Análise de Alergia e Rinite em Escolares por meio da Shell Orion Data Mining Engine

Transcrição

1 Análise de Alergia e Rinite em Escolares por meio da Shell Orion Data Mining Engine Merisandra Côrtes de Mattos 1, Diana Colombo Pelegrin 2, Diego Paz Casagrande 3, Priscyla Waleska Targino de Azevedo Simões 4, Rafael Charnovscki 5, Jane Bettiol 6 1 Grupo de Pesquisa em Informática Médica e Telemedicina (Projeto Kiron), Grupo de Pesquisa em Inteligência Computacional Aplicada, Curso de Ciência da Computação, Universidade do Extremo Sul Catarinense (UNESC), Brasil 2,3 Curso de Ciência da Computação, Universidade do Extremo Sul Catarinense (UNESC), Brasil 4 Grupo de Pesquisa em Informática Médica e Telemedicina (Projeto Kiron), Grupo de Pesquisa em Inteligência Computacional Aplicada, Curso de Ciência da Computação, Curso de Medicina, Universidade do Extremo Sul Catarinense (UNESC), Brasil 5 Grupo de Pesquisa em Informática Médica e Telemedicina (Projeto Kiron), Curso de Ciência da Computação, Universidade do Extremo Sul Catarinense (UNESC), Brasil 6 Curso de Medicina, Universidade do Extremo Sul Catarinense (UNESC), Brasil Resumo - A análise de dados, que compreende a busca de conhecimento, pode tornar-se complexa e exaustiva quando é realizada a partir de um enorme volume de dados. Uma maneira eficaz e inteligente de analisar esses dados pode ser realizada por meio do processo de Knowledge Discovery in Databases (KDD), que reúne vários passos e tarefas para a descoberta de conhecimento relevante em grandes bases de dados, tendo-se como uma de suas etapas a de Data Mining (DM), que é responsável por extrair o conhecimento da base. Este artigo relata a Shell Orion Data Mining Engine e a análise da asma e rinite em escolares de Criciúma (SC) por meio da tarefa de classificação e associação na Orion, demonstrando novas relações que podem auxiliar na análise do perfil destas doenças em Criciúma. Palavras-chave: Data Mining, Classificação, Algoritmo ID3, Associação, Algoritmo Apriori, Asma e Rinite. Abstract - Data analysis that involves search of of knowledge may become complex and exhaustive when it covers an enormous volume of data. An effective and intelligent way of analysing these data is to use the Knowledge Discovery in Databases (KDD) process, which combines several steps and tasks to discover what the relevant knowledge is in great data bases, having the Data Mining (DM), responsible for extracting knowledge from the base, as one of its stages. This paper related the shell Orion Data Mining Engine and the analysis of asthma and rhinitis in students from Criciúma (SC) by means the classification and association tasks to the Orion, presenting new relationships which may contribute to the analysis of those diseases profile in Criciúma. Key-words: Data Mining, Classification, ID3 Algorithm, Association, Apriori Algorithm, Asthma and Rhinits. Introdução Data Mining (DM) envolve métodos estatísticos e técnicas da inteligência artificial que possibilitam obter de uma forma eficiente, conhecimentos relevantes a partir de uma base de dados. O data mining envolve tarefas, métodos e algoritmos para que possa ser realizada a extração de novos conhecimentos, utilizando-se para isso de ferramentas que auxiliam neste processo. No mercado tem-se uma variedade destas ferramentas, porém há certa carência de shells gratuitas que possam auxiliar na descoberta de relacionamentos e padrões existentes nos dados. Desse modo, este artigo demonstra a shell de data mining denominada Orion Data Mining Engine que encontra-se em desenvolvimento na Universidade do Extremo Sul Catarinense (UNESC). Assim, no futuro pode-se disponibilizar uma ferramenta gratuita nessa área que cada vez se torna mais relevante para a descoberta de conhecimento nas bases de dados presentes nos vários âmbitos organizacionais, como aqueles que se referem aos negócios, a educação e as instituições de saúde, entre outros. A shell Orion tem implementado os módulos referentes as tarefas de classificação por meio do algoritmo ID3 para a indução das árvores de decisão e de associação pelo algoritmo Apriori. Analisou-se por meio destes módulos da Orion uma base de dados referente a prevalência de asma e rinite em adolescentes escolares de Criciúma. Esta escolha deu-se em função da

2 freqüência destas doenças estarem aumentando nas últimas décadas [1]. Além disso, as causas desse aumento não são totalmente conhecidas [2]. Base de Dados Referente a Asma e Rinite em Escolares de Criciúma Essa base de dados foi constituída por meio de um estudo para determinar a prevalência e severidade da asma e rinite em adolescentes escolares da cidade de Criciúma. Esse estudo foi realizado por meio da análise das respostas, dos estudantes, do Questionário Padronizado Escrito (QE) com o protocolo do Estudo Internacional de Asma e Alergia na Infância e Adolescência (ISAAC). O interesse em realizar esse estudo em Criciúma se deu pela preocupação que se tinha em planejar metas para se obter um maior conhecimento dessa população de pacientes e posteriormente, uma busca do controle da doença no local [2]. A fim de esclarecer os dados que compreendem essa base de dados utilizada para na Shell Orion, serão descritos sucintamente os conceitos de asma e rinite, que consistem em alergias respiratórias. A asma é uma doença inflamatória crônica dos pulmões, sendo mais frequente em crianças. Os sintomas que pessoas asmáticas apresentam, são: crises de falta de ar ou respiração curta, chiado no peito, tosse e falta de fôlego [3]. Da mesma forma que a asma, a rinite é uma doença alérgica que se manifesta no sistema respiratório, no entanto ela ocorre no nariz. Essa doença afeta cerca de 10 a 25% da população, entre adultos e crianças As pessoas com rinite apresentam os seguintes sintomas: obstrução nasal, coriza, espirros e coceira no nariz. Além disto, se não for tratada adequadamente, pode causar outros problemas, como otites (inflamação dos ouvidos), sinusites (inflamação de cavidades existentes na face) e distúrbios do sono [4]. Com o objetivo de determinar a prevalência e severidade dessas doenças nos adolescentes escolares de Criciúma, [2] realizou o estudo por meio de questionários que foram aplicados aos estudantes no período de Novembro de 2004 a Junho de Estudantes das 6ª, 7ª e 8ª séries do ensino fundamental de vinte e seis escolas realizaram o preenchimento desses questionários, sendo que 69,4% destes alunos estudavam em escolas públicas. No entanto, 209 do total de questionários obtidos tiveram que ser excluídos, devido ao preenchimento incorreto, ilegível ou inconsistente, com isso questionários (91,3% do total) foram avaliados [2]. Considerando-se o estudo realizado por meio da análise das respostas dos questionários aplicados, pode-se determinar a prevalência e severidade de asma e rinite em adolescentes escolares de Criciúma [2]. Finalizando-se o entendimento acerca do trabalho de [2] e das doenças asma e rinite, a seguir é descrita a Shell Orion e as etapas metodológicas que foram fundamentais para o desenvolvimento desta ferramenta e da análise dessa base de dados sobre estas alergias respiratórias. Orion Data Mining Engine A Shell Orion Data Mining Engine foi implementada na Linguagem Java devido a algumas de suas várias características, como: permite reutilização de código; as aplicações em Java rodam em qualquer sistema operacional (multiplataforma) e suas ferramentas de programação são gratuitas. O ambiente de programação Java utilizado foi o NetBeans 4.1. Como a shell Orion utiliza a arquitetura Java, definiu-se portanto, a conexão com a base de dados por meio da Java Database Connectivity (JDBC). Na Orion atualmente são possíveis as conexões com os seguintes sistemas gerenciadores de bancos de dados: Firebird, PostgreSQL e MySQL. A escolha destes deu-se em função de possuírem licença freeware, apresentarem bom desempenho e confiabilidade. A Orion possui implementadas as tarefas de classificação pelo algoritmo ID3 e de associação pelo algoritmo Apriori. A tarefa de classificação é uma atividade preditiva que consiste na análise de dados em busca da definição de padrões que descrevem tendências futuras [5]. Essa tarefa define um conjunto de modelos (padrões) que podem ser usados para classificar novos objetos. Esses modelos são construídos com base na análise prévia de um conjunto de dados de amostragem, que possuem objetos corretamente classificados [6]. Os dados utilizados na construção desses modelos não devem ser os mesmos usados para avaliar sua qualidade. Portanto, dois conjuntos de dados devem ser utilizados na tarefa de classificação, sendo um conjunto de treinamento e um de teste. O conjunto de treinamento contém registros que são utilizados na construção do modelo de conhecimento, e o conjunto de teste, contém registros a serem utilizados na avaliação do modelo de conhecimento obtido [7]. A classificação pode ser entendida como a busca por uma integração que permita associar corretamente cada registro X i, de um banco de dados, a um único rótulo categórico Y j (objeto de saída), que corresponde a classe. Assim, uma vez sendo definida, essa função pode ser utilizada para prever a classe de novos registros [7]. A tarefa de classificação para ser realizada necessita que um determinado método seja

3 adotado de acordo com o conhecimento que se deseja extrair da base de dados. No desenvolvimento desta tarefa na shell Orion utilizou-se o método de árvores de decisão, pois segundo [8], sua forma de representar o conhecimento facilita ao usuário a análise e avaliação dos resultados que são obtidos. O método de árvores de decisão consiste em meios de representar o conhecimento na forma de árvore. Neste método, permite-se ao usuário definir o objeto de saída, com isto, a partir de um grupo de dados é possível identificar o fator mais importante correlacionado a este objeto [9]. O conhecimento representado nas árvores de decisão pode ser extraído e representado na forma de regras de classificação do tipo SE- ENTÃO. Sendo assim, cada nó filho da árvore representa uma condição (antecedente) envolvendo um atributo e um conjunto de valores. Enquanto os nós folhas, correspondem às conclusões (conseqüente), que indicam a atribuição de um valor ou conjunto de valores a um atributo do problema [7]. A indução das árvores de decisão é realizada por meio de algoritmos que utilizam uma abordagem recursiva de particionamento dos conjuntos de dados, tendo-se: ID3, C4.5, CART, CHAID, entre outros. No desenvolvimento da tarefa de classificação pelo método de árvores de decisão na shell Orion utilizou-se o algoritmo ID3. O algoritmo ID3 utiliza a lógica e a matemática para processar, organizar e simplificar um grande conjunto de dados. Além disso, possui habilidade para operar dados não numéricos, sendo essa uma diferença entre ele e os métodos estatísticos, pois enquanto o ID3 assume atributos nominais, os métodos estatísticos utilizam atributos numéricos [10]. A indução de árvores de decisão por meio do algoritmo ID3 constitui-se dos seguintes passos [11]: a) selecionar um atributo para ser raiz da árvore e criar tantos ramos quantos valores tiver esse atributo; b) utilizar a árvore gerada para classificar o conjunto de treinamento. Se todos os exemplos em uma folha tiverem o mesmo valor para o objeto de saída, retorne ao nó folha este valor; c) senão, crie um nó com um atributo que ainda não foi utilizado em seus nós ancestrais, e crie todos os ramos possíveis para ele, a seguir retorne ao segundo passo. A forma como o ID3 constrói árvores de decisão é top-down. Este algoritmo consiste num processo recursivo, pois ao escolher um atributo para um nó, partindo da raiz, aplica o mesmo algoritmo aos descendentes desse nó, até que certos critérios de parada sejam atingidos [12]. O algoritmo ID3 emprega a medida do ganho de informação para reduzir a incerteza sobre o valor do objeto de saída. O ganho de informação consiste em uma medida estatística utilizada para a construção das árvores de decisão a fim de escolher o atributo de teste entre todos os envolvidos com o nó em questão. O atributo que possui o maior ganho de informação é aquele que melhor classifica o conjunto de amostras de treinamento [5]. Portanto, o emprego desse conceito de ganho de informação possibilita minimizar a profundidade final da árvore de decisão. A outra tarefa que encontra-se atualmente implementada na shell Orion é a associação. Esta tarefa é responsável por grande parte das soluções usadas para descoberta de padrões. Utiliza metodologia não supervisionada e busca encontrar relacionamentos significativos entre os itens de dados armazenados [13]. O objetivo desta técnica é encontrar em grandes conjuntos de dados tendências que ajudem a compreender padrões. Os algoritmos de associação buscam encontrar relações entre os itens, verificando os eventos que ocorrem simultaneamente, possibilitando o entendimento de novos modelos [9]. Uma regra de associação simples dá-se por meio da utilização de métodos probabilísticos sobre a co-ocorrência de determinados eventos em uma base de dados. Como exemplos para a regra, assumem-se as seguintes variáveis como binárias: IF A=1 AND B=1 THEN C=1 com probabilidade p. Assim, tem-se: p = p (C = 1 A = 1, B = 1) (1) Sendo p a probabilidade condicional de C ocorrer dado os valores de A e B. A partir disso, pode-se chegar a conclusões, como: se os itens A e B tiverem o valor 1, o item C também terá. Esse modelo de associação é considerado simplório sendo usado apenas para dar uma visão geral do processo [14]. Essas regras, na forma A B, podem possuir atributos que limitam a quantidade de regras extraídas e as validam no conjunto de dados. Estes atributos são denominados de suporte e confiança, possibilitando o descarte das regras pouco relevantes e menos freqüentes. De acordo com o propósito da exploração da base de dados são estabelecidos os valores mínimos para o suporte e a confiança, sendo que para o suporte o algoritmo descarta os itemsets com valores menores que o mínimo estabelecido e para a confiança poda as regras com valor de confiança abaixo da mínima. Assim, tem-se o suporte como a freqüência com que os itemsets ocorrem na base de dados e a confiança como a medida da força da regra, representada pela porcentagem. Para a aplicação destes nas regras de associação, é necessário fixar um valor mínimo. Sendo que ao

4 estabelecê-lo, defini-se o suporte mínimo e a confiança mínima. Dentre os métodos de associação tem-se os algoritmos utilizados para extrair relações relevantes das bases de dados, como o: Apriori, GART e Algoritmo de Sequência, entre outros. Na shell Orion foi utilizado o algoritmo Apriori para a extração de conhecimento nas regras de associação. O algoritmo Apriori utiliza itemsets de tamanho K para gerar os próximos conjuntos de tamanho K+1. Assim, o algoritmo encontra primeiramente os grupos de itens com tamanho k=1, denominado L1: a partir dele encontra-se os conjuntos de itemsets com tamanho k=2, formando L2, e assim por diante, até que nenhum conjunto possa ser gerado [15]. Sendo necessário para a formação destes conjuntos que eles possuam o suporte mínimo estabelecido. Este suporte é definido antes da aplicação do algoritmo, sendo um parâmetro necessário à execução do algoritmo. Apriori, respectivamente, e consequentemente implementá-los. A shell de data mining Orion tem a interface principal dividida em quatro blocos, sendo que o primeiro identifica o protótipo e apresenta o logotipo do projeto. No segundo bloco, ao inicializar o sistema, o usuário escolhe qual driver JDBC usará e define o nome, usuário e senha do banco de dados que deseja acessar. Após definida a conexão o terceiro bloco torna-se ativo e possibilita a escolha da tabela que tem seus atributos visualizados em uma lista. Assim, com todos os parâmetros indicados o quarto bloco ativa-se e possibilita a escolha da tarefa de data mining (Figura 1). Metodologia No desenvolvimento da Orion a modelagem matemática foi realizada tanto na concepção do módulo de associação quanto no de classificação. Dessa forma, a fim de exemplificar e melhor compreender como a tarefa de associação trataria os atributos de suporte e confiança na shell Orion realizou-se um estudo demonstrando matematicamente como o suporte pode ser calculado para que se encontre a freqüência com que o item ou grupo de itens ocorrem na base dados. Após a geração das regras o cálculo da confiança foi realizado, sendo podadas as que possuem confiança com valor inferior ao mínimo estabelecido. Com isso, foi possível verificar a importância do suporte e da confiança para a geração das relações e extração do conhecimento das bases de dados. Sendo que estes atributos determinam a quantidade de regras geradas e proporcionam uma maior validade das informações encontradas. Também demonstrou-se matematicamente o cálculo do ganho de informação para que se compreendesse como esse conceito é aplicado na construção da árvore de decisão na tarefa de classificação. Desta forma, o atributo que obteve maior ganho de informação será selecionado para ser a raiz a árvore, de acordo com o objeto de saída selecionado. No entanto, o ganho de informação de cada atributo deve ser calculado considerando-se a partição da base de dados associada ao nó em análise. A compreensão matemática de todo o processo para calcular o ganho de informação, suporte e confiança foram fundamentais para abstrair o funcionamento do algoritmo ID3 e Figura 1 - Interface Principal da Shell Orion O módulo de associação da shell Orion permite selecionar o algoritmo de data mining, visualizar os conjuntos de dados iniciais, contendo uma lista com os atributos e respectivos suportes da tabela selecionada na interface principal e definir o suporte e a confiança necessárias para a execução do algoritmo. A interface possui ainda os botões de Associar (inicializa a execução do algoritmo), Conjuntos Candidatos Gerados Podados (demonstra os conjuntos candidatos podados), Regras (demonstra as regras extraídas da análise da base de dados) e Gráfico (exibe um gráfico de barras que permite ao usuário a visualização dos valores de confiança das regras) (Figura 2). O módulo de classificação da shell Orion (Figura 3) consiste em produzir regras de classificação considerando-se o objeto de saída selecionado pelo usuário, além disso é gerada uma árvore gráfica de modo a possibilitar uma melhor visualização em relação ao atributo que mais influenciou na construção do modelo de conhecimento obtido (Figura 4). No módulo o usuário tem a opção de definir a profundidade da árvore.

5 Resultados A análise da base de dados de asma e rinite em escolares de Criciúma no módulo de classificação da Orion, iniciou-se com a preparação dos dados dessa base de 3019 registros e 21 atributos, de modo a evitar que dados perdidos, inconsistentes e não úteis interferissem no resultado do processo de data mining, para isso, teve-se o auxílio da médica especialista do domínio de aplicação. Com isto, obteve-se uma base de 3010 registros constituída por 15 atributos que foi utilizada para a mineração dos dados. A partir do objeto de saída teve_rinite obteve-se 161 regras, sendo que dentre estas tem-se: Figura 2 Módulo de associação SE espirro_coriza_ano = S (sim) e SE crises_sibilo = N/A (não aplicável) e SE lacrim_coceira = S (sim) e SE teve_asma = N (não) ENTÃO ----> teve_rinite = O mais comum é S (sim) Pode-se observar a relação entre o atributo com maior ganho de informação, ou seja, a ocorrência de espirro ou coriza no último ano, juntamente com a presença de lacrimejamento ou coceira nos olhos naqueles casos onde tem-se um quadro de rinite alérgica. Mediante a análise desta e de outras regras geradas pode-se ressaltar que a presença ou não de asma não é considerado como um dos atributos mais relevantes para se ter rinite. Considerando-se como objeto de saída teve_asma obteve-se 145 regras, sendo que dentre estas tem-se: Figura 3 - Módulo de classificação Figura 4 - Visualização gráfica da árvore de decisão SE sono_pertubado = Menos de 1 noite por semana e SE chiado_exercicio = S (sim) e SE atividades_interf = N/A (não se aplica) e SE tosse_seca = N (não) e SE sibilo_ano = S (sim) ENTÃO ----> teve_asma = O mais comum é S (sim) Nesta regra pode-se identificar que o atributo que obteve maior ganho de informação foi sono_pertubado, tendo-se a seguir a ocorrência de chiado no peito após a prática de exercícios físicos e de sibilo nos últimos 12 meses o que influencia na presença de asma. No módulo de associação da shell Orion a fim de aplicar o algoritmo Apriori, a base de dados foi submetida a etapa de pré-processamento. Nesta fase, os dados foram categorizados e a base transformada em binária. Executando-se o processo de data mining pela tarefa de associação foram descobertas diversas relações. As regras geradas são válidas e representam

6 padrões implícitos na base de dados préprocessada. Apresenta-se a seguir uma relação extraída da base de dados durante a realização dos testes. Conj:{sem_sibilos, chiado_exercido_nao, tosse_seca_sim} Antecessor da Regra: sem_sibilos, tosse_seca_sim Sup. Conj: 339 Confiança: 89% Observa-se que em 89% das transações em que ocorre o conjunto, o antecessor da regra também está presente. Verifica-se ainda, que itemset está contido em 339 tuplas da base de dados. Discussão e Conclusões Executando-se o processo de data mining na shell Orion pelas tarefas de associação e classificação foram descobertas diversas relações válidas que representam padrões implícitos na base de dados pré-processada analisada (3010 registros). Observou-se que o módulo de associação encontra um maior número de regras quando o suporte é baixo. Assim, entende-se que o número de regras geradas é determinado pelo suporte e confiança, ou seja, quanto menor seu valor maior a quantidade de regras de associação geradas. Agradecimentos À Universidade do Extremo Sul Catarinense (UNESC) pelo apoio por meio dos seus programas de incentivo à pesquisa. Referências [1] Grand, E.N.et al, (1999), Observations on emerging patterns of asthma in our society. Socio-economic costs of allergic diseases. J Allergy Clin Immunol. [2] Raasch, C. C. et al, (2005), Prevalência de sintomas de asma e rinite em adolescentes escolares do município de Criciúma, Programa de Iniciação Científica V - Pic V, Criciúma. [3]Tavares, F.M.B.(2001), Asma Brônquica, Medicinal. [4] Melo Junior, J.F., (2005), Rinite Alérgica, Entrevistas Drauzio Varella.Disponível em: evistas/rinite.asp> [5] Motta, C.G.L. (2004), Sistema Inteligente para Avaliação de Riscos em Vias de Transporte Terrestre, Tese de Mestrado, Universidade Federal do Rio de Janeiro. [6] Salvador, H.G., Santos, W.L.M. (2004), Mineração de Dados no Aglomerado Urbano de Cuiabá e Várzea Grande, In: 9º Congresso Regional de Informática e Telecomunicação, Cuiabá. [7] Goldschmidt, R., Passos, E. (2005), Data Mining Um Guia Prático, Rio de Janeiro: Elsevier. [8] Amaral, F.C.N.(2001), Data Mining Técnicas e Aplicações para o Marketing Direto, São Paulo: Berkeley. [9] Serra, L. (2002), A Essência do Business Intelligence, São Paulo: Berkeley. [10] Oliveira, C.J.S. (2001), Classificação de Imagens Coletadas na Web, Mestrado em Ciência da Computação, Universidade Federal de Minas Gerais. [11] Mendonça Neto, M.G.(2001), Mineração de Dados, In: 6º Escola Regional de Informática de São Paulo, São Carlos. [12] Cordeiro, J.P. (2003), Extração de Elementos Relevantes em Texto-Páginas da World Wide Web, Mestrado em Inteligência Artificial e Computação, Faculdade de Ciências da Universidade do Porto. [13]Kantardzic, M. (2003), Data Mining: Concepts, Models, Methods and Algorithms, John Wiley & Sons. [14] Hand,D., Mannila, H., Smyth, P.(2001), Principles of Data Mining, Massachusetts: MIT Press. [15] Souza Filho, H.G. (2004), Extração de Regras de Associação de um Banco de Dados Relacional, Mestrado em Engenharia Civil, Universidade Federal do Rio de Janeiro. Contato Merisandra Côrtes de Mattos, Mestre em Ciência da Computação, Professora do Curso de Ciência da Computação, Pesquisadora do Grupo de Pesquisa em Informática Médica e Telemedicina e do Grupo de Pesquisa em Inteligência Computacional Aplicada, Universidade do Extremo Sul Catarinense. Endereço: Av. Universitária, 1105, Criciúma-SC. Fone: (48) mem@unesc.net