Sistema Pessoal Móvel de Monitoração da Saúde: Algoritmo para Captura Inteligente de Sintomas Talles M. G. A. Barbosa 1, Iwens G. Sene Jr 1, Liana S. S. Castro 1, Henrique J. P. Branisso 2, Erika C. Figueiredo 2, Hervaldo.S. Carvalho 2, Adson.F. Rocha 1, Francisco A. O. Nascimento 1 1 (ENE), Universidade de Brasília (UnB), Brasil 2 Faculdade de Medicina (FMD) Universidade de Brasília (UnB), Brasil Resumo Nos últimos anos três paradigmas têm influenciado a estruturação da prestação de serviços em saúde: os sistemas de informação centrados no paciente, a descentralização da prestação dos serviços em saúde em direção ao domicílio, e a prioridade à melhora da qualidade de vida dos pacientes. Antevemos que o próximo paradigma a ser efetivado é a disponibilização de soluções direcionadas aos indivíduos, na forma de monitoração de hábitos de vida e detecção precoce de anormalidades com a finalidade de realização da prevenção primária, isto é, evitar o aparecimento de doenças. Neste sentido, é de fundamental importância o Gerenciamento integrado das Informações Médicas do Paciente que inclui as informações provenientes da interação do paciente com os profissionais de saúde e equipamentos para exames (Prontuário Eletrônico do Paciente), a interação do paciente com monitores de sinais fisiológicos, e as informações provenientes dos sistemas de informações digitais (WEB, Medline, MedlinePlus, PEP-Data Mining). O Sistema Pessoal Móvel de Monitoração da Saúde - SPMMS (Personal Health Monitor System PHMS) se propõe a ser um sistema móvel para monitoração contínua do estado de saúde dos indivíduos em sua rotina diária. O SPMMS gerencia as informações do paciente coletadas em um sistema computadorizado vestível responsável pela captura automática de sinais fisiológicos e sintomas. O módulo de captura automática de sintomas inclui as escalas de avaliação do estado mental, grau de independência para realização de atividades físicas, avaliação da presença de depressão (Minimal Mental Test) e a revisão sistêmica de sintomas. O Interrogatório Sintomatológico automático pode ter sua eficiência aumentada na medida em que a disposição das perguntas segue critérios baseados no raciocínio probabilístico. Assim sendo, o objetivo deste trabalho é verificar a viabilidade no uso de Redes Bayesianas para a estruturação da Anamnese automática a fim de que esta proposição possa refletir em ganhos para o sistema, na economia de energia, e ganhos para o usuário, tal como, minimizar o tempo de espera para a execução do Interrogatório Sintomatológico ou Revisão dos Sistemas. Palavras-chave: Computação Vestível, Fusão dos Dados, Revisão dos Sistemas e Redes Bayesianas. Abstract The Personal Health Monitor System (PHMS) is an automatic personal health assessment monitor that applies Wearable Computers and concepts of data fusion. The PHMS includes two main parts: the multiparametric physiological signals monitor and the Objective Symptoms Review component. The automatic symptoms review may benefit from the application of order based probabilistic reasoning algorithms (Bayesian Networks). The Bayesian Networks can improve its performance and optimize its use. The objective of this paper is to apply a Bayesian Network for establishing the Symptoms Review questionnaire. Our objective is to reduce the power consumption (system s metric), as well as to minimize the amount of time spent with the Objective Symptoms Review process, an user (patient) metric. Key-words: Wearable Computing, Data Fusion, Objective Symptoms Review, Bayesian Networks. Introdução Dentre as novidades tecnológicas aplicáveis na medicina e outros ramos da saúde, talvez a computação Vestível ou Wearable Computing seja uma das que trará maiores avanços nos próximos anos. Suas contribuições serão desde o monitoramento remoto de pacientes com patologias diversas até o biofeedback para atletas de alto nível. De acordo com [1] o computador vestível é definido como a interação de um computador de dimensões reduzidas com o ser humano, sendo
que o mesmo deverá usá-lo como usa uma roupa ou um acessório, seja em situações estáticas ou dinâmicas. A proposta de um monitor multiparamétrico vestível (figura 1) emerge como solução para monitoração remota [2] sendo que no acompanhamento de patologias a obtenção e o tratamento dos sinais biológicos não são autosuficientes. Eventos inesperados como os que não foram diagnosticados na História da Doença Atual (HDA) podem insurgir durante a execução de atividades rotineiras do usuário (paciente) e o sistema precisa se adequar à nova realidade. fonte:[2] O tamanho de tela e a autonomia da bateria figuram dentre os principais percalços quando se admite a implementação da RS como funcionalidade do SPMMS, vide figura 1. A quantidade de perguntas que devem ser apresentadas de forma visível e inequívoca sugere a necessidade do estabelecimento de uma ordem para que o exame se torne menos enfadonho e com menor custo computacional. Assim sendo, o objetivo deste trabalho é verificar a viabilidade no uso das Redes Bayesianas (RB), metodologia algorítmica, para a estruturação da Anamnese Especial a fim de que esta hipótese possa refletir em ganhos para o sistema, na economia de energia, e ganhos para o usuário, tal como minimizar o tempo de espera para a execução da Revisão dos Sistemas. Outro benefício esperado deste trabalho é o aumento do acerto no diagnóstico médico.. Metodologia Figura 1 - Arquitetura do SPMMS e o módulo que implementa a Revisão dos Sistemas Esta adequação não acontece de maneira trivial. De fato, o sistema precisa de algoritmos capazes de fundir informações oriundas dos sensores juntamente com as obtidas de outras fontes, tal como da Revisão dos Sistemas (RS). A RS ou também conhecido Interrogatório Sintomatológico é um processo em que o médico levanta possibilidades e reconhece enfermidades que não guardam relação com o quadro sintomatológico registrado na HDA. A única maneira de realizar uma boa RS é seguir um esquema rígido, constituído de um conjunto de perguntas que correspondem a todos os sintomas indicativos de alterações dos vários aparelhos do organismo [3]. Atualmente, algumas limitações são impostas à usabilidade de sistemas computacionais móveis. Como infra-estruturas para os Sistemas Computadorizados Vestíveis têm-se as técnicas para fusão dos dados permitindo com que os dados (informações) originados de diversas fontes possam ser combinados a fim de produzir a percepção adequada do ambiente. Fusão de dados é uma estrutura formal de um sistema usada para expressar a convergência de dados de diferentes origens onde estão expressos os meios e ferramentas para a agregação dos mesmos [4]. Por estabelecerem a identidade visual acerca das informações a serem conectadas, as redes bayesianas enquanto metodologia se enquadram no nível intermediário de uma taxonomia para fusão de dados [5]. São responsáveis pela representação do conhecimento incerto provendo suporte para o módulo de decisão que se encontra no nível mais alto. Redes bayesianas podem ser usadas para executar a fusão de variáveis quando existe independência e, sobretudo, incerteza associada aos dados. Uma Rede Bayesiana é representada por um grafo acíclico e dirigido, onde os nodos do grafo representam as variáveis do problema modelado e os arcos entre os nodos definem as relações de dependência probabilística entre as variáveis [6]. Para construção de uma RB existem dois paradigmas: automático e manual. O algoritmo automático parte de um conjunto de restrições somado a uma massa de dados e que sem a necessidade do acompanhamento de um especialista da área é capaz de gerar com autosuficiência uma representação probabilística para a situação. Na construção manual a obtenção da RB
demanda mais tempo, pois é realizada em estágios quase sempre acompanhados pelo especialista, porém o resultado final consiste de uma configuração mais precisa o que pode refletir em menor esforço computacional para o ambiente de execução. Para este trabalho utilizou-se do paradigma de construção manual. No primeiro estágio, definiram-se as variáveis do problema. Para tanto, 256 variáveis aleatórias foram encontradas. Na fase seguinte, obteve-se o relacionamento entre as varáveis aleatórias com a definição dos arcos e suas direções através da análise causa-efeito entre sintomas e suas prováveis conseqüências. Durante o estágio três foram estabelecidas as restrições lógicas para as relações de dependência entre as variáveis a fim de que o esforço computacional fosse minimizado, a aplicabilidade da RB fosse garantida e assim no estágio seguinte juntamente com a cancha dos especialistas pudessem ser atribuídos os valores das probabilidades às variáveis aleatórias. Para o projeto e avaliação da RB algumas ferramentas foram analisadas [7],[8], [9] [10] sendo que a Microsoft Bayesian Network Editor and Toolkit versão 1.0.0.1 [11] se mostrou mais adequada devido à sua interface visual simplificada, vasta documentação e performance satisfatória quando executada em ambiente Windows sobre plataforma Intel, além de ser distribuída gratuitamente pela Internet. Resultados Embora ainda pouco conclusivos os resultados se mostraram satisfatórios na medida em se consegue representar o interrogatório da Revisão dos Sistemas através de um modelo algorítmico. Na figura 2 pode-se ter uma idéia de quão complexa é a modelagem do conhecimento médico. Representando aproximadamente 5% do tamanho total da RB temos a ligação dos nodos (em cor amarela) pais a seus filhos através de arcos. Para cada nodo existe um valor discreto de probabilidade associado. Por exemplo, estima-se que quando o paciente se queixa de um problema no corpo em cerca 20% das vezes está relacionado a alterações na pele enquanto que apenas 3% das vezes se relaciona a tremores e que das alterações na pele em 12,5% dos casos podem estar relacionadas ao aparecimento de manchas que por sua vez em 30% dos casos podem ser da cor vermelha. Então, através da propagação dos valores dessas evidências se pode determinar a probabilidade do evento: ter problema no corpo e ser alteração na pele e ser ferida de cor vermelha. Estes valores de probabilidade podem levar a construção de um algoritmo que para chegar até a pergunta Qual a cor da mancha visível em seu corpo? não mais será necessário percorrer todas as outras questões relacionadas a manchas bem como questões sobre outros tipos de manifestações sobre a pele. Além do mais, o modelo probabilístico RB permite com que os valores associados as variáveis aleatórias possam ser alterados, situação em que com o uso de um monitor multiparamétrico vestível se faz muito útil. Por exemplo, se o paciente se queixa de algum problema e no mesmo instante é detectada uma arritmia através do ECG, o módulo fusão dos dados (vide figura 1) poderá alterar os valores de algumas das variáveis da RB ou até mesmo de todas fazendo com que o algoritmo executado pelo módulo de decisão de maneira inteligente (adaptativa) encaminhe o sistema, o mais rápido possível, para o questionário de um possível infarto ou outra anomalia de maior probabilidade. Discussão e Conclusões Como parte do SPMMS, o HANDMED [12], propõe a criação de uma ferramenta (software) para captura automática de sintomas (figura 3). Dentre os vários questionários aos quais o usuário será submetido, a Revisão dos Sistemas é o mais extenso. A plataforma disponibilizada à execução do SPMMS é composta de um conjunto de sensores biológicos ligados a um Personal Digital Assistant (PDA) Zaurus SL5500 com Linux kernel 2.4.18 embutido (vide figura 4). A fim de que a RB possa ser executada em ambiente real de operação, o estudo e a adequação à Application Programming Interface (API) existentes será necessária buscando otimizar a relação de custo-benefício inerente à toda esta tecnologia. Ainda na fase de análise do desempenho e amoldamento às API existentes um potencial gargalo ao uso de uma RB construída manualmente precisa ser investigado. A análise comparativa acerca dos algoritmos de propagação das evidências precisa ser executada. De acordo com [13] o algoritmo de propagação em poliárvores se mostrou eficiente na propagação de evidências acerca de doenças pulmonares. No caso da execução em PDA além de minimizar o tempo de espera para o usuário a economia de energia por si só é motivador para a busca de soluções em que computacionalmente encontre o menor esforço. Dentro da perspectiva do projeto e construção da RB, atualmente, encontra-se no
estágio final onde a análise de sensibilidade e a avaliação do desempenho estão sendo investigadas. Para tanto, a comparação entre dados reais com o modelo computacional está sendo desenvolvida. Como trabalho futuro pretende-se projetar e implementar o módulo de decisão para a Revisão dos Sistemas. Dessa forma, um algoritmo de busca em profundidade para o conjunto formado pelas árvores do grafo RB [15], levando em consideração os valores de probabilidade (prioridades) [16] associados aos nodos, está sendo investigado. O objetivo é que o módulo de decisão seja capaz de indicar o caminho de menor custo para o qual a seqüência do interrogatório da Revisão dos Sistemas seja executada, considerando inclusive o ônus caso o caminho escolhido não seja o adequado. fonte:[14] Figura 2 Rede Bayesiana para a Revisão dos Sistemas fonte:[12] Figura 4 Plataforma de suporte para o PHMS Agradecimentos À Universidade Católica de Goiás pelo apoio financeiro através do seu programa para capacitação de docentes. Referências Figura 3 Tela para captura dos sintomas no HANDMED [1]Carvalho, S. H., Heinzelmann B. W., Coelho J.N.C. Gerenciamento de Informações Médicas do Paciente (Projeto GIMPA). CBIS 2002. [2]Carvalho H., Coelho C., Heinzelman W., Murphy A. Body-worn sensor networks. Computers in Cardiology, 2003. [3]Porto, C. C. (2001) Semiologia Médica. Rio de Janeiro: Guanabara Koogan. [4]Wald L., Some terms of reference in data fusion. IEEE transactions on Geoscience and Remote Sensing, 37,3, 1190-1193, 1999. [5]Carvalho H., Coelho C., Heinzelman W., Murphy A General Data Fusion Architecture. Proceedings of the 6th International Conference on Information Fusion (Fusion 2003), July 2003.
[6]Lucas J. F. P., Van der Gang C. L., Abu-Hanna A. Bayesian networks in biomedicine and health-care Artificial Intelligence in Medicine 30 (2004) 2001-214. [7]da SILVA W. T., LADEIRA M. Mineração de dados em Redes Bayesianas Organizado por: Ingrid Jansch Porto Jornada de Atualização em Informática - XXI JAI; in anais do XXII Congresso Brasileiro de Computação.:, Florionópolis: SBC, 2002:, Editado por Ingrid Jansch Porto, 2002, v. 2, p. 235-286. [8]HUGIN Experts. http://www.hugin.com/. [9]Murphy P. K. The Bayes Net ToolBox for Matlab http://www.ai.mit.edu/~murphyk/papers/bnt.pdf. [10]Flores D. C., Ladeira M., Vicari M. R., Höher L. C. Uma Experiência do Uso de Redes Probabilísticas no Diagnóstico Médico. Argentine Symposium On Healthcare Informatics. 2000. [11]Microsoft Bayesian Network Editor and Toolkit http://research.microsoft.com/adapt/msbnx/. [12] Castro S.S.L., Carvalho S. H., Nascimento O.A.F.,Rocha F. A. Handmed an integrated system for mobile symptoms capture. III Latin American Congress on Biomedical Engineering 2004. [13]Hruschka Jr. R. E. (1997). Propagação de evidências em redes bayesianas: diagnóstico sobre doenças pulmonares. Tese de Mestrado, Programa de Ciência da Computação CIC/UnB, Brasília, 128p., mar. [14]MIThril 2003: Applications and Architecture. 7 th IEEE International Symposium on Wearable Computers, NY 2003. [15]Rich, E. (1988) Inteligência Artificial. São Paulo: McGraw-Hill. [16]Markenzon L., Szwarcfiter L. J. (1994) Estruturas de Dados e seu Algoritmos. Rio de Janeiro: LTC. Contatos Talles Marcelo G. de A. Barbosa. E-mail:talles@unb.br Iwens Gervásio Sene Jr. E-mail:iwens@unb.br Adson Ferreira da Rocha E-mail:adson@ene.unb.br Hervaldo Sampaio Carvalho Faculdade de Medicina, Fone: (061)-3072274. E-mail: carvalho@unb.br.