Proposta de um Sistema Multiagentes para Acompanhamento de Pacientes Crônicos

Transcrição

1 Proposta de um Sistema Multiagentes para Acompanhamento de Pacientes Crônicos Leandro Ramos da Silva 1, Márcia Ito 1 1 Laboratório de Pesquisa em Ciências de Serviços (LaPCiS), Centro Estadual de Educação Tecnológica Paula Souza (CEETEPS), Brasil Resumo Este artigo propõe um Sistema de Informação baseado na tecnologia Multiagentes para Acompanhamento de Pacientes Crônicos. Sistemas Multiagentes são frutos da inteligência artificial distribuída projetados para atender domínios complexos de problemas. A aplicação da tecnologia Multiagentes ao acompanhamento e monitoramento de pacientes crônicos tem por objetivo facilitar a implementação do sistema de informação sem perder a capacidade de atuar de forma distribuída (em diversas unidades de saúde) e de atuar de forma autônoma (de acordo com o estado do paciente). Palavras-chave: Informática Médica, Sistemas Multiagentes, Pacientes Crônicos, Ciências de Serviços. Abstract This article proposes an Information System based on the Multiagents technology for Attendance of Chronic Patients. Multiagents Systems are a result of distributed artificial intelligence and are projected to heed complex domains of problems. The application of the Multiagents technology to the attendance and monitoring of chronic patients intends to facilitate the implementation of the information system without losing the capacity of acting in a distributed way (in several health units) and of acting in an independent way (according to the patient s condition). Key-words: Medical Informatics, MAS, Chronic Patient, Services Science. Introdução Um dos problemas na atualidade com relação à prestação de serviços de saúde está relacionado à falta de percepção de qualidade por parte dos pacientes [1]. Uma possível causa é apontada em [1] ao considerar que muitas operadoras no ramo tendem a achar que a redução de custos nos casos gerais pode criar um sistema de saúde de baixo investimento e bom valor agregado. Mas tal afirmativa é refutada quando se analisa os dados de retorno de investimento sobre as aplicações em saúde, que são de aproximadamente U$ 2,40 a U$3,00 para cada dólar investido no setor. Apesar de diversas áreas se beneficiarem dos recursos que as novas tecnologias podem oferecer [2] [3], o investimento em inovação no setor de saúde é ainda baixo comparado com outros setores da economia, deixando subrepresentadas as pesquisas em estrutura, organização, processos e mensuração da prestação de serviços de saúde, explicando porque erros na área da saúde são maiores se comparados a outros setores [1]. Além disso, organizações como a OMS afirmam que a tecnologia da informação tem papel-chave neste aumento da qualidade do sistema de saúde [4] e estão interessadas em utilizá-la para apoiar, expandir ou aumentar a qualidade dos cuidados e serviços aos pacientes [5][6], e difundem conceitos como [7] home care - serviço de atendimento ao paciente em sua própria casa, ou home telecare, que utiliza os recursos da tecnologia da informação ou ainda Telemedicina e E-saúde Uma das áreas de investimento fomentada por tais organizações relacionadas com a saúde se refere às doenças crônicas, uma vez que com o crescente aumento da incidência de doenças crônicas, como a hipertensão arterial e o diabetes mellitus, a OMS vem se preocupando com as questões relacionadas ao acompanhamento e ao monitoramento de pacientes crônicos, tendo identificado inclusive seus impactos econômicos e sociais [8][9]. A necessidade de inovação neste setor é latente quando se ressalta que o modelo tradicional de acompanhamento do paciente crônico, por meio de consultas em clínicas, ambulatórios e postos de saúde, pode ser otimizado para melhor atender a comunidade, maximizar a utilização de recursos e de médicos e minimizar as despesas em clínicas e hospitais [9]. Isso também faz com que seja percebida a melhora nas condições de saúde durante todo o ciclo do tratamento [1]. Desta forma, a qualidade da prestação de serviços passa a ser um valor sensível aos pacientes, sendo muito bem vindas abordagens inovadoras que, apesar de mais caras, aumentam a expectativa de vida do paciente ou fazem com que o mesmo consiga conviver de forma mais harmoniosa com a doença. [1] Uma proposta já realizada com o objetivo de melhorar a qualidade de vida de pacientes

2 crônicos por meio de sistemas de telemedicina é o modelo Gestão do Relacionamento com o Paciente Crônico (GRPC) [9]. Criado com o intuito de aumentar a qualidade de vida de pacientes crônicos e outros envolvidos como médicos e familiares, propõe um acompanhamento efetivo e adequado a todas as camadas populacionais. Isso através da criação de diversas centrais de relacionamento com o paciente crônico, inspirando-se no modelo Customer Relationship Management (CRM). O modelo de Gestão do Relacionamento do Paciente Crônico (GRPC) [9] adapta os conceitos do Customer Relationship Management (CRM) no acompanhamento e monitoramento dos pacientes, e propõe aumentar a aderência dos mesmos ao seu tratamento. Os componentes do modelo são uma adaptação das estratégias do CRM e estão ilustradas na figura 1. Monitorar a Glicemia para iniciar o desenvolvimento do sistema de informação que fornece o suporte a CMD. Este sistema de informação foi denominado TeleDM [9]. A necessidade do uso da Tecnologia de Agentes para implementação do TeleDM é ressaltada em [9], uma vez que considera complexo o domínio de negócio do sistema. Um exemplo é o sistema de apoio à decisão do processo Monitorar a Glicemia. Segundo [10] a Tecnologia de Agentes surgiu da evolução da IAD que por sua vez surgiu a partir da solução de problemas. Apesar da simplicidade do conceito, não existe um consenso entre os autores sobre a definição de agente [11] [12]. Para a arquitetura proposta neste trabalho, utilizaremos a seguinte definição de [12]: Um agente é um sistema computacional que está situado em algum ambiente e que é capaz de ações autônomas neste ambiente de modo a alcançar os seus objetivos. Figura 1 Componentes adaptados do CRM para o modelo GRPC[9] O componente operacional é responsável pela consolidação dos dados coletados nos diversos níveis de interação com o paciente, enquanto que o componente colaborativo engloba os canais de comunicação em que é possível uma interação direta. Finalmente, o componente analítico realiza a análise dos dados através de funções nos níveis estratégicos, táticos e de inteligência do atendimento personalizado ao paciente [9]. De forma a operacionalizar o modelo de Gestão de Relacionamento com Paciente Crônico (GRPC), é proposto em [9] uma Central de Relacionamento com Pacientes Crônicos (CRC) que é composta pelos três componentes citados anteriormente. De forma a viabilizar o projeto foi proposta uma Central de Monitoração de Paciente Diabético (CMD) com a definição de processos para implementação do modelo GRPC para diabéticos e apresentados na Figura 2. Dentre estes processos elegeu-se o processo Figura 2 Funcionalidades da central de relacionamento de pacientes crônicos [9] Assim definido o TeleDM, [9] projetou os agentes do sistema e em seguida definiu objetivos (desires, desejos) e planos para cada um desses objetivos e os atribuiu aos agentes. Tais planos detalhados em [9] foram largamente utilizados nesse trabalho como prova de conceito de suporte à Central de Monitoração de Diabéticos (CMD) do modelo de Gestão do Relacionamento com Pacientes Crônicos (GRPC). No entanto, a definição de responsabilidades entre agentes, comunicação, ativação de planos, racionalização e outras características dos agentes são específicas deste trabalho e serão detalhadas nos capítulos seguintes. Objetivos O objetivo principal da proposta é viabilizar a interação informatizada no sistema de

3 monitoração primária da Central de Relacionamento com Pacientes Crônicos (CRC) do modelo de Gestão do Relacionamento com Pacientes Crônicos (GRPC). Para isso, torna-se necessário integrar neste modelo uma arquitetura que utilize Inteligência Artificial Distribuída sob o paradigma de Orientação a Agentes. Isto significa esconder a complexidade agregada para criar novos papéis de agentes, introduzir novos modelos de conceitos para cada agente criado de maneira que exista uma nova forma de gerenciar toda a execução do sistema. Metodologia A pesquisa se deu inicialmente pelo estudo do exemplo elaborado em [9] ao desenvolver a Central de Monitoração de Diabéticos (CMD) e o protótipo do software de monitoração primária que compõe a infraestrutura tecnológica com funcionalidades mínimas, protótipo então denominado TeleDM. Em seguida, o protótipo foi avaliado nos seguintes quesitos técnicos: facilidade de implementação de novos cenários, disponibilidade, gerenciamento da sociedade, aderência aos padrões mais atuais de SMAs para interoperabilidade e potencial para integração com sistemas não SMA. Após o estudo, optou-se por utilizar a arquitetura OpenSource JADE [13] para a implementação do sistema. A arquitetura JADE utiliza padrões de comunicação amplamente divulgados e testados na implementação de agentes, o que no futuro auxiliará na integração com outros sistemas. Assim, foi possível estabelecer um plano de ação para a adaptação da arquitetura JADE utilizando seus artefatos pré-existentes, como Agent Management System, FIPA Compilant language, conceito de comportamento e conceito de ontologia. De posse de todos esses artefatos, começou-se o desenvolvimento efetivo do software, que se encerrará após os testes com validações relevantes como desempenho e usabilidade. Resultados O problema deste sistema está então em definir uma arquitetura que utilize o paradigma de orientação a agente que suporte aplicações leves, portáteis e que agreguem o conceito de Inteligência Artificial Distribuída para a resolução de problemas no complexo domínio do acompanhamento de pacientes crônicos. Mas para essa implementação deve-se observar que segundo [14] muitos sistemas têm sido construídos baseados exclusivamente em requisitos técnicos, deixando a arquitetura implícita no resultado final [14] [15]. Por estas razões, seria indesejável que nesse projeto, cujo objetivo final é a expansão, a arquitetura do projeto não fosse fácil de manter. Assim, a idéia de se abordar o problema com a orientação a agentes, por si só, não seria suficiente se os benefícios da orientação a agentes não fossem aparentes também para a aplicação do modelo. Os Sistemas Multiagentes são compostos por agentes inteligentes que racionalizam a respeito do ambiente em que executam e de suas intenções (ou vontade de agir). Por se considerar demasiadamente complexa a manipulação de agentes cujas intenções são racionalizadas, os agentes propostos não são capazes de racionalizar sobre suas intenções, sendo assim de certa forma benevolentes [16]. Na solução proposta os agentes não racionalizam sobre seus desejos, ficando assim em uma posição de atingir a objetivos específicos, sem saber o quanto determinado objetivo vai ou não agradá-lo. Nesta proposta a introdução dos conceitos de acompanhamento de pacientes crônicos a ser transmitida dos médicos para os agentes deve ser feita de maneira simples. É então na racionalização (mecanismo de comportamento dos agentes do modelo GRPC/SMA) que está o ponto central da arquitertura SMA proposta. A existência de dois aspectos de solução de problemas distribuídos que são Sistemas Multiagentes e Resolução distribuída de problemas foram estudadas. A proposta realizada foi abstrair toda a racionalização para fora dos Agentes e concentrá-las em papéis que são atribuídos para agentes dummies através de um agente especial de alocação broker. No Pratical Reasoning Agents [12] o agente delibera sobre as suas crenças (beliefs) chegando a um objetivo (goal, desire) e após decidir o que vai fazer monta seu plano (intention). Essa técnica se chama BDI (beliefdesire-intention), permitindo a um agente pensar tendo apenas parte do conhecimento, sem conhecer todos os outros agentes e o ambiente como um todo [17] [18]. Segundo [19], a deliberação prática de planejar está centrada justamente na existência de beliefs (crenças), idéias pré-existentes [12], e desires (desejos), como gostaria que o ambiente ficasse após a execução. Porém, segundo [12], a deliberação com base em beliefs (o termo original é intentions, porém em [12] este termo é utilizado somente para designar beliefs, estados da mente, e não ação como outros autores) deve ser comedida, pois os recursos computacionais são limitados, e o agente não pode deliberar eternamente. De acordo com [12]: As intenções não podem persistir por muito tempo. Pode-se citar um exemplo de um caso de atendimento ao paciente em um sistema BDI em que o agente poderia ter crenças conflitantes,

4 como acreditar na identificação dada pelo paciente, ou não acreditar dada a forma que ele digitou. E partindo daí ter objetivos diferentes de atendimento ao paciente. Mas para o SMA/GRPC, dado o exemplo citado, o Agente acredita na interação com o usuário. Assim, nossos agentes não deliberam sobre beliefs, apenas deliberam sobre os desires (objetivos) chegando a intentions (ações), nunca precisando selecionar um entre vários objetivos, relembrando a colocação de [20] de que um agente deve acima de tudo agir e não só deliberar: nós queremos construir atores inteligentes, e não pensadores inteligentes. A agência baseada em papéis limita-se a conhecer os diversos planos existentes a serem alocados a diferentes agentes por um agente especial denominado broker, uma vez que tratamos de agentes benevolentes RDP [16], disponibilizando a correspondência de um conjunto de planos para um objetivo e por papel. Assim, a agência disponibiliza um mecanismo a partir do qual pudessem ser criados diversos tipos de agentes com a mesma facilidade. O plano é setado no setup de cada agente. Para criação do plano, o lado cliente (ou seja, o agente) apenas precisa utilizar uma espécie de lista (hashtable) criando comportamentos. No caso do SMA/GRPC o ambiente é representado por Objetos e se relaciona com a lógica racional dos agentes explicada através de uma interface única que automatiza o armazenamento de qualquer informação proveniente do contato com usuário, com outros agentes ou outros sistemas. Os Agentes seriam responsáveis pela prestação do serviço, e assim não faria sentido colocar as informações dentro do Agente. As informações ficariam nos objetos para não sobrecarregar o Agente [9]. Notando esta lacuna, [21] propõe em seu trabalho a utilização da tecnologia de orientação a objetos para implementar o ambiente dos agentes. A partir dessa proposta, aplicou-se neste trabalho o paradigma da orientação a objetos para o desenvolvimento do ambiente físico do sistema TeleDM. Assim, toda vez que perguntas são emitidas para o usuário, as respostas passam a fazer parte do ambiente do agente. Tudo isso é criado dinamicamente pelas classes Pergunta, Identificação e Escolha sendo utilizadas pela classe Plano. A Classe Pergunta é a classe de comportamento de interação com o usuário, pois armazena respostas obtidas do mundo exterior ao agente. O agente informa para seu plano qual é a entidade do ambiente relacionada com a pergunta e o plano cria automaticamente essa entidade armazenando no ambiente do agente (Agente.class variável ambiente) A Classe Identificação é um tipo especial de pergunta. O Agente localiza pelo status 01 na pergunta e o plano já sabe que essa entidade vai ser utilizada como chave do ambiente do agente. Ou seja, todas as perguntas que seguem uma identificação passam a integrar a coleção de respostas identificadas por ela. A identificação fica ativa e encabeça todas as respostas que se seguem até que uma nova chave seja encontrada (definição do atributo clienteativo na classe Agent pela classe Identificação) Por fim, a proposta de estudo e aplicação de um padrão de comunicação advém da necessidade de garantir a interoperabilidade entre os agentes e prover uma maneira de mantê-la. Por essa razão foram estudados métodos de comunicação como os citados em [9]: Hunhs & Stephens, FIPA, JADE e Retsina, e optou-se pelo FIPA Contract-Net. Os agentes da proposta SMA/GRPC realizam a comunicação através de um diálogo baseado em CNET, implementado na plataforma Jade, mas customizado para o modelo já que os Agentes do modelo não consideram diferentes pesos para selecionarem os proponentes, ao invés disso estes compartilham conhecimentos acerca de comunicação que são encontrados nas classes PropostaServer e ContratoServer. o ServerContract.class responsável por receber as propostas de trabalho o ServerProposal.class A cada 10 segundos verifica se possui um trabalho novo. Caso o tenha, adiciona uma ordem para procurar por um prestador a cada 20 segundos. Com a arquitetura definida, os agentes dos sistemas foram criados: o diabetologista, o atendente e o enfermeiro. O agente atendente é responsável por atender um indivíduo que entre em contato com a central, definir o tipo de atendimento e buscar pelo agente que realiza o serviço solicitado. O agente enfermeiro é responsável por coletar o valor da glicemia, requisitar o serviço de análise do resultado a outro agente e informar o resultado e a orientação fornecida. O agente diabetologista, com as informações fornecidas pelo agente enfermeiro, analisa-as e fornece as orientações a serem dadas ao paciente. Se necessário, interage diretamente com o usuário do sistema para coletar dados adicionais. Sendo o ambiente destes agentes composta por classes da orientação a objetos, as seguintes classes foram implementadas: o Contato Registra os contatos feitos por alguém junto à central;

5 o Endereço Representa o endereço completo da pessoa. Uma pessoa pode encontrar-se em mais de um endereço; um médico, por exemplo, que pode ter como referências a clínica e o hospital em que atende; o Lista Paciente Contém a lista de pacientes que são atendidos pela central; o Médico Controla as informações relacionadas ao médico do paciente; o Glicemia Registra os dados de monitoração da glicemia do paciente; o Paciente Controla as informações do paciente; o Telefone Representa os números de telefones para contato Conclusões Segundo [22] e [9], sistemas orientados a agentes são indicados para soluções de telemedicina por sua capacidade de resolver problemas complexos, mas por outro lado, conforme [23], tais sistemas possuem uma complexibilidade arquitetural intrínseca. Tendo em vista que sistemas complexos geralmente são de difícil adaptação e podem inviabilizar a implementação de novas funcionalidades, é de grande interesse reduzir a complexidade arquitetural de sistemas orientados a agentes para subsidiar a aplicação em casos reais. Para suportar esta solução, quatro conceitos são resgatados e implementados. São eles: SMA com o ambiente físisco representado por Objetos para armazenamento de dados (e uma estrutura estável de comunicação) configurado em tempo de execução com a utilização do conceito de agente tipo Broker aplicado a uma agência baseada em papéis (para facilitar introdução de novos conceitos) e a proposição de um framework de racionalização (para resolução facilitada de problemas complexos). Com esse trabalho espera-se viabilizar tecnicamente a expansão do modelo GRPC com o sistema SMA/GRPC. Além do que foi discutido em termos de retorno do investimento em apoio à saúde, esta proposta, segundo [24] vislumbra uma possibilidade de minimizar erros na compilação de dados sobre prestação e oferecer subsídio necessário à melhoria dos processos das prestadoras por meio da coleta e disseminação de informações sobre a prática dos métodos aplicados. Deste modo, pode-se até mesmo evitar desperdícios de recursos na prestação de serviços de saúde, que são visíveis [1]. Deve-se ter em mente que a arquitetura sobre a qual o sistema está implementado poderá também ser utilizada para outros domínios dentro do mesmo modelo GRPC ou até mesmo para outros modelos de softwares aproveitando-se das melhorias tanto na arquitetura como no ambiente de comunicação proporcionados pelo trabalho. Assim, ao final da implementação nota-se que as mudanças na arquitetura e plataforma facilitaram a implementação dos agentes propostos em [9]. Referências [1] Michael P, Elizabeth OT. Repensando a saúde: estratégias para melhorar a qualidade e reduzir os custos. Tradução de Cristina Bazan. Porto Alegre, [2] Manuel C. A sociedade em rede. Tradução: Roneide Venancio Majer com a colaboração de Klauss Brandini Gerhardt. 7ª. Edição. São Paulo: Editora Paz e Terra (A era da informação: economia, sociedade e cultura volume 1). [3] Herbert AS. (1996) The sciences of the artificial MIT Press. [4] WORLD HEALTH ORGANIZATION., Preparing a health care workforce for the 21st century: the challenge of chronic conditions p. Disponível em: < _report/en/>. Acesso em: 26 Jan [5] Patrick YKC, Paul JHH. Technology implementation for telemedicine programs. Communication of the ACM, New York, v. 47, n. 2, p February [6] Helena MML, Sarita A (Org.). Informação e globalização na era do conhecimento. 1ª. edição. Rio de Janeiro: Editora Campus p. [7] Branko GC, Nigel HL, Jim B. Using information technology to improve the management of chronic disease. Medical Journal Australian, (s. l.), v. 179, N. 5, p September, [8] Férial BH. Agent oriented programming with Ada'95: application to financial markets. Volume XX, Issue 1 (March 2000) table of contents. Pages: Year of Publication: ISSN: Université Paris XII., 61, avenue du GAL de Gaulle Creteil Cedex Publisher ACM Press New York, NY, USA [9] Márcia I. Um modelo de gestão de paciente crônico baseado nos conceitos de relacionamento com o cliente p. 19 (Motivações e resultados esperados), p. 30 (Principais sistemas de monitoramento de pacientes crônicos). Tese

6 (Doutorado) - Escola Politécnica da Universidade de São Paulo, São Paulo, [10] JANCA, P. C. (1995) Pragmatic application of information agents BIS Strategic Report. [11] Jaime SS. Raciocínio social e organizacional em sistemas multiagents: avanços e perspectivas p. Livre Docência (Livre Docência em Engenharia Elétrica) Escola Politécnica, Universidade de São Paulo, São Paulo, [12] WOOLDRIDGE, M. An introduction to multiagent systems. 1a. edição. (s. l.): John Wiley & Son., p. [13] Fabio B, Agostino P, Giovanni R. Jade, a FIPA-compliant agent framework. In: International Conference on Practical Application of Intelligent Agents and Multi-Agent Technology, 4., 1999, London, Proceedings p Disponível em: < > Acesso em: 21/11/2005. [14] Len B, Paul C, Rick K. Software architecture in practice. 2a. edição. (s. l.) Addison Wesley p. (SEI Series in Software Engineering) [15] Roger SP. Engenharia de software. Tradução de Mônica Maria G. Travieso, Revisão técnica de Paulo César Masiero, José Carlos Maldonado, Fernão Stella R. Germano. 5ª. Edição. Rio de Janeiro: Editora McGraw Hill p. [16] Jeffrey SR, Michael RG Deals among rationals agents. Procedings of the 9th International Joint Conference on AI. Pages [17] Donald N. Defeasible logic. Handbook of Logic in Artificial Intelligence and Logic Programming, 1994, pg Oxford University Press Jornada Iberoamericanas de Ingeniería del Software e Ingeniería del Conocimiento, 4., 2004, Madrid. Proceedings... Disponível em: < Acesso em: 21/11/2005. [22] Vincenzo DM. Agents acting and moving in healthcare scenario: a paradigm for telemedical collaboration. IEEE Transactions on Information Technology in Biomedicine, (s. l.), v. 5, no. 1, p March [23] Nicholas RJ. Agent-Oriented Software Engineering. Multi agent system engineering: proceedings of the ninth european workshop on modelling autonomous agents in a multi-agent world, pp (Lectures Notes in Artificial Inteligence,1647). [24] Leandro RS, Marcia I. Proposta de Integração das Unidades de Saúde Utilizando um Sistema Multiagente para Acompanhamento de Pacientes Crônicos. VII Workshop de Informática Médica in VI Simpósio Brasileiro de Qualidade de Software Contato Leandro Ramos da Silva Centro Estadual de Educação Tecn. Paula Souza Laboratório de Pesquisa em Ciências de Serviços R. dos Bandeirantes, Bom Retiro - São Paulo/ SP. Cep Tel: (11) / lramos@gmail.com Profaª Drª Marcia Ito Centro Estadual de Educação Tecn. Paula Souza Laboratório de Pesquisa em Ciências de Serviços R. dos Bandeirantes, Bom Retiro - São Paulo/ SP. Cep Tel: (11) / marcia.ito@centropaulasouza.sp.gov.br [18]John LP. Defeasible reasoning, Journal of Cognitive Science, 1987, volume 11, pages [19] Richmond HT, Desires and Defaults: A Framework for Planning with Inferred Goals. Principles of Knowledge Representation and Reasoning, Morgan Kaufmann, San Francisco, pages , year [20] Martha E. Pollack, The uses of plans, Artificial Intelligence, v.57 n.1, p.43-68, Sept [21] Mellyssa DMS, Juliana P, Ricardo AF. OplA: uma metodologia para o desenvolvimento de sistemas baseados em agentes e objetos. In: