Encaminhamento de pacientes ao especialista médico utilizando Inteligência Artificial

Transcrição

1 Encaminhamento de pacientes ao especialista médico utilizando Inteligência Artificial Resumo Autores: Camilla Coppola Fichtler Antonio Simioni Junior Evelia Elias Balarin Professores Orientadores: Dra. Magda Patrícia Caldeira Arantes* Eduardo Noboru Sasaki Adriano Donizete Pila* Faculdades de Valinhos Este trabalho teve como objetivo construir um sistema inteligente capaz de encaminhar pacientes ao especialista médico. Seu conteúdo engloba uma viagem pelo mundo da área de pesquisa conhecida como Inteligência Artificial (IA) e descreve uma visão histórica, algumas definições e campos de aplicações de IA, passa pela subárea conhecida como Aprendizado de Máquina, incluindo seus paradigmas e abordagens, discute conceitos de Sistemas Especialistas, principalmente em medicina, e finalmente mostra a construção de um sistema que auxilia a área médica. Palavras-chave: Inteligência artificial, aprendizado de máquina, sistemas especialistas. Introdução Inteligência Artificial é um campo da ciência que tenta viabilizar soluções de problemas complexos através do uso de máquinas (computadores) baseado no mesmo mecanismo que o cérebro humano utiliza. A I.A. está quase sempre associada à ciência da computação, mas também tem ligação com outras áreas como: Matemática, Psicologia, Biologia, Filosofia entre outras. Aprendizado de Máquina é o ramo da Inteligência Artificial em que se estuda e se constroem sistemas capazes de aprender com a experiência. Obter sistemas capazes de aprender e melhorar seu próprio desempenho é o fundamento da IA e de grande utilidade prática em sistemas cotidianos e futuros. Desde os primeiros momentos da história da computação, os cientistas têm sonhado com a idéia de criar um cérebro eletrônico. Os médicos foram cativados desde cedo pelo potencial que os sistemas computacionais artificialmente inteligentes teriam para aplicações em Medicina. Com computadores inteligentes capazes de armazenar e processar vastos repositórios de conhecimento, a esperança é que eles poderiam se tornar médicos artificiais, ajudando os profissionais da área de saúde [COIERA, 1998]. Neste trabalho são discutidos conceitos de Inteligência Artificial, em sua subárea denominada Aprendizado de Máquina (AM), conceitos do campo de aplicação conhecido como Sistemas Especialistas e apresenta-se o desenvolvimento do sistema especialista implementado para encaminhar pacientes ao especialista da área médica correspondente. O trabalho encerra-se com a descrição dos resultados obtidos e conclusões. Inteligência Artificial Antes de compreender o que é Inteligência Artificial é preciso saber o que é inteligência e o que é um ser inteligente. Um ser dotado de inteligência é um ser capaz de compreender, esperto, habilidoso. O termo inteligência também pode ser definido como faculdade de conhecer, de aprender, de conceber, de compreender, * Bolsista FUNADESP 119

2 sendo que a inteligência distingue o homem do animal [OSÓRIO, 1999]. A implementação dos sistemas inteligentes parte do pressuposto da cópia da inteligência humana para colocá-la a nosso serviço através de implementações que automatizem este tipo de processo/comportamento. A inteligência artificial pode ser entendida, numa definição extremamente simples, como o conjunto de técnicas e metodologias de programação usadas para tentar resolver os problemas de forma mais eficiente que soluções algorítmicas, tornando as soluções mais próximas possíveis daquelas apresentadas pelos humanos [LEMOS, 2004]. Definições Existem várias definições de autores diferentes para o termo inteligência artificial, dentre elas destacam-se: - Inteligência Artificial é o estudo de conceitos que permitem aos computadores serem inteligente. [WINSTON, 1987]; - Inteligência Artificial é o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor. [RICH & KNIGHT, 1993]; - Inteligência Artificial é o estudo das faculdades mentais com o uso de modelos computacionais. [CHERNIAK & MCDERMOTT, 1985]; - O ramo da ciência da computação preocupada com a automação de comportamento inteligente. [LUGER & STUBBLEFIELD, 1993]; - O estudo da computação que torna possível perceber, raciocinar e agir. [WINSTON, 1987]; - O campo de estudo que tenta explicar e emular comportamento inteligente em termos de processo computacional. [SCHALKOFF, 1990]; - A arte de criar máquinas que executam funções que requerem inteligência quando executadas por pessoas. [KURZWEIL, 1990]; - A inteligência artificial (IA) é simplesmente uma maneira de fazer o computador pensar inteligentemente. [LEVINE, 1998]; Histórico A Inteligência Artificial (IA) não é recente, sua história inicia nos anos 40, quando surgiu alguma pesquisa em torno de seqüências de estratégia e análise do funcionamento do cérebro com objetivos de formalização de seu comportamento. Estes dois ramos de pesquisa eram dissociados, e não existia preocupação com a construção de uma Inteligência Artificial. Buscava-se apenas, novas alternativas de utilização do computador, ainda em projeto. Mas, com o passar dos anos, foram sendo distinguidas duas linhas de pesquisa: uma biológica calcada no funcionamento do cérebro e dos neurônios; e outra, fruto do estudo da cognição, do raciocínio [BARRETO, 2001]. Abordagens Baseado nos diversos campos de estudo que ajudaram na fundamentação dos princípios teóricos da inteligência artificial surgiram duas abordagens: - Abordagem Cognitiva - Também denominada de descendente ou simbolista, dá ênfase aos processos cognitivos, ou seja, a forma como o ser humano raciocina. Objetiva encontrar uma explicação para comportamentos inteligentes com base em aspectos psicológicos e em processos algorítmicos. Os pioneiros dessa corrente foram Jonh McCarthy, Marvin Minsky, Newell e Simon. As primeiras modelagens da inteligência surgiram na década de 50 e tiveram como base as regras de produção e a lógica dos predicados. A formalização da lógica facilitou o processo de formalização e representação dos conhecimentos a serem utilizados pelos programas de computador. Inicialmente, esses conhecimentos se restringiram aos esquemas de raciocínios para jogos, aplicações matemáticas e para simuladores. - Abordagem Conexionista - Também denominada de biológica ou ascendente, dá 120

3 ênfase no modelo de funcionamento do cérebro, dos neurônios e das conexões neurais. Os pioneiros dessa corrente foram McCulloch, Pitts, Hebb, Rosenblatt e Widrow. Em 1943, surgiu a representação e formalização matemática dos neurônios artificiais, que fez surgir os primeiros modelos de redes neurais artificiais. A corrente conexista sofreu grande impacto quando os cientistas Marvin Minsky e Seymour Papert publicaram, em 1969, o livro Perceptrons, no qual criticaram e sustentaram que os modelos das redes neurais não tinham sustentação matemática suficiente que lhes permitissem atribuir alguma confiabilidade. Apesar das pesquisas nesta área não terem parado, apenas na década de 80, o físico e biólogo do Instituto de Tecnologia da Califórnia, Jonh Hopfield conseguiu recuperar a credibilidade da utilização das redes neurais [OLIVEIRA, 2002]. Campos de Aplicação Existem vários campos de estudo dentro da IA com o propósito de dotar a máquina de capacidade de raciocínio, aprendizado e autoaperfeiçoamento. Veja a seguir alguns exemplos práticos do uso da IA, nos quais podem ajudar a compreendê-la melhor. - Processamento de Linguagem Natural: É o estudo voltado para a construção de programas capazes de compreender a linguagem natural (interpretação) e gerar textos. A Geração de Linguagem Natural é a produção de textos por um programa a partir de um conteúdo semântico representado internamente no próprio programa. Objetiva aperfeiçoar a comunicação entre as pessoas e os computadores [OLIVEIRA, 2002]. - Robótica: É o campo de estudo voltado ao desenvolvimento de métodos para construção de máquinas que possam interagir com o meio (ver, ouvir e reagir aos estímulos sensoriais). A expressão robô vem do tcheco robota, significa trabalhador e foi criada por Karel Capek em O primeiro robô industrial do mundo, batizado de UNIMATE, surgiu em 1962 [OLIVEIRA, 2002]. - Ensino: No processo de ensino têm-se três atores: o professor, o aluno e a matéria a ser ensinada. A incorporação de técnicas de IA visaram à adaptação do professor, de forma que, a partir da observação dos erros do aluno, ele pudesse modificar sua maneira de ensinar, melhorando assim, o processo de ensino [BARRETO, 2001]. - Diagnóstico: É o processo de encontrar um defeito em um sistema. Talvez esta seja uma das mais populares aplicações dos Sistemas Especialistas, principalmente no domínio médico, popularizado por um dos primeiros Sistemas Especialistas construídos, o programa Mycin. Convém lembrar que diagnóstico automático, mediado por computador, provocou inicialmente uma violenta reação por parte dos profissionais da área. Com efeito, declarar que um sistema de computação pudesse reunir o conhecimento de vários médicos e, em conseqüência com melhor desempenho de um único profissional, certamente levaria a uma reação negativa. Atualmente, estes mesmos sistemas, são apresentados como ferramentas de auxílio ao diagnóstico médico e sua aceitação vem progressivamente aumentando [BARRETO, 2001]. Aprendizado O aprendizado abrange uma ampla escala de fenômenos. De um lado, tem-se o refinamento de habilidades, que defende que em geral, as pessoas melhoram a execução de tarefas através da prática. No outro lado, tem-se a aquisição de conhecimento, que defende que os sistemas de IA dependem fortemente do conhecimento, que é normalmente adquirido através da experiência. O estudo e a atividade de modelar o processo de aprendizado e suas múltiplas manifestações são as principais metas de AM. Sistemas de AM são aqueles capazes de extrair conhecimento de novos dados. Eles devem ter a habilidade de não apenas adquirir conhecimento de forma acumulativa, mas também de absorvê-lo [MONARD, 1997]. 121

4 Aprendizado de Máquina (AM) Aprendizado de Máquina é fundamental em IA e sua metodologia tem se desenvolvido de acordo com os principais interesses do ramo. Em resposta às dificuldades de codificar volumes de conhecimento sempre crescentes em modernos sistemas de IA, muitos pesquisadores têm voltado sua atenção para AM como meio de vencer o gargalo da aquisição de conhecimento. O processo de aprendizado inclui a aquisição de novos conhecimentos, o desenvolvimento das habilidades motoras e cognitivas através de instrução e prática, a organização de novos conhecimentos em geral ou de formas efetivas para representar o conhecimento, e a descoberta de novos fatos e teorias por meio de observações e experimentações. O estudo e a modelagem computacional dos processos de aprendizado em suas múltiplas manifestações constituem o principal objetivo do AM. Paradigmas do Aprendizado de Máquina Em [ARAÚJO, 2004], é feita a distinção entre alguns paradigmas de aprendizado, ou seja, entre formas com que novo conhecimento é adquirido. Resumidamente, esses paradigmas de aprendizado podem ser: - Simbólico: Os sistemas de aprendizado simbólico buscam aprender construindo representações simbólicas de um conceito através da análise de exemplos e contraexemplos desse conceito. As representações simbólicas estão tipicamente na forma de alguma expressão lógica, árvore de decisão, regras de produção ou rede semântica [MONARD, 1997]. - Estatístico: Faz uso de medidas estatísticas para encontrar uma boa aproximação do conceito induzido como método de classificação. As técnicas estatísticas costumam ser empregadas em tarefas em que todos os atributos possuem valores contínuos ou ordinais [ARAGÃO,2004]. - Baseado em Instâncias: Técnica que utiliza exemplos armazenados para classificar um novo objeto. É possível classificar novas instâncias apenas baseando-se em exemplos, sem haver a preocupação em generalização para futuras instâncias. Há vantagens neste método para casos onde o conceito a ser aprendido é bastante complexo, mas pode ser descrito como uma coleção de aproximações locais [ARAÚJO, 2004]. - Conexionista: Sistemas matemáticos relativamente simples inspirados no modelo biológico do cérebro humano (Redes Neurais). O conhecimento fica armazenado nas conexões estabelecidas entre os neurônios da rede e que são ajustados durante o processo de treinamento. Essa abordagem é muito utilizada em processamento sensorial, como reconhecimento de voz e visão [ARAGÃO,2004]. - Genético: É derivado do modelo evolucionário de aprendizado. Um classificador genético consiste de uma população de elementos de classificação que competem para fazer a predição. Elementos que possuem desempenho fraco são descartados, enquanto os elementos mais fortes proliferam, produzindo variações de si mesmos [MONARD, 1997]. Sistemas Especialistas Definidos de forma simplificada, os sistemas especialistas, ou sistemas baseados em conhecimento, são programas de computador capazes de analisar dados de uma maneira que, se tivessem sido realizadas por um ser humano, seriam considerados inteligentes. Eles são caracterizados por [WIDMAN,1998] como sistemas que utilizam lógica simbólica, ao invés de cálculos numéricos; incorporam uma base de conhecimento explícita; e possuem a capacidade para explicar suas conclusões. Os sistemas especialistas podem ser úteis de dois modos diferentes: - Apoio à decisão - o sistema ajuda o tomador de decisões experiente a lembrar-se de diversos tópicos ou opções, que se considera que ele saiba, mas que possa ter esquecido ou ignorado. Este é o uso mais comum em medicina. - Tomada de decisão - toma a decisão 122

5 no lugar de uma pessoa, pois isso implicaria algo que está acima de seu nível de treinamento e experiência. Este é o uso mais comum em muitos sistemas industriais e financeiros, mas também já existe em medicina. Como está ilustrado na Figura 1, um sistema especialista é composto dos seguintes módulos [WIDMAN,1998]: - Base de conhecimento: armazena o conhecimento especializado que será utilizado nas decisões, pode ser estruturado e codificado de diversas maneiras; - Base de dados padrão: armazena a definição do vocabulário a ser usado, termos, frases, elementos de diagnóstico e tratamento, etc. Pode conter também dados de pacientes individuais. - Mecanismo de inferência: é um algoritmo, capaz de elaborar as conclusões a partir dos dados fornecidos pelo usuário do sistema, e do conhecimento armazenado em suas bases. - Interface do usuário: tem por objetivo realizar o diálogo entre o usuário e o sistema. Em muitos casos, é capaz de entender frases em linguagem natural. Desenvolvimento de um Sistema Especialista em Medicina A escolha do tema e da área da ciência para o desenvolvimento do trabalho teve duas motivações. A primeira foi a aquisição de conhecimento no uso de técnicas de Inteligência Artificial uma vez que esta é uma área que ainda necessita muita pesquisa para atingir seu ápice e esses recursos têm potencial de trazer inovações tecnológicas fantásticas para vários ramos da ciência e para a sociedade. A segunda foi a criação de um meio moderno, eficaz, prático, rápido e econômico que possibilite, tanto a leigos como profissionais da área médica chegar ao diagnóstico e conseqüente ao tratamento com o especialista da área médica mais adequada. Com isso, têm-se a economia de tempo e dinheiro para as entidades, particulares ou governamentais, na área de assistência à saúde. Do ponto de vista dos pacientes, a facilidade de se chegar mais rapidamente ao profissional especializado ao mal que o aflige é crucial. O paciente obterá, além da economia de tempo e dinheiro - sem exames e medicamentos desnecessários, a possibilidade de cura quando esta depender da precocidade do diagnóstico. Sem contar que o paciente terá menos estresse e, portanto, a credibilidade no sistema aumenta. Para o desenvolvimento do projeto, foi necessária a realização da análise dos requisitos de sistema. Esta análise foi feita através da consulta de uma profissional da área médica que também participou do desenvolvimento de todas as etapas do projeto. Definiu-se o uso da linguagem C para a implementação do sistema pela facilidade de manipulação de grandes volumes de dados. Ficou definido que o sistema devia ser capaz de ler uma amostra de casos reais. Essa amostra tratava-se de um conjunto de registros de pacientes. A partir desta leitura, o sistema deveria processar os dados para que, em uma consulta futura, pudesse fornecer a especialidade médica à qual o paciente devesse ser encaminhado. Observa-se que ao indicar a especialidade o sistema não foi informado do diagnóstico, porém, ele indicou a especialidade de forma coerente aos sintomas comuns aos diagnósticos de sua base de dados. Definiu-se que o registro do paciente para a leitura da base de conhecimento deveria possuir dezessete atributos alem da especialidade médica que o mesmo foi consultado. Dentre estes 123

6 atributos, um é para a idade, outro para o sexo, e quinze são para diferentes sintomas possíveis que o paciente apresentou ou não. A seguir é feita a descrição dos componentes (programas) utilizados no sistema: Insere: O programa Insere é responsável por gerar ou atualizar um arquivo de conhecimento, denominado pelo sistema como IA0, mas que pode ser criado com qualquer nome que o usuário desejar. Em sua primeira interação com o usuário o programa fornece a opção de criar um novo arquivo de conhecimento ou atualizar um já existente. Nos dois casos é aberto o arquivo de conhecimento e armazenado nele os dados referentes ao registro do paciente, inclusive à especialidade médica ao qual ele foi encaminhado. Tccia: Este componente é o mais complexo e cumpre a etapa mais importante da funcionalidade do sistema. Ele é responsável por gerar o arquivo que será utilizado para as consultas de indicação de encaminhamento médico. Este programa foi desenvolvido e estruturado da seguinte forma: Primeiro é solicitado ao usuário o caminho do arquivo de conhecimento (IA0) que será lido. O conteúdo deste arquivo é armazenado em uma lista ligada através de alocação dinâmica de memória em função da não previsibilidade da quantidade de registros que o arquivo de conhecimento contém. Esse arquivo é também copiado para um novo arquivo (IA1) que tem nome e destino determinados pelo usuário, com o objetivo de servir de cópia de segurança do conhecimento lido por se tratar de conteúdo importante e que pode ser utilizado ao longo do programa. Após a leitura desses arquivos, dois outros são criados mediante nome e caminho mais uma vez determinados pelo usuário. O primeiro deles (IA2) conterá após sua criação, todas as combinações possíveis de registros para os atributos dados. Após a conclusão de cada regra, o segundo arquivo (IA3) terá armazenado em cada registro a especialidade e a respectiva regra que a gerou. Depois que os arquivos são criados eles são analisados considerando seis regras que foram desenvolvidas de forma a maximizar a proximidade do resultado à realidade, considerando que análise e o processamento dos dados serão executados por um computador. O processamento das diferentes regras difere apenas pela quantidade de atributos tratados. Seu funcionamento foi dividido em quatro etapas como segue: 1ª) Para o número de atributos considerados na regra, é criada uma lista local para a função regra com todos os registros do conhecimento; 2ª) Nesta etapa, a lista é lida e apenas os registros diferentes são mantidos; 3ª) É feita a análise de cada registro, obtendo todas as especialidades presentes neles e suas respectivas freqüências. Define-se para cada um a especialidade que deverá ser utilizada adotando-se, nesta respectiva ordem, o critério das que ocorreram mais vezes no registro tratado, mais vezes em todo o conhecimento e por prioridade médica; 4ª) A última etapa abre o arquivo que contêm todos os registros possíveis, procura o registro analisado, guarda sua posição e escreve no arquivo de consulta (IA3), além da sua posição, especialidade e regra em questão nesta seqüência. Como mencionado anteriormente, existem seis regras que são processadas e que diferem apenas pela quantidade de atributos envolvidos. A primeira regra é executada sem os dois atributos de menor freqüência, quanto à ocorrência dentro de todos os registros existentes no conhecimento lido, que são descartados por não serem decisivos para se determinar uma especialidade. A segunda regra funciona como a primeira e têm mais dois atributos excluídos, a terceira é igual à segunda sem mais três atributos. A quarta, a quinta e a sexta regras obedecem ao critério da terceira, ou seja, acumulam os mesmos atributos excluídos mais três conforme o processo de exclusão. O processo de exclusão é definido através da freqüência da ocorrência dos atributos ao longo de toda a amostra de conhecimento, sendo que o descarte dos mesmos dentro das regras é 124

7 feito do menor para o maior em relação à quantidade de ocorrências positivas. Consulta: O programa de consulta carrega ao ser iniciado os arquivos (IA2) e (IA3), que contêm respectivamente todos os registros possíveis e a combinação posição do registro/ especialidade/regra geradora em seus conteúdos. Após ambos os arquivos serem carregados, é feita a leitura dos dados de um paciente qualquer que serão digitados pelo usuário, e que resultaram em um novo registro. Este novo registro é procurado no arquivo IA2, para que possa ser encontrada sua posição. Depois de definida a posição do registro, o arquivo IA3 é aberto para leitura e passa a ser pesquisado pela posição encontrada para o registro. Cada vez que a posição é encontrada, são escritas na tela a respectiva especialidade e regra geradora. A partir deste momento, o usuário estará apto a indicar a especialidade médica (saída) em função do registro (entrada) do paciente. Testes do Sistema Desenvolvido Durante o desenvolvimento do sistema foram realizados diferentes testes para a verificação do atendimento aos requisitos especificados. Verificou-se que o tempo de execução do programa responsável pela geração do arquivo de consulta é longo: varia de uma hora e meia a cinco horas dependendo dos recursos da máquina e do tamanho do arquivo de conhecimento lido. Considerou-se adequado o tempo gasto devido à importância de se gerar arquivos de consulta consistentes, e também porque seria necessário o acréscimo de uma quantidade de registros que fosse significativa na base de conhecimento para que fosse justificável a criação de um novo arquivo de consulta. Assim, a execução desse programa será feita após longos intervalos de tempo, período necessário para acumular novos registros. Os testes realizados também indicaram que conforme aumenta a base de conhecimento, a taxa de precisão e a taxa de erros aumentam. Observe que mesmo com o aumento de erros chegou-se a resultados significativos porque a taxa de precisão é a medida mais importante, essa medida se aproxima muito da realidade na área médica. Na tabela da Figura 2 estão os resultados dos testes realizados. Dentre as entradas feitas existiam 39 casos reais. Conclusão Os principais obstáculos para desenvolvimento de sistemas especialistas para aplicações médicas são: - A tarefa de emitir diagnóstico dos profissionais da medicina é complexa devido às singularidades dos pacientes e a incerteza dos dados clínicos disponíveis; - A margem de erro aceitável é pequena devido a questões éticas e riscos legais; - Não há escassez de especialistas humanos; - As exigências de certificação obrigatória dos programas (FDA) desencorajam a comercialização de sistemas. Os fatores que favorecem uma disseminação crescente de tecnologias de sistema especialistas são: - Avaliação do custo versus a eficácia de 125

8 atendimento médico pagos per capita; - Aumento da qualidade na assistência ao paciente; - Diminuição das barreiras técnicas (acesso disseminado à Internet, aumento no conhecimento básico de informática pelos usuários médicos, disponibilidade de computadores mais poderosos e mais baratos). Trabalhos Futuros O sistema desenvolvido poderia ser adaptado para aplicações em outras áreas. Um exemplo seria a aplicação no gerenciamento de redes de computadores. Existem muitas semelhanças nos critérios usados para se obter um diagnóstico médico e um diagnóstico sobre o funcionamento inadequado de uma rede ou qualquer outro sistema de computação: baseado nos sintomas e no resultado de alguns testes ou exames, chega-se a um diagnóstico. Para que a aplicação desenvolvida seja usada no gerenciamento de redes torna-se necessário construir uma base com quantidade significativa de dados. Assim, com base em casos anteriores, o sistema especialista poderia apresentar um diagnóstico do funcionamento da rede. Este diagnóstico poderia então disparar um procedimento de recuperação automática para reconfiguração da rede. Press, Cambridge, Massachusetts LEMOS, D., SCHNEIDER, E., MATEUS, F., SPECK, H., NEITZEL, L., LINCHO, P., KAPAZI, R. Reflexões sobre a inteligência artificial e a consciência Disponível em: < Sparta/1350/ia/raizes.html>. LEVINE, R. I. e Outros. Inteligência Artificial e Sistemas Especialistas, Aplicações e Exemplos Práticos. São Paulo, McGraw-Hill, LUGER, G.F; STUBBLEFIELD, W.A. Artificial Intelligence : Structures and Strategies for Complex Problem Solving. Benjamim/Cummings, Redwood City, California, second edition MONARD, M., BATISTA, G., KAWAMOTO, S., PUGLIESI, J. Uma Introdução ao Aprendizado Simbólico de Máquina por Exemplo. USP, São Carlos, SP, Brasil, Disponível em: < labic.icmc.sc.usp.br/didatico/postscript/ml.html>. OLIVEIRA, C. P. M. Inteligência Artificial - O que é? Disponível em: < pef411/~cristiano%20oliveira/cristianooliveira/ Paginas/InteligenciaArtificial.htm>. OSÓRIO, Fernando. Redes Neurais - Aprendizado Artificial. Fórum de IA, Disponível em: < RICH, E; KNIGHT, K. Artificial Inteligence. 2. ed. New York. McGraw-Hill, New York SCHALKOFF, R.J. Artificial Intelligence: An Engineering Approach. McGraw-Hill, New York WIDMAN, L. E. Sistemas Especialistas em Medicina Disponível em: < informaticamedica/n105/index.html>. WINSTON, Patrick H. Inteligência Artificial. São Paulo: Livros Técnicos e Científicos, Referências Bibliográficas ARAGÃO, A. L. Utilização de aprendizado de máquina para a adaptação de estruturas em hipermídia adaptativa. USP, São Carlos, Disponível em: < tde >. ARAÚJO, R. M. Computação Evolutiva aplicada ao Aprendizado de Máquina. Porto Alegre, Disponível em: < ricardo/pesquisa/trabalhos/ ti_ufrgs_ricardoaraujo.pdf>. BARRETO, J. M. Inteligência artificial no limiar do século XXI. 3 ed. Florianópolis, CHERNIAK, E. & MCDERMOTT, D. Introduction to Artificial Intelligence. Addison-Wesley, Massachusetts, COIERA, E. W. Artificial Intelligence in Medicine Disponível em: < KURZWEIL, R. The age of Intelligent Machines. MIT 126