MINERAÇÃO DE TEXTOS PARA CATEGORIZAÇÃO DE DIAGNÓSTICOS DE BIÓPSIA RENAL TEXT MINING FOR CLASSIFICATION OF DIAGNOSTICS OF RENAL BIOPSY

Transcrição

1 MINERAÇÃO DE TEXTOS PARA CATEGORIZAÇÃO DE DIAGNÓSTICOS DE BIÓPSIA RENAL TEXT MINING FOR CLASSIFICATION OF DIAGNOSTICS OF RENAL BIOPSY Amanda R. Reis 1, Roberto S. Baptista 2, Flávia P. Nicolas 3, Evandro E.S. Ruiz 4, Ivan Torres Pisa 5 1,2,3 Pós-Graduação em Gestão e Informática em Saúde da Universidade Federal de São Paulo (UNIFESP), Brasil, 4 Departamento de Computação e Matemática, FFCLRP-USP, Brasil 5 Departamento de Informática em Saúde, EPM/UNIFESP, Brasil Resumo Contexto: A biópsia renal é essencial no diagnóstico, terapêutica e instituição de medidas preventivas, mas sua indicação ainda é subjetiva. Do conteúdo de laudos podem surgir padrões de representação diagnóstica que elucidem a relação entre eles e suas indicações. Objetivo: Apresentar técnicas para extração de padrões em diagnósticos provenientes de laudos de biópsia renal. Métodos: Foram aplicadas técnicas de mineração de textos em um conjunto de laudos do Serviço de Patologia do Hospital do Rim e Hipertensão. Resultados: A partir de laudos apurou-se a quantidade de diagnósticos por nível diagnóstico e no conjunto de laudos. Criou-se uma árvore de três níveis de palavras do respectivo diagnóstico; nuvem das três primeiras palavras utilizadas na descrição dos diagnósticos e árvore de três níveis diagnósticos. Conclusão: O estudo das palavras é satisfatório para criar uma taxonomia sobre biópsia renal. Árvores com ligação entre diagnósticos e entre pacientes representam uma lógica de construção do diagnóstico. Palavras-chave: Biópsia, Patologia, Mineração de Dados, Processamento de Linguagem Natural. Abstract Context: Renal biopsy is essential in diagnosis, therapy and establishment of preventive measures, but its indication remains subjective, From the content of the reports may arise diagnostic representation patterns that elucidate the relationship between them, and their indications. Objective: To present techniques to extract patterns in diagnosis from renal biopsy reports. Methods: Text mining techniques were applied in a set of reports of the Pathology service of the Kidney and Hypertension Hospital. Results: From 3697 reports it was found the amount of diagnostics by diagnostic level and by the set of diagnostic reports. A three level word tree was created of their diagnosis; a cloud of the first three words used to describe the diagnoses and diagnostic tree of three levels. Conclusion: The study of words is suitable for creating a taxonomy on renal biopsy. Trees with link between diagnoses and among patients represent a logical construction of the diagnosis. Keywords: Biopsy, Pathology, Data Mining, Natural Language Processing. Introdução As informações diagnósticas obtidas a partir da indicação da biópsia renal são extremamente importantes: estima-se 1 que o diagnóstico por meio deste procedimento ocorra entre 70-85% dos pacientes. A biópsia renal tem um importante papel no diagnóstico, na terapêutica mais apropriada, assim como na instituição de medidas preventivas para deter a progressão. Todavia, dado a escassez de estudos específicos e consensuais, o critério de indicação é subjetivo, e consideravelmente diferente entre os nefrologistas 1. No intuito de ampliar o conhecimento sobre o comportamento das doenças do rim, o trabalho aqui apresentado pretende extrair padrões de uma coleção de laudos de biópsia renal por meio de técnicas de mineração de textos. A análise manual de um grande volume de informações contidas nestes laudos torna-se inviável. Trata-se de uma tarefa que exige alta disponibilidade de tempo e sujeita a subjetividade por parte de quem às analisa. A aplicação de técnicas de mineração de textos, por outro lado, torna-se interessante neste caso, possibilitando a extração de padrões e auxiliando no processo de tomada de decisão 2. A mineração de textos pode ser dividida em quatro fases: coleta de documentos, préprocessamento, extração de conhecimento e pós-processamento. Na fase de coleta de documentos recuperam-se os documentos relevantes ao domínio da aplicação. Na fase de pré-processamento os 1

2 textos dos documentos serão tratados e transformados em tabelas de forma a serem submetidos a algoritmos de extração de padrões. Na fase de extração de conhecimento, pretende-se descobrir padrões importantes e desconhecidos existentes nos documentos. Por fim, a fase de pósprocessamento consiste em verificar se alguma fase anterior necessitará ser retomada/revisada 3. Este artigo pretende apresentar as técnicas adotadas na extração de padrões dos diagnósticos provenientes de laudos de biópsia renal do Serviço de Patologia do Hospital do Rim e Hipertensão, UNIFESP, para posterior relacionamento com as demais seções do laudo, sendo exame microscópico, exame macroscópico, imunoflurescência direta e observações. Métodos Este trabalho faz parte de uma pesquisa multicêntrica envolvendo UNIFESP e USP sobre representação sintática de sinais, sintomas, diagnósticos e entidades anatômicas em laudos de biópsia renal do Hospital do Rim e Hipertensão de São Paulo. Esta pesquisa envolve dois mestrados aprovados pelo Comitê de Ética em Pesquisa da Universidade Federal de São Paulo sob os números 10239/10 e 2065/11. Em relação ao processo de mineração de textos, nesse caso, dos diagnósticos de laudos de biópsia renal, a etapa inicial tratou da coleta dos documentos. A partir de um estudo retrospectivo acessamos um conjunto de laudos de biópsia, exame anatomopatológico, referente ao período de 2001 a 2010 realizados pelo mesmo patologista, atualmente consultor de anatomia patológica, responsável pelo Serviço de Patologia do Hospital do Rim e Hipertensão e professor adjunto da Universidade Federal de São Paulo UNIFESP, atuando principalmente nos seguintes temas: Transplante Renal, Citologia Aspirativa e Rejeição. Os laudos encontram-se armazenados eletronicamente em arquivos textos. Os textos, totalmente livres de estruturação, apresentam-se em seções. Desta forma criou-se uma tabela, em um banco de dados, no sistema de gerenciamento de banco dados MySQL ( conforme estrutura do Quadro 1. Colunas Descrição Exame_data Data de realização do exame No._exame Código Identificador do Exame, no formato SP<ANO>-<Sequencial numérico>. Ex.: SP Material Texto em linguagem natural, de vocabulário específico, contendo o tipo de material utilizado para biópsia. Ex. rim Exame Texto em linguagem natural, de vocabulário específico, contendo Macroscópico informações pertinentes ao tipo de exame. Exame Texto em linguagem natural, de vocabulário específico, contendo Microscópico informações pertinentes ao tipo de exame. Imunofluorescência Texto em linguagem natural, de vocabulário específico, contendo Direta informações pertinentes ao tipo de exame. Diagnóstico Texto em linguagem natural, de vocabulário específico, contendo de 1 a Observação 6 níveis diagnósticos. Texto em linguagem natural, de vocabulário específico, contendo informações complementares, segundo compreensão do patologista. Quadro 1 - Estrutura da tabela de laudos de biópsia renal do Hospital do Rim e Hipertensão da UNIFESP. Utilizando um script desenvolvido na linguagem de programação Perl ( os textos de cada seção foram extraídos dos laudos e armazenados nas respectivas colunas da tabela criada. Como os textos dos laudos coletados se encontravam em arquivos do editor de textos Ami PRO, com extensão.sam, o script também realizou a remoção das strings de formatação dos ar- 2

3 quivos, transformando-os em textos simples não estruturados. Após o preenchimento da tabela, esta foi exportada para uma planilha eletrônica. Sobre o conjunto de laudos a serem analisados considerou-se os seguintes critérios de inclusão: (i) apenas os laudos com campo Material igual a rim ; (ii) laudos com informações de gênero, idade e estado; (iii) laudos realizados em 2009 e Nesta fase do estudo trabalhou-se apenas com a seção Diagnóstico, específica destes documentos. Como segunda etapa do trabalho, considerando um pré-processamento da seção Diagnóstico dos laudos, foi necessário adequar os textos para um formato manipulável por algoritmos de mineração de texto, aplicando-lhes um processo de tratamento, limpeza e redução do volume de textos, porém preservando as características necessárias para os objetivos do processo de mineração 4. Para o processo de adequação realizou-se os seguintes passos: Passo 1: em planilha eletrônica removeu-se os espaços da sequência de caracteres dos textos diagnósticos, com exceção dos espaços simples entre as palavras; Passo 2: ainda em planilha eletrônica removeu-se acentos e cedilhas; Passo 3: esta planilha foi submetida ao software de mineração de dados RapidMiner 5 para processamento de dados respeitando a seguinte ordem: (i) tokenize, (ii) transformação do texto para letras em minúsculo, (iii) remoção de stop-words, (palavras frequentes, como artigos, preposições, pontuação, conjunções e pronomes), (iv) aplicação da técnica de stemming 6, (v) geração de um grama (vi) exportação para planilha eletrônica e; Passo 4: na planilha eletrônica gerada adotou-se uma técnica de redução de palavras da coleção de textos que considerou: (i) extração das três primeiras palavras de cada texto diagnóstico, (ii) identificação e correção de erros ortográficos, de ordem, de acréscimo e de decréscimo de palavras, (iii) junto com especialista, homogeneização de terminologias como também exclusão de palavras não relevantes para o diagnóstico, (iv) construção de uma árvore de três níveis de palavras na qual para cada nó atribuiu-se a ocorrência das palavras nos textos diagnósticos, (v) criação de uma nuvem de palavras, por meio do software R ( na qual o tamanho da fonte representa a frequência das palavras na coleção de textos e (vi) construção de uma segunda árvore, com três níveis diagnósticos, na qual em cada nó atribuiu-se a ocorrência de pacientes com os respectivos diagnósticos concomitantemente. Resultados e Discussão O conjunto de documentos analisados ficou em laudos. Como resultado dos passos 1, 2, 3 e 4 (itens i, ii e iii), tem-se a Tabela 1, que apresenta a quantidade de diagnósticos diferentes por nível diagnóstico e a quantidade de diagnósticos diferentes no conjunto de laudos. Tabela 1 Quantidade de diagnósticos diferentes por nível diagnóstico e número de combinações no conjunto de laudos. Passos Diag1 Diag2 Diag3 Diag4 Diag5 Diag6 Diags no conj (i,ii,iii) Como resultado do passo 4, item (iv), tendo como exemplo o diagnóstico de nível 1 atrofia, criou-se a Figura 1, uma árvore de três níveis de palavras, do respectivo campo diagnóstico e a ocorrência das palavras na coleção de textos. 3

4 Figura 1 Árvore de palavras considerando as três primeiras palavras do campo diagnóstico. Cada palavra está acompanhada do número de ocorrências entre colchetes. Como resultado do passo 4, item (v), tem-se uma nuvem de palavras conforme Figura 2, que apresenta as três primeiras palavras utilizadas na descrição dos seis níveis diagnósticos.. Figura 2 Nuvem de palavras referente às três primeiras palavras dos campos diagnósticos. No Passo 4, item (vi), criou-se uma árvore de diagnósticos considerando três níveis diagnósticos e a respectiva ocorrência de pacientes. Como exemplo, Figura 3, representa o diagnóstico carcinoma renal celular. 4

5 Figura 3 Árvores de diagnósticos considerando apenas três níveis diagnósticos e ocorrência de pacientes. As técnicas de pré-processamento para redução de textos mostraram-se eficientes especialmente ao utilizar apenas as três primeiras palavras de cada diagnóstico. A ordem com que as palavras são citadas nos campos diagnósticos embute uma lógica de classificação do material biológico, sendo as três primeiras palavras determinantes para compreensão classificatória do diagnóstico, por essa razão, a escolha baseou-se nesta lógica do médico especialista para a construção do diagnóstico, que pressupõe uma hierarquia de classificação do material biológico, não comprometendo, portanto, na compreensão diagnóstica e evitando a perda de generalidade do estudo. Assim, o pré-processamento resultou em uma base de conhecimento, em banco de dados MySQL e planilhas eletrônicas, com características de uma taxonomia que representa a formação de diagnósticos em biópsia renal. O uso da nuvem de palavras foi mais uma técnica utilizada para favorecer o reconhecimento, especialmente por parte do especialista, de uma forma dinâmica, seu universo de estudo, uma vez que se trata de um grande volume de dados e essa técnica, por meio do tamanho das palavras, ressalta os termos em função da frequência em que surgem no documento, mais especificamente, no campo diagnóstico, favorecendo inclusive em propostas de estudos mais aprofundados sobre determinados diagnósticos. Como próximos passos pretende-se analisar todas as informações obtidas juntamente aos respectivos dados epidemiológicos, elevando o estudo para o nível de paciente. Por meio de algoritmos de aglomeração (por exemplo, método Two Step) pretende-se apresentar a distribuição diagnóstica de acordo com a demanda recebida, de mais de 200 serviços em todo Brasil, pelo Serviço de Patologia do Hospital do Rim e Hipertensão. Conclusão Os resultados deste trabalho, a partir do estudo das palavras presentes em laudos de um serviço 5

6 de patologia, são satisfatórios para elaboração de uma taxonomia sobre biópsia renal. Árvores com ligação entre diagnósticos e entre pacientes possibilitaram representar uma lógica de construção do laudo de biópsia renal que poderá auxiliar novos profissionais em treinamento na área de patologia para confecção dos laudos. Ainda, os serviços solicitantes desses laudos também podem se beneficiar ao reconhecer agrupamentos de pacientes, por meio da taxonomia, facilitando assim uma melhor compreensão do laudo e do perfil do paciente. Futuramente será possível relacionar as seções do laudo entre si e compreendermos que padrões de relações resultam em determinadas características diagnósticas. Agradecimentos Agradecemos, especialmente, o Departamento de Informática em Saúde da UNIFESP pelo apoio institucional, à CAPES pelo apoio financeiro com a manutenção da bolsa de auxílio e ao Serviço de Patologia do Hospital do Rim e Hipertensão UNIFESP, representado pelo Prof. Dr. Luiz Antônio Ribeiro de Moura, pela disponibilização e auxilio na análise dos dados. Referências 1. Polito MG. Perfil anátomo-clínico das doenças renais no Brasil: uma revisão de biópsias renais [Dissertação]. [Universidade Federal de São Paulo - UNIFESP]: Escola Paulista de Medicina - São Paulo; Honorato DF, Monard MC, Lee HD, Neto AP, Chung WF, PTI PT. Avaliação de um método de mapeamento de laudos médicos para uma representação estruturada: estudo de caso com laudos de endoscopia digestiva alta. IX Workshop de Informática Médica. Bento Gonçalves - RS; 2009; Honorato DF. Metodologia para mapeamento de informações não estruturadas descritas em laudos médicos para uma representação atributo-valor [Dissertação]. [Universidade de São Paulo - São Carlos]: Instituto de Ciências Matemáticas e da Computação ICMC-USP; Conrado MS. O efeito do uso de diferentes formas de extração de termos na compreensibilidade e representatividade dos termos em coleções textuais na língua portuguesa [Dissertação]. [Universidade de São Paulo - São Carlos]: Instituto de Ciências Matemáticas e da Computação ICMC-USP; Mierswa I, Wurst M, Klinkenberg R, Scholz M, Euler T. Yale: Rapid prototyping for complex data mining tasks. Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining p Angel Freddy Godoy Viera JV. Uma revisão dos algoritmos de radicalização em língua portuguesa [Internet]. [acessado em 23/06/2012]. Disponível em: 6