O Raciocínio Fuzzy no Desenvolvimento de um Sistema para Controle da Assistência Respiratória em Neonatos Merisandra Côrtes de Mattos 1, Silvia Modesto Nassar 2, Edson Carvalho de Souza 3, Paulo Fernando Strada 4 1 Grupo de Pesquisa em Informática Médica e Telemedicina, Grupo de Pesquisa em Inteligência Computacional Aplicada, Curso de Ciência da Computação, Universidade do Extremo Sul Catarinense (UNESC), Brasil 2 Programa de Pós-Graduação em Ciência da Computação, Departamento de Informática e Estatística, Universidade Federal de Santa Catarina (UFSC), Brasil 3 Curso de Medicina, Universidade do Vale do Itajaí (UNIVALI), Brasil 4 Clínica Médica, Brasil Resumo - Esta pesquisa mostra a aplicação dos conjuntos difusos no controle de processos médicos, permitindo que sejam consideradas as imprecisões do raciocínio clínico presentes nos dados. Aspectos esses evidenciados no Sistema Difuso de Controle da Assistência Respiratória em Neonatos (SARE), cujo domínio de aplicação refere-se à ventilação mecânica neonatal. O SARE é o protótipo de um sistema difuso de controle dos parâmetros da assistência respiratória em neonatos, com base na gasometria arterial e na afecção respiratória apresentada pelo paciente. A modelagem do sistema foi realizada por meio da teoria de conjuntos difusos, que consiste numa contribuição às áreas da saúde e inteligência artificial, permitindo a modelagem e tratamento da imprecisão adequadamente. O SARE foi avaliado de forma qualitativa oferecendo satisfatoriamente as alterações de parâmetros a serem realizadas no ventilador mecânico. Palavras-chave: Inteligência Artificial, Raciocínio Impreciso, Conjuntos Fuzzy. Abstract - This research shows the application of the fuzzy sets in the control of medical processes, permitting the imprecision of clinical reasoning present in the data to be considered. These aspects are evident in the Control Fuzzy System of the Respiratory Assistance in New-born (SARE), in which the control of application refers to neonatal mechanical ventilation. SARE is the prototype of control fuzzy system of the parameters in respiratory assistance in neonates, with basses on arterial gas values and on the respiratory affection presented by the patient. The modeling of the system was done by means of the fuzzy set theory, which consists of a contribution to the health field and artificial intelligence, permitting the adequate modeling and treatment of imprecision. SARE was qualitatively tested, offering satisfaction in the alterations of parameters that are to be performed in the mechanical ventilator. Key-words: Artificial Intelligence, Imprecision Reasoning, Fuzzy Sets. Introdução Muitos progressos foram realizados na construção de sistemas especialistas, desde a época em que os primeiros trabalhos foram desenvolvidos, na segunda metade da década de 60. Assim, os sistemas de apoio à decisão e controle têm sido bastante utilizados, devido ao avanço tecnológico que, associado aos novos conceitos de inteligência artificial, propiciam a elaboração de sistemas inteligentes e eficientes [1]. Em sistemas especialistas uns dos maiores problemas é o tratamento de dados com incerteza, ou seja, como chegar a uma decisão quando não se tem disponível todas as informações necessárias. Procedimento esse bastante comum na área médica, já que as informações fornecidas pelo paciente e os testes laboratoriais podem apresentar incerteza, além do próprio raciocínio clínico. Portanto, processar essas informações para se chegar ao diagnóstico e a terapia a ser adotada fazem parte do dia-a-dia do médico. Para que seja possível representar esse conhecimento com incerteza, tem-se entre outras, quatro linhas matemáticas de estudo, as quais são: o Modelo Lógico; a Teoria de Dempster- Shafer; o Modelo Probabilístico e o Modelo Lingüístico baseado no raciocínio difuso. Os sistemas que se baseiam no modelo lingüístico para representar o conhecimento com imprecisão são os que utilizam uma série de regras condicionais difusas derivadas da base de conhecimento especialista, expressando as imprecisões e aproximações dos métodos de
decisão dos especialistas, ou seja, esses sistemas fazem uso dos conjuntos difusos que são capazes de capturar informações vagas, descritas em geral numa linguagem natural e convertê-las para um formato numérico de fácil manipulação pelos computadores, suportando os modos de raciocínio que são aproximados ao invés de exatos [2]. Nesse âmbito, tem-se os sistemas difusos de controle que utilizam a abordagem de conjuntos difusos para programar e controlar processos, proporcionando um algoritmo que pode converter a estratégia de controle lingüístico, baseado no conhecimento de um especialista, em uma estratégia de controle automática, tornando a operação de um processo mais eficiente e confortável para tarefas que envolvam temperatura, velocidade, fluxo, pressão e outros; adaptando-se à solução de problemas complexos que envolvam o pensamento intuitivo ou descritivo humano [3]. Isto os torna ideais para aplicações médicas, onde o raciocínio é impreciso e muitas vezes intuitivo, além desses sistemas propiciarem uma menor dependência de pessoal específico. Portanto, por meio da informática, que vem facilitando diariamente a vida das pessoas, este trabalho consistiu no desenvolvimento de um sistema difuso de controle na área de alterações de parâmetros em ventilação mecânica para afecções respiratórias em neonatos. Tendo-se como objetivo fornecer aos médicos da Unidade de Tratamento Intensivo Pediátrica (UTI) uma ferramenta de apoio à tomada de decisão no que diz respeito aos parâmetros a serem modificados no ventilador mecânico, além de estabelecer procedimentos adequados por meio dos quais a complexidade e dificuldades inerentes a esse problema possam ser ultrapassadas pelo uso de novas tecnologias. Possibilitando que o médico dedique a maior parte de seu tempo no efetivo atendimento à criança criticamente enferma, ao invés de controlar o equipamento, podendo assim fornecer um melhor suporte no atendimento a essas crianças. Atualmente, há uma grande interação entre a informática e a área médica, aplicações como esta, quando desenvolvidas utilizando técnicas de inteligência artificial podem propiciar um grande benefício àquela área, pois o conhecimento de especialistas é disponibilizado em programas computacionais que podem ser acessados por faculdades, instituições e outros profissionais de saúde. Conjuntos Difusos Os conjuntos difusos são capazes de incorporar o conhecimento objetivo, ou seja, aquele a partir de dados numéricos; como também o conhecimento subjetivo, aquele a partir de informações lingüísticas. Esses conjuntos suportam os modos de raciocínio que são aproximados, ao invés de exatos, respeitando critérios subjetivos. Ao contrário dos conjuntos tradicionais (conjuntos crisp), nos quais um elemento pertence ou não a este conjunto, assumindo apenas dois valores {0, 1}, os conjuntos difusos podem ser vistos como uma generalização dos conjuntos tradicionais, nos quais as funções que representam elementos do conjunto, assumem valores reais dentro do intervalo [0,1]. Então, a idéia de conjunto difuso está associada a um grau de pertinência, que varia de acordo com o elemento em questão. Desta forma, um elemento pode pertencer muito ou pouco e até não pertencer a um conjunto difuso. O grau de pertinência varia de 0 a 1, isto é, da completa exclusão até a total pertinência, podendo assumir todos os valores intermediários. Ou seja, o elemento pertence ao conjunto segundo um determinado nível ao qual é dado o nome de grau de pertinência. Metodologia O protótipo desenvolvido, denominado SARE, é difuso, pois tanto os seus dados de entrada, ou seja, aqueles referentes a gasometria arterial, bem como os de saída, que referem-se aos parâmetros do ventilador mecânico são considerados variáveis difusas. As variáveis de entrada da gasometria arterial, podem ser classificadas nos conjuntos difusos muito baixo, pouco baixo, normal e alto. Enquanto as ações de controle no ventilador mecânico, também podem estar classificadas: em aumentar, manter e diminuir. Para a implementação do protótipo utilizouse o ambiente de programação Delphi, sendo as etapas referentes ao raciocínio difuso, como fuzificação, avaliação das regras e defuzificação implementadas. O desenvolvimento do SARE compreendeu as etapas metodológicas de aquisição do conhecimento; modelagem do problema; desenvolvimento e avaliação do sistema, as quais serão abordadas a seguir. O processo de aquisição do conhecimento foi realizado por meio de entrevistas com um médico especialista da área. O conhecimento adquirido consiste nas informações acerca da gasometria arterial e das alterações de parâmetros do ventilador mecânico, bem como a definição das variáveis que seriam utilizadas e das regras SE-ENTÃO. Nesta etapa, conseguiuse compreender o raciocínio seguido pelo especialista ao realizar ajustes no ventilador mecânico. As variáveis definidas como entrada do sistema são relativas a gasometria arterial que compreende o po2 (Pressão Parcial de Oxigênio) e pco 2 (Pressão Parcial do Dióxido de Carbono).
A inferência do sistema inicia-se sobre essas variáveis e realiza-se análise dos dados para determinar os parâmetros corretos a serem alterados no ventilador mecânico. As variáveis de saída definidas englobam os parâmetros do ventilador mecânico, como a Pressão Inspiratória (PIP), Pressão Positiva no Final da Expiração (PEEP), Tempo Inspiratório (TI), Tempo Expiratório (TE), Freqüência Respiratória (FR), Relação Inspiratória/Expiratória (Relação I/E) e Fração de O 2 Inspirado (FiO 2 ). Após a etapa de aquisição do conhecimento, selecionou-se a técnica de inteligência artificial mais adequada para a representação do conhecimento, no caso do SARE, utilizou-se a abordagem de conjuntos difusos, já que ela permite a modelagem e tratamento da imprecisão de forma adequada. A modelagem difusa do sistema SARE englobou as etapas referentes ao desenvolvimento de sistemas fuzzy, realizando-se a fuzificação das variáveis, inferência fuzzy e defuzificação. A fuzificação das variáveis compreendeu a transformação das entradas crisp em entradas fuzzy, para isso calculou-se as funções de pertinência de entrada. No caso do SARE, as funções de pertinência foram calculadas por meio da função S, porque a sua forma não linear possibilita que seja assumido um espectro de valores com grau de pertinência 1, e não apenas um valor, podendo assim, minimizar as inconsistências e definir as funções de pertinência de uma forma mais aproximada do raciocínio fuzzy, já que mudanças abruptas de conjuntos são evitadas. A função S é definida por: S (x; α; β; γ) = 0 para x < α 2. ((x α)/(γ α)) 2 para α x β 1 2 (( x γ)/(γ α)) 2 para β < x γ 1 para x > γ Onde: α; β; γ são parâmetros que podem ser ajustados para adequar os dados de pertinência desejados permitindo que a base de conhecimento seja adaptada a interpretação de um outro especialista. Deve-se saber que: α é o ponto cujo grau de pertinência é 0.0; β é o ponto cujo grau de pertinência é 0.5 e γ é o ponto cujo grau de pertinência é 1.0 Mediante a aplicação destas definições da função S, realiza-se os cálculos para descobrir qual o grau de pertinência de uma determinada entrada crisp. Por exemplo, quando po2 é 42 mmhg, calcula-se o grau de pertinência para este valor pertencer aos três conjuntos fuzzy: baixo, normal e alto. Após a realização dos cálculos, para os três conjuntos difusos da variável po2, tem-se as curvas que podem ser visualizadas na Figura 1. 1,5 1 0,5 PO2 - Funções de Pertinência 0 1 11 21 31 41 51 61 71 81 91 101 111 BAIXO NORMAL ALTO Figura 1 Funções de pertinência da po 2 Posterior a etapa de fuzificação, realizou-se a determinação das regras SE-ENTÃO, conforme processo de aquisição do conhecimento junto ao especialista. O antecedente da regra corresponde ao grau de pertinência calculado para a variável durante o processo de fuzificação. Na etapa de avaliação das regras que consiste em avaliar a relevância ou o grau de pertinência de cada antecedente da regra. A relevância da regra é calculada com base nos valores dos antecedentes desta regra. No desenvolvimento do SARE, realizou-se a avaliação das regras por meio do cálculo das t- normas, ou seja, da intersecção fuzzy já que os antecedentes das regras possuem o operador and (e). Dentre os vários tipos de t-normas existentes, decidiu-se realizar uma abordagem comparativa de dois tipos de t-normas, no caso, o mínimo e o produto algébrico. A escolha por eles deu-se em função de o mínimo ser considerado o tipo padrão e o produto algébrico ser o que mais se assemelha ao padrão. A intersecção padrão consiste em i(a,b) = min(a,b), enquanto o produto algébrico é i(a,b) = a.b, onde a e b são os graus de pertinência dos antecedentes da regra originados do processo de fuzificação. Ao se realizar o estudo comparativo entre os dois tipos de t-normas, chegou-se a conclusão que o produto algébrico é o que mais se aproxima do raciocínio do especialista por ser mais restritivo, adaptando-se melhor ao problema modelado. O processo de defuzificação do sistema se iniciou com a definição das funções de pertinência de saída, também por meio da função S, para as variáveis de saída FiO2, TI, PIP, FR e PEEP. Por exemplo, as funções de pertinência calculadas para a variável FiO 2 foram definidas dentro do limite que compreende de 0 a 100, sendo formada pelos conjuntos aumentar, manter e diminuir (Figura 2).
Posteriormente, realizou-se a defuzificação das variáveis por meio do Método do Centro de Gravidade, a fim de converter um conjunto difuso de saída do sistema em um valor crisp correspondente aos ajustes nos parâmetros do ventilador mecânico. A defuzificação foi realizada por meio do centro de gravidade em função de ser bastante utilizado em pesquisas que envolvam raciocínio difuso, e também por gerar o ponto central para cada função de pertinência de saída, o que possibilita o cálculo da média ponderada destes pontos. FiO2 - Funções de Pertinência 1,2 1 0,8 Figura 3 Tela dos dados pessoais 0,6 0,4 0,2 0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 AUMENTAR MANTER DIMINUIR Figura 2 Funções de pertinência da FiO 2 A realização da defuzificação ocorre somente após se ter calculado as funções de pertinência de saída e as t-normas, pois serão necessárias para a realização do processo. Resultados O desenvolvimento do SARE consistiu na implementação das etapas referentes aos sistemas especialistas difusos, calculadas anteriormente, para que fosse possível implementar no ambiente de programação Delphi, utilizando-se as variáveis consideradas e a base de conhecimento onde estão as regras SE- ENTÃO determinadas pelo especialista. O SARE armazena informações do paciente como os dados de identificação (nome, data de nascimento, nome da mãe e número do prontuário), os antropométricos (peso, estatura) e a afecção respiratória como também os parâmetros iniciais da ventilação e as alterações realizadas. Podendo-se imprimir essas informações para serem anexadas ao prontuário da criança. A seguir, tem-se algumas telas do sistema SARE. A figura 3 mostra a tela com os dados de identificação como nome da criança e da mãe, número do prontuário, data de nascimento; dados antropométricos (peso e estatura) e a afecção respiratória que a criança apresenta. A tela referente a gasometria arterial solicita os valores da po2, pco2 e ph, demonstra os respectivos gráficos, referentes a fuzificação (Figura 4). Figura 4 SARE: informações sobre a gasometria arterial Na figura 5, tem-se que dar entrada aos atuais valores que estão presentes no ventilador mecânico, ou seja, aqueles valores com os quais se iniciou a assistência respiratória. Nesta tela, também se geram os gráficos de cada um dos parâmetros. Os parâmetros do ventilador mecânico, considerados no desenvolvimento do SARE foram: Pressão Inspiratória (PIP), Pressão Positiva no Final da Expiração (PEEP), Tempo Inspiratório (TI), Tempo Expiratório (TE), Freqüência Respiratória (FR), Relação Inspiratória/Expiratória (Relação I/E) e Fração de O 2 Inspirado (FiO 2 ). Finalmente, tem-se a tela com as sugestões de alterações nos parâmetros do ventilador mecânico, bem como a presença do botão raciocínio seguido, que acessa o módulo de explicação que mostra as diretrizes de raciocínio do sistema (Figura 6).
Figura 5 Parâmetros atuais do ventilador mecânico abordagem difusa, que pode trazer muitos benefícios tanto para os médicos como para os pacientes, contribuindo-se para um maior aprofundamento do conhecimento no processo de diagnóstico e tratamento de doenças, bem como para controle de processos médicos. Na Medicina é comum o médico utilizar classificações relativas a variáveis clínicas, onde há um ponto de corte distinguindo duas classes adjacentes, ou ainda utilizar variáveis lingüísticas no raciocínio clínico. Na aplicação realizada, observa-se a presença de variáveis lingüísticas tais como: em relação ao po 2, pode-se classificálo em baixo, normal e alto. Para realizar o ajuste nos parâmetros do ventilador mecânico tanto os dados de gasometria quanto o próprio ajuste existe a presença de expressões lingüísticas em todas as variáveis utilizadas no raciocínio clínico. Em domínios similares ao aqui trabalhado, recomenda-se a aplicação de conjuntos difusos para modelar a imprecisão presente. O SARE como um sistema difuso voltado à área da saúde, constitui-se num instrumento que demonstra a aplicabilidade das técnicas da inteligência artificial, neste caso dos conjuntos fuzzy, que possibilitam uma adequada modelagem do raciocínio médico com presença de imprecisão. Referências Figura 6 Sugestões das alterações no ventilador mecânico Discussão e Conclusões O SARE trabalha com uma base de conhecimento adequada, devendo porém serem realizados maiores refinamentos dessa base. Futuramente, o SARE pode constituir-se num aliado aos médicos pediatras intensivistas na execução rotineira da tarefa de alteração nos parâmetros do ventilador, podendo vir a ser usado ininterruptamente no apoio ao cuidado da criança internada, desde que sejam realizados maiores refinamentos na base de conhecimento. Esta pesquisa mostra um caminho a ser seguido na área de inteligência artificial médica, [1] Rich, E., Knight, K. (1993), Inteligência Artificial, São Paulo: Makron Books. [2] Wang, L.X. (1997), A Course in Fuzzy Systems and Control, Hong Kong: Prentice Hall. [3] Lee, C. (1990), Fuzzy Logic in Control Systems: Fuzzy Logic Controller, IEEE Transaction on Systems, Man and Cibernetics, v. 20, n.2. 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) 431-2553. E-mail: mem@unesc.rct-sc.br.