Sistema de Inferência Fuzzy para Interpretação da Freqüência Cardíaca Fetal em Exames Cardiotocográficos

Transcrição

1 Sistema de Inferência Fuzzy para Interpretação da Freqüência Cardíaca Fetal em Exames Cardiotocográficos João Alexandre Lôbo Marques 1, Guilherme de Alencar Barreto 2, Paulo César Cortez 3, Francisco Edson de Lucena Feitosa 4 1,2,3 Departamento de Engenharia de Teleinformática (DETI), Universidade Federal do Ceará (UFC), Fortaleza, Ceará 4 Maternidade Escola Assis Chateaubreand (MEAC) Universidade Federal do Ceará (UFC), Fortaleza, Ceará Resumo - A análise acurada da Freqüência Cardíaca Fetal (FCF) permite o diagnóstico e a conseqüente antecipação de diversos problemas relativos ao bem estar fetal e a preservação de sua vida. O presente artigo apresenta os resultados de um sistema de inferência fuzzy para análise de sinais de FCF, coletados através de cardiotocografias. As variáveis da FCF analisadas são o valor basal e a variabilidade, enquanto que a saída do sistema é o diagnóstico de primeiro nível, baseado nas informações lingüísticas de entrada. Para isto, é desenvolvido um programa utilizando a linguagem do software Matlab 7.0. Os resultados preliminares são promissores, permitindo-se projetar o refinamento deste sistema com a inserção de novas variáveis de entrada (como aceleração, desaceleração e a entropia aproximada da FCF), assim como realizar um procedimento de validação com múltiplos especialistas na área obstétrica. Palavras-Chave: Freqüência cardíaca fetal, cardiotocografia, lógica fuzzy, diagnóstico, inteligência computacional. Abstract - The accurate analysis of the Fetal Heart Rate characteristics allows the diagnostic and the anticipation of many problems related to fetal distress and the preservation of his life. This paper presents the results of a fuzzy inference system developed to analyze fetal heart rate (FHR) signals collected by cardiotocography exams. The studied FHR parameters are basal FHR and variability, while the output is a first level diagnostics based on those fuzzy input sets. A software using the Matlab script language was developed. The preliminary results are very promising, allowing the refinement of the proposed system, inserting new input variables (like FHR acceleration, deceleration and the approximate entropy) and system validation with many obstetricians. Key-words: Fetal heart rate, cardiotocography, fuzzy logic, diagnostic, computational intelligence. Introdução A Medicina Fetal é uma área da Obstetrícia que visa monitorar e determinar ações para proporcionar o bem estar fetal. Até pouco tempo atrás as equipes médicas não possuíam equipamentos que os ajudassem a obter informações úteis e precisas sobre o estado do feto. Hoje em dia, equipamentos de alta tecnologia permitem o acesso a estas informações. Um dos principais procedimentos utilizados para esse fim consiste na aplicação de exames visuais, através de equipamentos baseados em ultra-som. Em outra vertente, estão os sistemas com sensores sonoros e tocográficos, sendo os primeiros usados para o monitoramento dos batimentos cardíacos fetais e os outros para realizar um mapeamento das contrações uterinas maternas. Esses equipamentos permitem que seja realizado um acompanhamento contínuo dos sinais fetais, tornando-se possível determinar um grande conjunto de patologias ou alterações na saúde do feto examinado [1]. O acompanhamento contínuo do sinal de freqüência cardíaca fetal (FCF) é possibilitado através do exame denominado cardiotocografia (CTG), realizado com o uso de um cardiotocógrafo. Este equipamento registra eletronicamente, de forma contínua e simultânea, além dos sinais da freqüência cardíaca fetal, a movimentação fetal e as contrações uterinas materna ou Uterine Contractions (UC). A Figura 1 traz uma amostra dos sinais de FCF e UC coletados em uma CTG. A análise destes sinais permite gerar um prognóstico com a finalidade de detectar precocemente problemas fetais, principalmente para as gestações de risco, que podem levar o feto ao óbito ou mesmo indicar a possibilidade do aparecimento de seqüelas neurológicas graves, tanto no período gestacional quanto durante o parto [2].

2 Figura 1 Sinais FCF e UC em um exame de CTG. O sinal do exame cardiotocográfico analisado neste projeto é a FCF. A partir dela, o bem estar fetal é avaliado baseado em dois parâmetros: freqüência cardíaca basal ou linha de base da freqüência cardíaca fetal e a sua variabilidade [3]. A freqüência cardíaca basal consiste na média aproximada dos valores da FCF em um segmento de 10 minutos do traçado cardiotocográfico, excluindo-se desacelerações, acelerações, períodos de acentuada variabilidade e trechos em que a variação da FCF apresente diferenças maiores que 25 batimentos por minuto. A variabilidade é definida como a oscilação da linha de base da FCF com dois componentes: de curto prazo (STV) e longo prazo (LTV). A STV é a variabilidade compreendida entre um batimento e outro, instante a instante. Na interpretação visual do traçado cardiotocográfico não é possível avaliar a STV. Atualmente, ela é possível de ser estudada através de sistemas computadorizados de análise da CTG. A LTV consiste na oscilação de longa duração ou variabilidade oscilatória, em que a FCF descreve 2 a 6 ciclos (ascensos e descensos) no decurso de 1 minuto. A definição de variabilidade, na análise visual, baseia-se na amplitude dos complexos, exceto para o padrão sinusoidal. Devido à grande diversidade de parâmetros, um problema encontrado na análise de exames cardiotocográficos convencionais é a diversidade de interpretação e nomenclatura empregada para expressar a vitalidade fetal. Para minimizar este problema, algumas iniciativas de classificação, realizadas pela comunidade médica internacional, com destaque para a FIGO (International Federation of Gynecology and Obstetrics) que determina um conjunto de valores para classificação dos parâmetros medidos pela cardiotocografia [4]. Da mesma forma, a equipe médica da Maternidade Escola Assis Chateaubreand (MEAC), pertencente à Faculdade de Medicina da Universidade Federal do Ceará (UFC), estabelece um conjunto próprio de critérios para classificação de cardiotocografias, de acordo com a experiência clínica do obtida pelo uso de cardiotocógrafos nesta maternidade. Entretanto, mesmo com todas as iniciativas de normatização existentes, são encontradas fortes variações na interpretação dos dados de acordo com os avaliadores dos sinais, ou seja, o mesmo exame pode ser avaliado de maneiras distintas caso seja submetido à análise de vários especialistas. Diante do exposto, há necessidade de se aumentar a precisão e a confiabilidade na análise daqueles sinais. Assim, sistemas computadorizados para interpretação dos sinais cardiotocográficos passam a ser desenvolvidos, sendo alvo de pesquisa tanto em universidades quanto em grandes fabricantes de equipamentos médicos. Diversas técnicas de processamento digital de sinais podem ser utilizadas para extrair informações desses sinais, a saber: wavelets [5]; filtros LPF [6]; sistemas de inferência utilizando lógica fuzzy [7]; redes neurais artificiais (RNA s) [8,9,10], além do uso combinado de RNA s com técnicas de processamento de sinais, como por exemplo Multi- Resolution Principal Component Analysis [11]. Este trabalho apresenta a modelagem e o desenvolvimento de um sistema típico de inferência Fuzzy denominado FIS-CTG para auxílio ao diagnóstico médico, através da análise e interpretação dos sinais obtidos em exames cardiotocográficos. O sistema proposto pode beneficiar os pacientes atendidos na MEAC, em geral um público de baixa renda e com pouco acesso à informação. Vale ressaltar que não existe nenhum sistema de análise computadorizada de exames cardiotocográficos na instituição. Além disso, não existe sequer um sistema de registro de exames para análise histórica dos pacientes, sendo que o sistema de classificação das cardiotocografias considerado é o definido pela equipe médica da MEAC. Este projeto utiliza uma base de dados cardiotocográficos pré-classificados fornecida pela TRIUM, empresa alemã fabricante do software de Cardiotocografia Computadorizada CTGOnLine, através de uma parceria com a UFC, fornecendo a licença de uso do seu software e o hardware necessário para a implantação de seis sistemas de monitoramento computadorizado na MEAC. Metodologia A lógica fuzzy, também denominada lógica nebulosa ou difusa, é uma ampliação dos conceitos estabelecidos na lógica aristotélica [12,13]. Enquanto que na lógica clássica, um elemento de

3 um conjunto possui apenas dois valores-verdade, ou seja, pertence (verdadeiro) ou não pertence (falso) àquele conjunto, na lógica fuzzy é criado o conceito de pertinência de um elemento a um dado conjunto, permitindo que ele possa pertencer parcialmente a vários conjuntos ao mesmo tempo. Deste ponto de vista, a lógica fuzzy pode ser vista como uma generalização da lógica clássica, permitindo a ocorrência de verdades parciais e não apenas a divisão entre pertencer e não pertencer. Considere, por exemplo, a caracterização de uma população de fumantes e não-fumantes. Pela lógica aristotélica, caso uma pessoa consuma apenas um cigarro por dia, deve ser classificada como fumante. Sob a ótica da lógica fuzzy, este problema permite a criação de diversos níveis de risco associados ao conceito de "ser fumante, como, por exemplo, o grupo de baixíssimo, baixo, médio, alto e altíssimo risco. Estas subdivisões do risco do grupo de fumantes são denominadas conjuntos fuzzy. É permitido um certo grau de interseção entre conjuntos fuzzy adjacentes, indicando que a separação entre eles é uma zona de transição gradual (suave), diferente da mudança brusca (crisp) verificada nos conjuntos clássicos. Assim, uma pessoa que fuma dez cigarros por dia, pode ser classificada como pertencente parcialmente ao grupo de fumantes de médio risco, assim como também parcialmente ao grupo de alto risco. Esta é a principal vantagem da lógica fuzzy: permitir a inclusão de verdades parciais no processo de modelagem do problema, lidando com incoerências e incertezas de modo intuitivo e matematicamente correto. Os conceitos formais de função de pertinência e conjuntos nebulosos são apresentados a seguir. Um conjunto nebuloso A, do universo de discurso U, é definido por uma função de pertinência µ A : U [0,1]. Esta função associa cada elemento x de U a um valor de µ A (x), que represente o nível em que x pertence a A. É uma expressão do nível de compatibilidade entre x e o conjunto A. Caso µ A (x) = 1, então x pertence completamente a A. Se 0 < µ A (x) < 1, então x pertence parcialmente a A. Por fim, caso µ A (x) = 0; x não pertence a A. Segundo Mendel [13], em geral, um sistema de lógica fuzzy é um mapeamento não-linear de um vetor de dados de entrada em uma saída escalar. Pode-se descrever a composição de um sistema de inferência fuzzy através de quatro blocos funcionais, conforme ilustrado na Figura 2. O módulo fuzzificador é o responsável por transformar as variáveis numéricas de entrada, que representam o estado fetal, em valores de pertinência aos conjuntos nebulosos pré-definidos. Neste artigo, são utilizadas funções de pertinência trapezoidais e triangulares. Figura 2 - Módulos de um sistema Fuzzy. Na Figura 2, a base de regras de inferência é a representação do conhecimento subjetivo humano em formas de regras "SE-ENTÃO". Estas regras são construídas com a ajuda da equipe médica da MEAC/UFC, através do coordenador da Clínica Obstétrica, Dr. Francisco Edson Lucena e de sua equipe de médicos e residentes especialistas no diagnóstico de problemas relacionados ao estado fetal. A máquina de inferência fuzzy, por sua vez, avalia as regras fuzzy em paralelo produzindo um conjunto de saída também fuzzy. Existem vários modelos de operações para combinações de regras, sendo o modelo de Mamdani a utilizada no presente trabalho. Por último, o módulo desfuzzificador traduz o conjunto fuzzy de saída, gerado pela máquina de inferência, em um número real que representa o diagnóstico do estado fetal corrente. O método de desfuzzificação utilizado neste artigo é o método do centróide (centro de massa). As variáveis disponíveis para o sistema FIS- CTG são as seguintes: (i) FCF basal (FCFB); (ii) variabilidade da FCF (VFCB); (iii) presença de acelerações; e (iv) a classificação de desacelerações. A presente versão do sistema FIS- CTG utiliza como variáveis apenas a FCFB e a VFCF. A existência ou não de acelerações e ainda seus tipos, caso existam, também são dados relevantes para a análise do bem-estar fetal e devem estar presentes na próxima versão deste sistema. Assim, o conjunto de regras é estabelecido inicialmente visando à utilização destas duas variáveis na classificação do estado fetal. Tais regras estão listadas na Tabela 1 e são utilizadas para treinar médicos residentes da MEAC. As funções de pertinência das variáveis de entrada FCFB e VFCF estão mostradas nas Figuras 3 e 4. A saída do sistema FIS-CTG é um diagnóstico de primeiro nível do estado fetal, identificada como DIAG. A esta variável são associados três níveis de conclusão, a saber, normal, subnormal ou patológico.

4 Variável Reativo Hiporreativo Não reativo FCFB < 100 ou > 180 VFCF 5 < 5 Lisa Sinusoidal ACEL Presente Hipoacelerações Ausentes DACEL Ausente DIP I; DIP II favoráveis isoladas; Desaceleração Prolongada < 3 minutos DIPI; DIP III desfavoráveis; Desacel. prolongada > 3 minutos Tabela 1 Variáveis de entrada baseadas nos parâmetros utilizados na MEAC. - Normal: feto em normais condições. Todas as variáveis de entrada pertencem à categoria reativa. - Subnormal: um ou mais valores das variáveis de entrada é da categoria hiporreativo e os outros são da categoria reativa. - Patológico: detecção de alterações significativas no feto. As variáveis de entrada são da categoria hiporreativa ou um ou mais parâmetros pertencem à categoria não-reativa. A representação das funções de pertinência da saída associadas à variável fuzzy DIAG pode ser vista na Figura 5. pertinência correspondente, ou seja, µ FCFB (X) e µ VFCF (Y). Figura 4 Funções de pertinência da VFCF. Figura 5 Funções de pertinência para a conclusão do traçado (DIAG). O conectivo lógico E, simbolizando a operação de interseção fuzzy, é implementado pela operação de mínimo, dada por Figura 3 Funções de pertinência da FCFB. Uma vez definidos os conjuntos fuzzy de entrada e de saída, resta definir as regras de inferência a serem utilizadas pelo FIS-CTG. Tais regras de inferência obedecem ao seguinte formato: r i : SE (FCFB é X) E (VFCF é Y) ENTÃO (DIAG é Z) em que X e Y são conjuntos fuzzy de entrada e Z é o conjunto fuzzy de saída, associado a uma dada regra fuzzy. As premissas (FCFB é X) e (VFCF é Y) compõem o antecedente da regra. Cada premissa produz um valor numérico extraído da função de µ FCFB VFCF (X, Y)= min{µ FCFB (X), µ VFCF (Y)}, (1) em que µ FCFB VFCF (X, Y) é o valor da função de pertinência conjunta das variáveis X e Y. O conjunto fuzzy de saída Z da regra r i é modificado em função do valor de µ FCFB VFCF (X, Y) gerando o conjunto Z dado por Z (r i ) = Z µ FCFB VFCF (X, Y). (2) O número de regras fuzzy r i, i=1,..., N, depende do problema. Os conjuntos fuzzy Z (r i ), i=1,..., N, são combinados pela regra do máximo. A Tabela 2 mostra o conjunto das 10 regras de inferências utilizadas.

5 Regras de Inferência Se FCFB é Não Reativa-Baixa então DIAG é Patológico Se FCFB é Não Reativa-Alta então DIAG é Patológico Se VFCF é Não Reativa então DIAG é patológico Se VFCF é Sinusoidal então DIAG é patológico Se FCFB é Hiporreativa-Baixa e VFCF é Hiporreativa então DIAG é Patológico Se FCFB é Hiporreativa-Alta e VFCF é Hiporreativa então DIAG é patológico Se FCFB é Hiporreativa_-Baixa e VFCF é Reativa então DIAG é Subnormal Se FCFB é Hiporreativa-Alta e VFCF é Reativa então DIAG é Subnormal Se FCFB é Reativa e VFCF é Hiporreativa então DIAG é Subnormal Se FCFB é Reativa e VFCF é Reativa então DIAG é Normal Tabela 2 Regras de inferência do FIS-CTG. Figura 06 Conjunto fuzzy de saída para FCFB=140 e VAR=6. Resultados O sistema é desenvolvido utilizando-se a linguagem de programação de scripts do Matlab. São apresentados diversos casos para o sistema, obtendo-se classificações consideradas corretas para todas as entradas testadas. A validação é feita com a mesma equipe médica da MEAC, responsável pela definição das regras de inferência. As Figuras 6, 7 e 8 apresentam conjuntos fuzzy típicos para a variável de saída DIAG, com a identificação de seu respectivo valor desfuzzyficado. A Figura 6 corresponde ao conjunto de saída resultante para as entradas FCFB=140 e VFCF=6. O valor desfuzzificado DIAG=0,097 classifica a saída como Normal. O mesmo raciocínio se aplica ao resultado mostrado nas outras duas figuras, em que o diagnóstico é identificado como subnormal para FCFB=100 e VAR=5 com a saída DIAG=0,550 e patológico para FCFB=90 e VAR=4 com a saída DIAG=0,895. Figura 07 Conjunto fuzzy de saída para FCFB=100 e VAR=5. Figura 08 Conjunto fuzzy de saída para FCFB=90 e VAR=4.

6 Discussão e Conclusões Os sistemas de inferência fuzzy são ferramentas muito utilizadas para modelagem de problemas de Engenharia Biomédica, dada a natureza nebulosa das variáveis normalmente envolvidas nestes problemas. No presente trabalho, o FIS-CTG apresenta resultados satisfatórios, classificando corretamente todas as entradas de testes realizadas. O próximo passo do projeto é expandir o sistema de inferência para avaliar outras variáveis de entrada, tais como as acelerações e desacelerações, a serem mapeadas como variáveis lingüísticas ou determinísticas, de acordo com o que for determinado pela equipe da MEAC. O projeto também prevê o uso de outras medidas, tais como a entropia aproximada, tanto da FCF quanto da variabilidade deste sinal, como uma variável que possibilite o enriquecimento da análise do sinal. Agradecimentos À FUNCAP Fundação Cearense de Apoio ao Desenvolvimento Científico e Tecnológico que financia parcialmente este projeto. À TRIUM, em Munique, Alemanha, que é parceira da UFC no Projeto e disponibilizou seu software de CTG Computadorizada, equipamentos conversores e a base de dados de Cardiotocografias utilizada neste projeto. À CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Referências [1] Ingemarsson, I.; Ingemarsson, E.; Spencer, John A. D (1993). Fetal Heart Rate Monitoring A Practical Guide. New York. Oxford Medical Publications Oxford University Press. [2] Hospital Carazinho Departamento de Obstetrícia. Cardiotocografia. Disponível em: < diotocografia>. Acesso em: 12 de julho de [3] Cha, S. C. Instituto Fleury. Cardiotocografia Computadorizada. Disponível em: < curso_medfetal20.htm>. Acesso em: 05 novembro [4] International Federation of Gynecology and Obstetrics. FIGO. FIGO Guidelines. Disponível em: < Acesso em: 12 de julho de [5] Salamalekis, E.; Siristatidis, C.; Vasios, G.; Saloum, J.; Giannaris, D.; Chrelias, C.; Prentza, A.; Koutsouris (2006). Fetal pulse oximetry and wavelet analysis of the fetal heart rate in the evaluation of abnormal cardiotocography tracings. Journal of Obstetrics and Gynaecology Research, 32(2):135. [6] Noguchi, Y.; Kobayashi, H.; Hataoka, H. (1998). Frequency Component of Fetal Heart Rate with Integral Function Method. Proc. 20th Annual Int. Conf. IEEE EMB Society, v.1, p [7] Signorini, M. G.; de Angelis, A.; Magenes, G.; Sassi, R.; Arduini, D.; Cerutti, S. (2000). Classification of Fetal Pathologies Through Fuzzy Inference Systems Based on a Multiparametric Analysis of Fetal Heart Rate. IEEE Computers in Cardiology Conference, Cambridge, MA, USA, p [8] Cazares, S.; Tarassenko, L.; Impey, L.; Moulden, M.; Redman, C. W. (2001). Automated Identification of Abnormal Cardiotocograms using Neural Network Visualization Techniques. Proc. 23 rd Annual Int. Conf. IEEE EMB Society, v. 2, p [9] Liszka-Hackzell, J. J. (2001). Categorization of Fetal Heart Rate Patterns Using Neural Networks. Journal of Medical Systems, 25(4): [10] Magenes, G.; Signorini, M. G.; Arduini, Domenico (2000). Classification of Cardiotocographic Records by Neural Networks. Proceedings of the IEEE-INNS- ENNS Int. Joint Conf. on Neural Networks, v. 3, p [11] Romero, O. F.; Betanzos, A. A.; Berdiñas, B. G. (2001). Adaptive Pattern Recognition in the Analisys of Cardiotocographic Records. IEEE Trans. on Neural Networks. 12(5): [12] Sandri, S.; Correa, C. (1999). Lógica Nebulosa. V Escola de Redes Neurais ITA. São José dos Campos, SP. [13] Mendel, J. M. (1995). Fuzzy Logic Systems for Engineering: A Tutorial. Proceedings of the IEEE. 83(3): Contato alexandre_lobo_marques@yahoo.com.br