter regras de associação : esta dissertação utiliza o algoritmo apriori para descobrir informações úteis em bases de dados e com isso gerar regras de associação para o mesmo. Este projeto ficou bastante centrado no algoritmo utilizado, no caso o apriori e segundo o autor, foram geradas regras de associação ao final que demonstraram situações que os especialistas da área já supunham que fossem acontecer (SOUZA, 2000). Aplicação de Data Mining em Casos de Recém Nascidos com Malformação : este trabalho de conclusão de curso foi desenvolvido com o intuito de descobrir informações que poderiam mostrar as causas ou motivos, do nascimento de crianças com má formação, utilizando para isso regras de classificação e de agrupamento (RUECKERT, 1999). Aplicação de Data Mining na Busca de um modelo de Prevenção de Mortalidade Infantil : Este trabalho de pesquisa faz busca por conhecimentos novos nos bancos de dados existentes, como o que controla a quantidade de nascidos vivos (SINASC) e o que controla a quantidade de mortalidades (SIM), para tentar identificar algum relacionamento entre a morte de crianças antes de completarem um ano de idade, e algum aspecto relevante na vida desta criança. Esse trabalho utilizou para isso o método de classificação aplicando técnicas estatísticas, através do Teste do Qui-

38 24 Quadrado e técnicas de Mineração de Dados, partindo-se da base de dados do SINASC, no ano de 1996, do município de Florianópolis, Santa Catarina, Brasil, e da ocorrência ou não de óbito no primeiro ano de vida. O objetivo foi detectar as variáveis associadas a essas mortes, gerar regras de classificação do processo de descoberta de conhecimento em base de dados que pudessem traçar o perfil dos recém-nascidos em risco de óbito no primeiro ano de vida. Os resultados alcançados revelaram a associação estatística entre o óbito de menores de um ano e algumas variáveis do SINASC. As regras de classificação permitiram traçar o perfil dos recém-nascidos que devem receber assistência eficaz e auxiliar o planejamento na tomada de decisão, contribuindo para a redução da mortalidade infantil (OLIVEIRA, 2001). Além desses um sistema muito interessante e que pode ser utilizado como base para o desenvolvimento de projetos de mineração é o software Rosetta, que é um programa que foi desenvolvido por dois grupos, o Knowledge Systems Group, Dept. of Computer and Information Science e o Logic Group, Inst. of Mathematics, e que permite a mineração de informações, deixando ao término se obter regras de associação, dados estatísticos, entre outros. Trata-se de um software bem completo com diversas opções de mineração, utilizando diversas variáveis ou com valores fixos, podendo se definir intersecções (OHRN, 2004). A Figura 5 mostra uma das telas de resultados do Rosetta.

39 25 Figura 5. Programa de Mineração de Dados Rosetta. Fonte: Ohrn (2004). 4. RISCO CARDIOVASCULAR: DIABETES & HIPERTENSÃO O presente trabalho foi desenvolvido com base em um banco de dados de pacientes com Diabetes e/ou Hipertensão Arterial. Assim, para se ter uma visão, é colocado de forma resumida os conceitos dessas doenças. 4.1 Diabetes Mellitus Diabetes Mellitus pode ser definido conforme Almeida (1997) como: um grupo heterogêneo de doenças que diferem quanto à etiologia e patogênese e que alteram a homeostase do homem, caracterizadas por distúrbios no

40 26 metabolismo de carboidratos, proteínas e gorduras, secundários a uma deficiência ou ausência de produção de insulina pelo pâncreas e/ou diminuição de sua ação nos tecidos-alvo. Segundo Oliveira (2003), a Diabetes Mellitus é uma anormalidade caracterizada por uma quantidade de açúcar em excesso no sangue e na urina. O pâncreas é um órgão situado na região do abdome e uma de suas principais funções é a produção de insulina. Existem, disseminados por todo o órgão, pequenos agrupamentos celulares denominados ilhotas de Langerhans, onde é produzida a insulina, hormônio responsável por regular o nível de açúcar no sangue e transformá-lo em energia. Se o pâncreas for afetado por uma infecção, por exemplo, esta prejudicará a produção de insulina e o nível de açúcar no sangue aumentará, provocando os sintomas de diabete melito. Uma outra doença, bastante diferente da diabete melito é a diabete insípida, caracterizada pelo excesso de excreção urinária, devido a um distúrbio dos rins. Existem dois tipos de Diabetes: Diabetes Tipo 1 Segundo Oliveira (2003), no tipo 1 o pâncreas não produz insulina ou produz uma quantidade muitíssimo pequena. O pâncreas produz muito pouca ou nenhuma insulina. Não consegue produzir insulina porque o sistema imunológico do corpo destruiu as células produtoras de insulina. Geralmente atinge crianças ou adultos jovens, mas pode ter início em qualquer idade. Sem a insulina é impossível o organismo controlar o nível de açúcar no sangue e sem a insulina as pessoas tendem a morrer. Assim as pessoas com este tipo de Diabetes necessitam injetar em si mesmas pelo menos uma dose diária de insulina. A insulina é injetada sob a pele (região subcutânea) para que isso funcione. Não é possível ingerir pílulas com insulina porque os sucos gástricos iriam destruí-las antes que elas passassem a funcionar. Pesquisas avançadas estão estudando outras formas de aplicação de insulina, mas atualmente as injeções são o único método. Para os portadores desse tipo de Diabetes os médicos costumam definir a quantidade e tipo de insulina que poderá baixar as taxas de glicose no sangue, e alimentos que evitem altas acentuadas e repentinas da taxa de glicose no sangue. Um nutricionista poderá adequar uma dieta pessoal determinando

41 27 quanto, quando e o que comer, de forma que o paciente não precise se privar de uma refeição rica e prazerosa, e exercícios que baixem os níveis de glicose no sangue, além de trazer uma vida mais saudável. Diabetes Tipo 2 Já na Diabetes do tipo 2, Oliveira (2003) cita que o pâncreas produz insulina mas em quantidade insuficiente para a quantidade de glicose presente no sangue. É o tipo mais comum de Diabetes. Geralmente ocorrem em pessoas com mais de 45 anos e obesas. Os médicos especialistas não sabem a causa exata da Diabetes do tipo 2 além do fato de ela ser hereditária e disparada por um ou mais fatores. Os sintomas podem aparecer de forma muito leve e de forma que o doente não perceba sua existência. Pessoas de idade podem confundir estes sintomas com problemas de envelhecimento e devido a isso não buscar ajuda médica. Estima-se que por volta da metade dos diabéticos não sabem que possuem Diabetes. A Diabetes do tipo 2 pode ser controlado com dieta, exercícios e medicação, incluindo comprimidos e injeções de insulina. Estes tratamentos podem ser aplicados sozinhos ou em conjunto. Acontece em muitos casos de pessoas obesas que apresentam Diabetes do tipo 2 que ao perderem peso, ao seguir controle alimentar e ao realizarem exercícios físicos com regularidade, conseguem chegam a parar de tomar medicações. Os médicos tendem a testar os níveis de açúcar no sangue, através de exames de sangue, regularmente. O teste determinará se a Diabetes está sob controle. Os cientistas não sabem por que o sistema imunológico, que permite o combate às doenças e a outras substâncias "estrangeiras" que podem invadir o corpo, ataca e destrói as células produtoras de insulina. Uma combinação de fatores pode estar envolvida, incluindo exposição a vírus comuns ou a outras substâncias durante os primeiros períodos de vida, assim como riscos herdados de Diabetes. Pesquisadores podem agora fazer testes com membros da família de pessoas diabéticas para identificar aqueles com maiores riscos de adquirir Diabetes. Sendo que os cientistas esperam ainda encontrar uma forma de se prevenir a Diabetes.

42 28 A Diabetes pode surgir de algumas formas, podendo, por exemplo, ser hereditário no caso da Diabetes do tipo 1, acredita-se que fatores genéticos possam estar envolvidos no processo que leva a este quadro. Parentes de primeiro grau de pacientes diabéticos tipo 1, como irmãos, pais, filhos, etc., correm um risco muito maior de se tornarem diabéticos (também do tipo 1) do que as pessoas que não possuam casos na família. No caso da Diabetes do tipo 2 também existe um importante componente hereditário. Portanto, uma pessoa que tem histórico familiar de Diabetes tipo 2 tem maior propensão a desenvolver este quadro. Outro fator a ser levado em consideração é o fator emocional. Mas segundo especialistas a Diabetes não deve aparecer devido a este fator, ela pode vir a aumentar os níveis glicêmicos, em resposta ao estresse emocional, em indivíduos já diabéticos ou propensos à doença. Nesta situação, são liberados alguns hormônios que têm a capacidade de elevar a glicose. O uso constante de bebidas alcoólicas também pode provocar a Diabetes. Existe um tipo de Diabetes específico, decorrente do uso de bebida alcoólica de forma crônica. Isto pode levar a um quadro de pancreatite e eventual destruição das células beta pancreáticas, local de produção da insulina. Vale lembrar que, mesmo nos casos em que o álcool não foi o causador direto da Diabetes, o seu uso excessivo pode levar ao descontrole da glicose. Quanto a incidência da Diabetes em pessoas que consomem muito açúcar, não funciona como se ouve falar muito. O uso de açúcar não causa Diabetes. No entanto, é importante frisar que o açúcar é totalmente contra-indicado para indivíduos diabéticos, uma vez que pode levar a grandes elevações nos níveis de glicose circulante. A obesidade é importante fator de risco para a Diabetes do tipo 2. O excesso de peso, sobretudo em pessoas com histórico familiar de Diabetes tipo 2, aumenta de forma significativa o risco de surgimento desta disfunção. Indivíduos com estas características podem diminuir o risco em cerca de mais da metade segundo pesquisas realizadas, caso modifiquem hábitos alimentares, percam peso e pratiquem atividade física sistemática.

43 29 Estima-se que cerca de 85% dos diabéticos do tipo 2 apresentam excesso de peso ou obesidade. Quanto a incidência da Diabetes, pode ser classificada da seguinte maneira: a Diabetes do tipo 1 ocorre igualmente em pessoas do sexo masculino e feminino. O pique de incidência é na infância, sobretudo entre 4 e 6 anos de idade e na puberdade, especialmente entre os 11 e os 16 anos. Já na Diabetes do tipo 2, as mulheres tem discreto predomínio no número de casos deste tipo de Diabetes, talvez justificado pela maior prevalência de obesidade neste sexo. Ocorre, sobretudo a partir dos 40 anos de idade. Um último fator a ser levado em consideração, seguindo o mesmo autor Oliveira (2003), quanto a Diabetes diz respeito ao fato de uma vida sedentária favorecer o aparecimento do Diabetes, e em indivíduos com predisposição para o Diabetes, a atividade física sistemática pode ajudar na prevenção, além de auxiliar na manutenção do peso ideal. 4.2 Hipertensão Arterial Segundo Nobre & Lima (2000), a hipertensão arterial não pode ser entendida somente como uma condição clínica de cifras tensionais elevadas, mas como quadro sindrômico, incluindo alterações hemodinâmicas, tróficas e metabólicas, ou seja, deixou de ser vista como uma doença ligada somente a tensão, para ser vista como um dos graves fatores para doenças cardiovasculares. Essas alterações possam ter base genética, influência ambiental ou do estilo de vida. A hipertensão arterial nada mais é do que a conhecida pressão alta ou pressão sanguínea elevada conforme definiu Almeida (2000). Segundo o autor a pressão, ou a força da corrente sanguínea é mantida dentro de limites seguros pelo organismo. Porém em boa parte da população, o sangue pressiona as artérias com uma força acima do normal. Essa porcentagem corresponde ao grande contigente dos chamados hipertensos.