O Uso de Mapa Cognitivo Fuzzy no Diagnóstico Diferencial de Alterações na Eliminação Urinária Maria Helena Baena de Moraes Lopes 1, Neli Regina Siqueira Ortega 2, Paulo Sérgio Panse Silveira 3, Eduardo Massad 4, Rosângela Higa 5, Heimar de Fátima Marin 6 1 Departamento de Enfermagem, Faculdade de Ciências Médicas, Universidade Estadual de Campinas (UNICAMP), Brasil 2,3,4 Departamento de Patologia, Disciplina de Informática Médica (DIM), Faculdade de Medicina, Universidade de São Paulo (USP), Brasil 5 Centro de Atenção Integral à Saúde da Mulher (CAISM), Universidade Estadual de Campinas (UNICAMP), Brasil 6 Departamento de Enfermagem, Universidade Federal de São Paulo (UNIFESP), Brasil Resumo - Foi desenvolvido um sistema de apoio à decisão, usando mapas cognitivos fuzzy (MCF) para discriminar os diagnósticos da North American Nursing Diagnosis Association (NANDA) relacionados a alterações na eliminação urinária e comparar com outro baseado em regras (ALTURIN.SDD). Foram utilizados 195 casos. O modelo considera seis diagnósticos: Incontinência Urinária por Pressão; Incontinência Urinária Reflexa; Incontinência Urinária de Impulso; Incontinência Urinária Funcional; Incontinência Urinária Total e Retenção Urinária. Para implementar o MCF, utilizou-se um programa em Visual Basic. Consideraram-se como possíveis diagnósticos aqueles que se encontravam no limiar de 12% em relação ao valor máximo obtido. A concordância entre o modelo e os especialistas foi excelente (kappa=0,92, p<0,0001) ou moderada (kappa=0,42, p<0,0001), considerando-se dois cenários para comparação: um de superestimativa da concordância e outro de subestimativa. Embora a sensibilidade e especificidade em geral fossem elevadas (acima de 90%), o MCF foi pouco específico na determinação do diagnóstico de incontinência urinária de impulso, pouco sensível para incontinência total e apresentou sensibilidade e especificidade menores que o sistema ALTURIN.SDD. Uma grande vantagem do MCF é que ele permite que seja sugerido um diagnóstico mesmo que algumas informações não estejam disponíveis, propondo diagnósticos diferenciais que poderiam ser investigados antes se definir o diagnóstico definitivo. Palavras-chave: Lógica fuzzy, Incontinência urinária, Diagnóstico de enfermagem, Diagnóstico diferencial. Abstract - It was developed a decision support system, using fuzzy cognitive maps (FCM) to discriminate the diagnoses of the North American Nursing Diagnosis Association (NANDA) related to alterations in urinary elimination and compare with a system based on rules (ALTURIN. SDD). It was used 195 cases. The model considers six diagnoses: Stress Urinary Incontinence, Reflex Urinary Incontinence, Urge Urinary Incontinence, Functional Urinary Incontinence, Total Urinary Incontinence and Urinary Retention. To implement the FCM, it was used a program in Visual Basic. It is considered as possible diagnoses which were on the threshold of 12% in relation to the maximum value obtained. The correlation between the model and the experts was excellent (kappa = 0.92, p <0.0001) or moderate (kappa = 0.42, p <0.0001), considering two contexts for comparison: one of super-estimation of agreement and other of under-estimate, respectively. Although the sensitivity and specificity in general were high (above 90%), the FCM had low specificity in determining the diagnosis of Urge Urinary Incontinence, low sensitivity to Total Urinary Incontinence and had lower sensitivity and specificity than the system ALTURIN.SDD. One great advantage of FCM is to suggest a diagnosis even some data are unavailable, proposing differential diagnoses that could be better investigated. Key-words: Fuzzy logic, Urinary incontinence, Nursing diagnosis, Differential diagnosis.
Introdução Apesar de todo avanço científico e tecnológico, o processo diagnóstico é ainda considerado uma arte, por ser uma tarefa complexa. A relação entre diagnósticos e seus sintomas nem sempre é de um para um, ou seja, diferentes diagnósticos compartilham um ou mais sintomas; as observações estão sujeitas a erros, nem sempre são feitas de maneira contínua e podem ser insuficientes para um diagnóstico mais preciso[1]. A lógica fuzzy tem sido usada com resultados efetivos no diagnóstico médico. Foi desenvolvida com base no conceito de valores parcialmente verdadeiros, variando de completamente verdadeiro a completamente falso e tem se tornado um instrumento poderoso para lidar com a imprecisão e a incerteza. É utilizada em sistemas diagnósticos, tratamento de imagens e, mais recentemente, na epidemiologia e saúde pública[2,3]. O mapa cognitivo fuzzy (MCF) é uma metodologia de programas computacionais que tem sido usada para modelar sistemas complexos, como é o caso do sistema de diagnóstico diferencial. A teoria dos MCF usa uma representação simbólica (grafos) para descrever e modelar os sistemas complexos; ela utiliza conceitos, que são no caso dos diagnósticos diferenciais as doenças e os sintomas, para ilustrar os diferentes aspectos do modelo e o comportamento do sistema, enquanto os conceitos interagem uns com os outros, mostrando a dinâmica do sistema. Tanto dados qualitativos quanto quantitativos podem ser representados nesse modelo[4]. Os problemas urinários são comuns na população em geral. A incontinência urinária (IU), em particular, tem elevada freqüência principalmente entre mulheres, prejudicando as atividades diárias, as interações sociais e a autopercepção do estado de saúde[5]. No entanto, muitas vezes a alteração urinária não é diagnosticada e uma das razões é que os profissionais de saúde não estão preparados para identificar, tratar ou encaminhar pessoas com estes problemas. A North American Nursing Diagnosis Association - International (NANDA-I) considera que os problemas urinários constituem-se diagnósticos de enfermagem e lista em sua taxionomia, versão 2001-2002[6]: Eliminação Urinária Prejudicada; Incontinência Urinária por Pressão; Incontinência Urinária Reflexa; Incontinência Urinária de Impulso; Incontinência Urinária Funcional; Incontinência Urinária Total; Risco para Incontinência Urinária de Impulso e Retenção Urinária. O diagnóstico diferencial dos distúrbios da eliminação urinária algumas vezes é difícil de ser estabelecido por quem não é especialista. Dessa forma, sistemas especialistas podem desempenhar um papel importante como ferramentas de apoio à decisão no diagnóstico de IU. Frente ao exposto, foi objetivo geral do presente estudo desenvolver um sistema de apoio à decisão em Enfermagem usando MCF com o objetivo de discriminar os diagnósticos relacionados à eliminação urinária alterada, utilizando a classificação diagnóstica da NANDA. Foram objetivos específicos testar o Sistema e comparar sua sensibilidade e especificidade com a do sistema ALTURIN.SDD, sistema anteriormente desenvolvido e que foi baseado em regras (árvore de decisão)[7]. Metodologia Os MCF são estruturas baseadas em grafos sobre os quais se estabelece uma dinâmica (Figura 1). Deste modo, o mapa é composto por um conjunto de nós e de arestas que correspondem a conceitos e a ligações entre eles, respectivamente. Cada conceito (nó) tem um valor fuzzy que é um número no intervalo [0,1] e que é atualizado por um processo dinâmico. Eles representam uma medida da quantidade do conceito (C) presente no modelo. O grau da associação (arestas) são pesos com valores (ω ij) que variam de -1 a 1, ou seja, no intervalo [-1,1]. Eles representam o grau da relação fuzzy de um conceito sobre o outro. Se a essa relação é positiva, então ω ij é maior que zero. Caso contrário, ωij é negativo. No modelo proposto por alguns autores[4] a relação dos diagnósticos entre si foi considerada para um cenário de competição, isto é, para a relação do diagnóstico consigo mesmo foi atribuído o valor 1 e para a relação com os demais, o valor -1. Figura 1 Representação gráfica de um mapa cognitivo fuzzy[4]. Quando o mapa cognitivo fuzzy começa a modelar o sistema, os conceitos apresentam seus valores iniciais e então o sistema é simulado. A cada passo (step) de simulação, o valor de cada conceito é determinado pela influência dos conceitos interconectados ponderados pelos pesos correspondentes (Equação 1):
A t + 1 i n = f ( ω A ) (1) j = 1, j i onde A i é o valor do conceito C i no passo t + 1, A j o valor do conceito C j no passo t, ω ji o valor da associação entre os conceitos C j e C i, e f uma função de transferência, que garante que os valores dos conceitos se mantenham no intervalo [0,1] durante o processo dinâmico. Uma função f(x) que tem esta característica é a função logística[4] Equação 2: f ( x) = ji j 1 1 + e λ x (2) Desta forma os valores são atualizados no tempo (ou seja, uma seqüência de passos de simulação), buscando uma convergência, ou seja, um estado de equilíbrio. Assim, o mapa cognitivo pode convergir para um ponto fixo, isto é, os valores param de variar no tempo, ou convergir para um ciclo periódico. Uma terceira possibilidade é não convergir e apresentar um comportamento caótico. No modelo proposto por [4] foram avaliados quatro casos clínicos e foi determinado o diagnóstico diferencial de distúrbios específicos da linguagem (DEL) com dislexia e autismo. A Figura 2 apresenta o gráfico dos valores dos nós de saída de DEL, dislexia e autismo como funções dos números de repetições para cada caso. Cada nó convergiu para um valor final e o nó com o maior valor foi considerado o diagnóstico mais possível. Figura 2 Diagnóstico diferencial entre DEL, dislexia e autismo usando MCF: resultados de quatro casos clínicos (SLI = DEL, distúrbios específicos da linguagem). Fonte: Georgopoulos VC, Malandraki GA, Stylios CD. A fuzzy cognitive map approach to differential diagnosis of specific language impairment. Artificial Intelligence in Medicine 2002; 679:1-18[4]. Em nosso estudo, foi desenvolvido um mapa cognitivo fuzzy para o diagnóstico diferencial de casos de eliminação urinária alterada. Outros autores[8] têm estudado a aplicação destes mapas em processos diagnósticos, obtendo resultados diferentes dos apresentados no estudo anteriormente citado[4]. A dinâmica proposta por esses outros autores[8] para MCF tem se mostrado mais apropriada para o diagnóstico diferencial, uma vez que os mapas tornam-se capazes de evoluir para um ponto fixo que é diferente, a depender da situação de cada paciente, o que não se verifica na estrutura usada por[4], que é mais apropriada para sistemas de controle como demonstrado em estudo anterior[9]. Nos modelos de MCF tradicionais os sistemas tendem ao mesmo equilíbrio, na maioria das vezes um ponto fixo, independentemente dos valores iniciais atribuídos aos conceitos, ou seja, de seus valores de entrada. Notadamente, essa característica é a desejada em sistemas de controle, onde o principal objetivo é manter um processo em torno de um valor independentemente da variação nas condições iniciais desse processo. No caso específico do diagnóstico isto significa que qualquer que seja o caso clínico, e sua diversidade de graus de presença de sinais e sintomas, o diagnóstico final será sempre o mesmo, claramente uma situação não desejável. Frente a isso, concluiu-se que na construção de MCF para diagnóstico diferencial: A aplicação tradicional dos mapas, com sintomas variando, não gera um sistema para diagnóstico diferencial, pois estes convergem para um único ponto fixo; A fixação dos valores dos sintomas é mais razoável do ponto de vista diagnóstico. Ou seja, nesta abordagem os conceitos que descrevem os sintomas do paciente não variam no tempo e é permitida apenas a variação dos valores dos conceitos que descrevem os possíveis diagnósticos; Ao fixar os valores dos sintomas o sistema torna-se dependente das condições iniciais, produzindo um valor para cada paciente, ou seja, a condição inicial do sistema passa a caracterizar a condição de um paciente específico em um determinado momento no tempo (em geral no momento em que essas informações foram colhidas); A implementação desse modelo, baseado na abordagem alternativa dos mapas fuzzy, foi realizada usando-se o programa Visual Basic. Foi desenvolvido um programa voltado para o usuário que é capaz de implementar qualquer mapa fuzzy, independentemente de sua aplicação. Este programa é um primeiro protótipo para o desenvolvimento futuro de um sistema específico para diagnósticos diferenciais.
Além de fixar os valores dos sintomas. Após testar diferentes cenários, o melhor resultado obtido foi o de competição com reforço, isto é, para a relação do diagnóstico consigo mesmo foi atribuído o valor 1 e para a relação com os demais, o valor -1. Uma vez que os diagnósticos em questão não são excludentes, ou seja, é possível que o paciente possua mais de um diagnóstico, foi considerado como resposta do modelo não apenas o diagnóstico que apresentasse maior valor ao final da simulação. Os testes iniciais com o modelo demonstraram que os melhores resultados foram obtidos quando se considerou como possíveis diagnósticos aqueles que se encontravam no limiar de 12% em relação ao maior valor identificado. Assim, foram considerados como resposta do sistema todos os diagnósticos que se encontravam na faixa até 12% inferior ao valor máximo obtido no equilíbrio dinâmico. Na elaboração do mapa cognitivo foi utilizada a taxionomia da NANDA versão 2001-2002[6], traduzida para o português. Como o modelo deveria ser capaz de fazer o diagnóstico diferencial de problemas urinários reais, o diagnóstico de enfermagem Risco para Incontinência Urinária de Impulso não foi incluído na análise. Além do mais, como o diagnóstico de Eliminação Urinária Prejudicada é pouco específico e comum a todos os casos de alteração na eliminação urinária, ele também não foi incluído no modelo. Assim, o MCF considera seis diagnósticos: Incontinência Urinária por Pressão; Incontinência Urinária Reflexa; Incontinência Urinária de Impulso; Incontinência Urinária Funcional; Incontinência Urinária Total e, Retenção Urinária. Para determinar um diagnóstico de enfermagem real, características definidoras que incluem dados subjetivos e objetivos, sinais e sintomas, devem estar presentes[10]. Todas as características definidoras aprovadas pela NANDA foram usadas no modelo. Como sugerido por alguns autores[11] freqüência diminuída foi adicionada como característica definidora. As características definidoras incapacidade para inibir ou iniciar a micção e micção pequena, freqüente ou ausência de débito urinário foram divididas em duas partes e consideradas como dois diferentes sintomas. Contração/espasmo da bexiga pode ser um sinal (observado por estudo urodinâmico) ou um sintoma (algumas pessoas têm sensação de contração da bexiga antes ou durante a perda involuntária de urina), desta forma ele foi considerado como dois diferentes eventos. Para propósito de calibração, a característica definidora incontinência foi excluída por ser comum a todos os diagnósticos, inclusive na Retenção Urinária (incontinência de transbordamento ou overflow incontinence). Como resultado, 39 características definidoras foram consideradas no mapa. Para comparar o desempenho do modelo com os diagnósticos determinados por três especialistas (enfermeiras) em estudo anterior, no qual foi desenvolvido o sistema ALTURIN.SDD[7] utilizando os mesmos casos usados no presente estudo, foi calculado o índice Kappa, considerando-se a superestimativa da concordância (concordância quando pelo menos um diagnóstico era igual) e a subestimativa (discordância quando pelo menos um diagnóstico era diferente), respectivamente. Foram calculadas a sensibilidade e especificidade e comparadas com os resultados obtidos com o sistema ALTURIN.SDD. Resultados O MCF para diagnóstico de IU foi testado em um conjunto de 195 casos de eliminação urinária alterada, obtendo-se os resultados apresentados a seguir. Na Tabela 1 são apresentados os diagnósticos determinados pelas especialistas e pelo MCF. Verifica-se que o MCF identificou com muito menor freqüência os diagnósticos incontinência urinária por pressão e incontinência total. Tabela 1 Diagnósticos determinados pelas especialistas e pelo mapa cognitivo fuzzy Diagnóstico Especialistas MCF Pressão 54 19 Impulso 17 21 Retenção 14 9 Total 12 1 Reflexa 1 3 Funcional 0 0 Impulso + Pressão 97 116 Impulso + Funcional 0 5 Impulso + Pressão + 0 8 Funcional Impulso + Pressão + 0 2 Retenção Impulso + Reflexa + 0 1 Retenção Impulso + Total 0 3 Impulso + Retenção 0 4 Pressão + Retenção 0 1 Reflexa + Total 0 1 Reflexa + Retenção 0 1 Total 195 195 Como mostrado na Tabela 2, o modelo foi capaz de determinar o diagnóstico em concordância total ou parcial com o painel de
especialistas em 94,9% dos casos. Em 10 casos (5,1%) o modelo apresentou um diagnóstico que diferiu totalmente dos determinados pelas especialistas. Tabela 2 Concordância do modelo proposto com a opinião das especialistas Resultado n % Concordância total 121 62,1 Concordância parcial 64 32,8 Discordância total 10 5,1 Total 195 100.0 A concordância entre o modelo e as especialistas foi excelente (kappa=0,92, p<0,0001) ou moderada (kappa=0,42, p<0,0001), considerando a superestimativa e a subestimativa da concordância, respectivamente. Na Tabela 3 é apresentado o cálculo da sensibilidade e especificidade do MCF na determinação de cada um dos diagnósticos em estudo e de forma geral. Observa-se que embora a sensibilidade e especificidade em geral sejam elevadas, o MCF foi pouco específico na determinação do diagnóstico incontinência urinária de impulso e pouco sensível para incontinência total. Tabela 3 Sensibilidade e especificidade do mapa cognitivo fuzzy na determinação dos diagnósticos relacionados à eliminação urinária alterada Diagnóstico Sensibilidade Especificidade DII 1 0,43 DIP 0,95 0,93 DIR 1 0,97 DIT 0,42 1 DIF* - - DR 1 0,98 Geral 0,95 0,92 * não foi possível determinar devido à pequena casuística (1 caso de incontinência urinária funcional). Legenda: DII= Incontinência Urinária de Impulso DIP= Incontinência Urinária por Pressão DIR= Incontinência Urinária Reflexa DIT= Incontinência Urinária Total DIF= Incontinência Urinária Funcional DR= Retenção Urinária Comparando-se o desempenho do MCF com o do sistema ALTURIN.EXP, verificou-se que este último teve melhor desempenho uma vez que apresentou sensibilidade e especificidades superiores a 98% para todos os diagnósticos. Discussão e Conclusões Não existe um mecanismo formal ou uma definição que oriente a escolha do melhor modelo. Rissanem (1986) e Gershefeld (1998) apud [12] sugerem que o melhor modelo é aquele que tem o menor tamanho, mas inclui todas as informações necessárias e atende às necessidades do usuário. Embora os resultados apontem que o MCF teve desempenho inferior ao sistema ALTURIN.EXP, este apresenta algumas desvantagens que foram em parte atendidas no novo modelo proposto. A principal delas é que o MCF discrimina o diagnóstico mesmo quando há dados faltantes o que no caso do sistema ALTURIN.EXP, por ser bastante simples, a falta de dados importantes pode levar a resultados inconclusivos. Outro aspecto relevante é que o sistema ALTURIN leva à escolha forçada entre presença ou ausência de sinais ou sintomas (características definidoras, na denominação da NANDA). O MCF permite a incerteza, o que guarda maior proximidade com situações reais. No primeiro contato com o paciente as informações, em sua grande maioria, são de natureza lingüística e diferentes diagnósticos podem ser confundidos entre si quando o problema de saúde (ou reação humana, no caso dos diagnósticos de enfermagem) se encontra em seu estado inicial. Frente a isso, alguns modelos propostos já incorporam a duração dos sintomas para fazer o diagnóstico diferencial[13]. No entanto, a maior dificuldade para incorporar a dimensão temporal das características definidoras dos diagnósticos de enfermagem (sinais ou sintomas) é que há pouco conhecimento temporal, na expressão usada por[13], isto é, a literatura é escassa sobre esse aspecto. Comparando-se com o modelo para diagnóstico diferencial de IU baseado na composição de relações fuzzy[14], o MCF apresentou resultados bastante semelhantes., Porém, o modelo baseado em relações fuzzy possui uma estrutura matemática bem mais simples quando comparado ao MCF, exigindo menos recursos computacionais para sua implementação. Por outro lado, os MCF constituem uma área ainda pouco explorada, mas em desenvolvimento, particularmente quanto ao papel que eles podem desempenhar em sistemas de apoio à decisão. Novos modelos têm sido propostos, alguns deles permitindo que se agreguem recursos estatísticos e a dimensão temporal, como já comentado. Conclui-se que apesar dos resultados iniciais promissores, há necessidade de refinamento do MCF desenvolvido. Como não existe na literatura estudo semelhante, a experiência de desenvolvimento poderá ser aplicada na criação de outros sistemas
especialistas, os quais poderão ser utilizados no ensino, na pesquisa e na assistência. Agradecimentos Este trabalho teve o apoio financeiro do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Referências 1. Stelmann F, Adlassing KP. Fuzzy medical diagnosis. Disponível em: http://www.kbs.unihannover.de/arbeiten/publikationen/1998/hfc.pdf Acesso: agosto 2007. 2. Nascimento LFC, Ortega NRS. Modelo lingüístico fuzzy para estimação do risco de morte neonatal. Rev. Saúde Pública 2002; 36(6):686-92. 3. Massad E, Ortega NRS, Barros LC, Struchiner, CJ. Fuzzy logic in action: applications in epidemiology and beyond. New York: Springer; 2008. 379 p. 4. Georgopoulos VC, Malandraki GA, Stylios CD. A fuzzy cognitive map approach to differential diagnosis of specific language impairment. Artificial Intelligence in Medicine 2002; 679:1-18. 5. Davis G, Sherman R, Wong MF, McClure G, Perez R, Hibbert M. Urinary incontinence among female soldiers. Military Medicine 1999;164:182-7. 6. North American Nursing Diagnosis Association. Diagnósticos de enfermagem da NANDA: definições e classificação 2001-2002. Porto Alegre: Artmed; 2002. p.101, p.128-33, p.200. 7. Lopes MHBM, Higa R. Desenvolvimento de um sistema especialista para identificação de diagnósticos de enfermagem relacionados com a eliminação urinária. Rev Bras Enferm 2005; 58(1):27-32. 8. Souza C A, Lopes JAF, Ortega NRS, Silveira PSP. Mapas cognitivos fuzzy em diagnósticos médicos: uma aplicação no diagnóstico de pneumonia em crianças. Anais do XX Congresso Nacional de Matemática Aplicada e Computacional; 2006; Campinas; 2006. 9. Stylios CD, Groumpos PP, Georgopoulos VC. Fuzzy cognitive map approach to process control systems. Journal of Advanced Computational Intelligence1999; 3(5): 409-17. 10. Carpenito L J. Nursing diagnosis: application to clinical practice. 7th ed. Philadelphia: Lippincott; 1997. 11. Nóbrega MML, Garcia TR, organizadores. Uniformização da linguagem dos diagnósticos de enfermagem da NANDA: sistematização das propostas do II SNDE. João Pessoa (PB): A União, CNRDE/GIDE PB; 1994. p. 32-8. 12. Massad E. Introdução. In: Massad E, Menezes RX, Silveira PSP, Ortega NRS. Métodos quantitativos em medicina. São Paulo: Manole; 2004. cap 1, p. 3-22. 13. John RI, Innocent PR. Modeling uncertainty in clinical diagnosis using fuzzy logic. IEEE Transactions on Systems, Man and Cybernetics Part B: Cybernetics 2005; 35(6):1340-50. 14. Lopes MHBM, Marin HF, Ortega NRS, Massad E. Fuzzy logic model base on the differential nursing diagnosis of alterations in urinary elimination. Proceedings of the 9th International Congress in Nursing Informatics; 2006 Jun. 11-14; Seoul (KR), Korea: IMIA NI SIG; 2006. p.117-20 Contato Maria Helena Baena de Moraes Lopes Rua Conceição, 552-apto.25 13010-050 Campinas SP Brasil E-mail: mhbaenaml@yahoo.com.br.