5.3 Experimento com osso animal
5.3.2 Osso de suidae suíno
Novamente foram realizadas leituras com osso animal de suínos (ver Figura 5.5). De- vido as semelhanças com a anatomia humana da falange medial, utilizou-se a falange pro- ximal suína para realização desses testes. As quatro amostras foram classificadas como intactas e alteradas, antes e após as perfurações respectivamente. Para uma maior precisão da análise dos resultados posteriores, as amostras foram pesadas.
5.3. EXPERIMENTO COM OSSO ANIMAL 53
Figura 5.5: Ossos intactos usados nos testes do Osseus
De acordo com a Tabela 5.4 nota a coerência das leituras de atenuação das amos- tras intactas quando feito o comparativo das leituras das amostras alteradas, por exem- plo, na amostra 02 a leitura original de atenuação foi de 778,04852295mV com peso de 24,7g e após as perfurações (Figura 5.6 a leitura de atenuação original ficou em 113,3658300781mV para um peso de 23,6g, uma diferença de atenuação de -5,568514404mV e de peso de 1,5g ( menor que a amostra original). Analisando as amostra 02 e 04 que sofreram a maior perda de peso após as perfurações pode-se comprovar a sensibilidade do dispositivo por revelar que as maiores diferenças de atenuação ocorreram nestes com valores de -9,940424249 para amostra 02 e -17,78782498 para a amostra 04 (Tabela 5.4).
Amostras Atenuação Intactas (mV) Atenuação Alteradas (mV) Peso Intactas (g) Peso Alteradas (g) Diferença de peso (g) 01 118,9343444824 113,3658300781 25,1 24,9 0,2 02 78,04852295 68,1080987005 24,7 23,6 1,1 03 56,95312500 50,6250000000 25,1 24,8 0,3 04 82,265625 64,4778000189 25,6 24,6 1,1
Tabela 5.4: Valores de medidas de atenuação e variações de peso para amostras de osso suíno
Capítulo 6
Conclusão e trabalhos futuros
Neste trabalho foi proposto a construção de um protótipo para o auxílio na classifi- cação da densidade mineral óssea e posterior identificação da osteoporose. Esta doença tem afetado a população em uma escala mundial, inclusive no Brasil, que é um país de dimensões continentais e que, no momento, não se tem proporcionado o devido acesso a esse tipo de diagnóstico a população. Um dos fatores que levam a isso é, como já foi dito, a complexidade e o custo elevado na disponibilização dos equipamentos em todo o território brasileiro. Para reduzir os gatos com procedimentos para tratamento de fratu- ras causadas pela osteoporose (Moraes 2014), é fundamental a implantação de medidas preventivas frente ao crescente número de idosos no país e agravamento do quadro da calamidade que essa silenciosa doença tem causado, dificultando a detecção precoce e posterior tratamento adequado.
Os fatores de risco são de verdadeiro auxílio na identificação de grupos com poten- cial de osteoporose, entretanto apenas esses fatores ao serem analisados por si só não são suficientes para rastrear estes grupos, sendo necessário o cruzamento de informações de exames já realizados e posterior tratamento destes dados com uma ferramenta de inteli- gência artificial.
Se existisse uma ferramenta que possibilitasse o auxílio no rastreio de grupos de risco sem a necessidade de recorrer a exames anteriores e sim realizando sondagem em tempo real, combinando com os fatores de risco, juntamente com auxílio de uma inteligência artificial, ter-se-ia uma potencial redução do impacto que a osteoporose tem causado na população, bem como uma significativa redução dos custos no tratamento de fraturas. O protótipo do Osseus revelou potencial em se tornar uma ferramenta de auxílio. Os ajustes que foram realizados nas atualizações de versões, apontam para uma possibilidade para em um curto período o desenvolvimento de um dispositivo portátil, com baixo custo de fabricação e manutenção.
O Osseus está pronto para validação pré-clínica, bastando para isso proceder com tes- tes em seres humanos já que o local onde o procedimento é realizado tem menos comple- xidade do que as demais áreas do corpo. Para tanto, torna-se fundamental o conhecimento das propriedades dielétricas dos tecidos humanos para o desenvolvimento de técnicas que forneçam informações detalhadas destes, com o objetivo de desenvolver métodos cada vez mais precisos de diagnóstico (Campbell 1990). Os testes realizados com pele de suíno comprovaram que o equipamento pode lidar com a complexidade dos tecidos que estão envoltos sob o osso.
Outra possibilidade futura para este projeto é o desenvolvimento de modelos de dispo- sitivos do Osseus cada vez menores aumentando sua portabilidade e, consequentemente, diminuindo seu custo de fabricação. Importante ressaltar que será necessário realizar tes- tes com diferentes abordagens de inteligência artificial, dada a complexidade de dados que esta ferramenta terá que lidar quando passar para os testes pré-clínicos. Vencendo os desa- fios aqui abordados será possível ter uma ferramenta preditiva que poderá ser aplicada em populações abragendo um número maior de indivíduos, inclusive os do sexo masculino, visto que em sua maioria os estudos são voltados para o sexo feminino, independente de sua faixa etária ou etnia.
Como o Osseus está pronto para testes, após estes, teremos a possibilidade de rea- lizar exames de diagnóstico inicial para doenças osteometabólicas em qualquer um dos 5.564 municípios do Brasil, podendo atender facilmente aos parâmetros estabelecidos pela Ministério da Saúde, (SAÚDE 2002) com possibilidade de abranger toda a popula- ção brasileira, reduzindo os custos no tratamento pós-fratura, bem como redução de sua ocorrência. Com isso, podendo dar maior qualidade de vida a população brasileira, frente a essa "doença silenciosa".
Referências Bibliográficas
ABNT (1997), ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Instalações elé- tricas de baixa tensão: NBR 5410, Rio de Janeiro.
AIHW (2014), Health-care expenditure on arthritis and other musculoskeletal conditions 2008–09, 2aedição, Australian Institute of Health an Welfare, Canberra.
Albanese, C. V., F. Terlizzi & R. Passariello (2011), ‘Quantitative ultrasound of the pha- langes and dxa of the lumbar spine and proximal femur in evaluating the risk of os- teoporotic vertebral fracture in postmenopausal women’, J. Clin.Endocrinol.Metab. 116, 92–101.
ANATEL (2002), ‘Resolução 305 de julho de 2002 – regulamento sobre limitação da ex- posição a campos elétricos, magnéticos e eletromagnéticos na faixa de radiofreqüên- cias entre 9 khz e 300 ghz.’, Brasil.
Araújo, D. V., Oliveira J. H. A. & Bracco O. L. (2005), ‘Custo da fratura osteoporótica de fêmur no sistema suplementar de saúde brasileiro’, Arq. Bras. Endocrinol. Metab 49, 897 – 901.
Balanis, C. (2009), Teoria de Antenas - Análise e Síntese, 3aedição, LTC, Rio de Janeiro, RJ.
Bianco, B., A. Chiabrera & J.J. Kaufman (1995), ‘Electromagnetic bone-assessment ap- paratus and method’, Cyberlogic Inc. . US5782763A.
Campbell, A. M. (1990), ‘Measurements and analysis of the microwave dielectric proper- ties of tissues’, Departament of Physics and Astronomy .
Chang, H., Y. Chiu, H. Kao, C. Yang & W. Ho (2013), ‘Comparison of classification al- gorithms with wrapper-based feature selection for predicting osteoporosis outcome based on genetic factors in a taiwanese women population,’, 2013(850735).
Chiu, J. S., Y. C. Fu-Chiu Yu & Y. F. Wang (2006), ‘Applying an artificial neural network to predict osteoporosis in the elderly’, Studies in health technology and informatics 124, 609–14.
Cruz, A. S. (2013), Medição de densidade óssea através de ondas eletromagnéticas e classificação por mvs, Dissertação de mestrado, UFRN, Natal, RN.
Cruz, A. S., H. C. Lins, R. V. A. Medeiros, M. F. J. Filho & S. G. Silva (2018), ‘Artificial intelligence on the identification of risk groups for osteoporosis, a general review’, BioMedical Engineering OnLine17(1), 12.
URL: https://doi.org/10.1186/s12938-018-0436-1
Cruz, A. S., S. G. da Silva & B. H. de Castro (2013), Bone density measurement th- rough electromagnetic waves, em ‘The 6th 2013 Biomedical Engineering Internati- onal Conference’, pp. 1–5.
David, T. & C. Cyrus (1998), ‘Osteoporosis as a candidate for disease management’, Disease Management and Health Outcomes3(5), 207–214.
de C. Juez, F.J., M.A. Suárez-Suárez, F. S. Lasheras & A. Murcia-Mazón (2011), ‘Ap- plication of neural networks to the study of the influence of diet and lifestyle on the value of bone mineral density in post-menopausal women’, Mathematical and Computer Modelling54(7), 1665 – 1670.
de M. Meneses, A. A., C. J. G. Pinheiro, R. Schirru, R. C. Barroso, D. Braz & L. F. Oli- veira (2008), ‘Artificial neural networks applied to bone recognition in x-ray com- puter microtomography imaging for histomorphometric analysis’, pp. 5309–5313. de Moura Meneses, A. A., C. J. G. Pinheiro, L. M. Gambardella, R. Schirru, R. C. Bar-
roso, D. Braz & L. F. Oliveira (2009), ‘Neural computing for quantitative analy- sis of human bone trabecular structures in synchrotron radiation x-ray uct images’, pp. 3437–3441.
Della, M. M., G. Fabiani, A. Biasioli, V. Piccoli, L. Voscotto, L. Driul M. Chittaro & D. Marchesoni (2008), ‘Identification of patients with a high risk of osteoporosis. analysis of risk factors, ultrasonography and dexa, in a female population in the north east of italy’, Minerva Ginecol 60(2), 97–104.
Emerson., C. (2011), ECCOSORB AN - Flexible foam sheet broadband microwave ab- sorbers, Randolph, MAd.
Exton-Smith, A.N., P.H. Millard, P.R. Payne Erica & F. Wheeler (1969), ‘Method for me- asuring quantity of bone’, The Lancet 294(7631), 1153 – 1154. Originally published as Volume 2, Issue 7631.
Fritz, P., P. Schmook, J. G. Meingassner & A. Billich (2001), ‘Comparison of human skin or epidermis models with human and animal skin in in-vitro percutaneous absorp- tion’, International Journal of Pharmaceutics 215(1), 51 – 56.
Ganapathy, P. & J. A. Skipper (2009), ‘Feasibility of osteoporosis screening by dual- energy radiographic absorptiometry of the phalanx’, Journal of Clinical Densitome- try: Assessment of Skeletal Health;12(2), 251–259.
Gregg, E. W., A. M. Kriska, L. M. Salamone, M. M. Roberts, S. J. Aderson, R. E. Ferrell, L. H. Kuller & J. A. Cauley (1997), ‘The epidemiology of quantitative ultrasound:
REFERÊNCIAS BIBLIOGRÁFICAS 59
A review of the relationships with bone mass, osteoporosis and fracture risk’, Oste- oporosis International7(2), 89–99.
Harrar, K., L. Hamami, S. Akkoul, E. Lespessailles & R. Jennane (2012), Osteoporosis assessment using multilayer perceptron neural networks, em ‘2012 3rd International Conference on Image Processing Theory, Tools and Applications (IPTA)’, pp. 217– 221.
Harvey, W. K. & P. S. Joseph (1987), ‘Electromagnetic non-invasive measurement and monitoring system for osteoporosis’, The John Hopkins University p. US 4850372 A.
Henderson, J. E. & D. Goltzman (2000), ‘The osteoporosis primer’, Cambrigde Universit Press.
Hwang, P., A. Chen, C. Lou & J. Lin (2014), ‘Electromagnetic shielding effectiveness and functions of stainless steel/bamboo charcoal conductive fabrics’, Journal of In- dustrial Textiles44(3), 477–494.
IBGE (2016), Projeção da população do brasil e das unidades da federação. 2016, Página na internet, IBGE.
URL: http://www.ibge.gov.br/apps/populacao/projecao/ Iliou, T., C. Anagnostopoulos, I. M. Stephanakis & G. Anastassopoulos (2017), ‘A novel
data preprocessing method for boosting neural network performance: A case study in osteoporosis prediction’, Information Sciences 380(Supplement C), 92 – 100. IOF (2016), Facts and statistics, Página na internet, iof.
URL: https://www.iofbonehealth.org/facts-statistics J. A. Kanis, P. A. Pitt (1992), ‘Epidemiology of osteoporosis’, Bone 13, 1:S7–15.
J. D. Barros, J. J. J. Oliveira, R. F. Farias S. G. Silva (2010), ‘Microwave characterization using wavelets na application related to bone tissue and bone meal with silica’, Bone & Joint Journal10(1), 667–675.
Jennane, R., A. Almhdie-Imjabber, R. Hambli, O. N. Ucan & C. L. Benhamou (2010), Genetic algorithm and image processing for osteoporosis diagnosis, em ‘2010 An- nual International Conference of the IEEE Engineering in Medicine and Biology’, pp. 5597–5600.
Kanis, J. A., Burlet N., Cooper C., Delmas P. D., Reginster J.Y. & Borgstrom F. (2008), ‘European guidance for the diagnosis and management of osteoporosis in postme- nopausal women’, 19, 399–428.
Kavitha, M. S., A. Asano, A. Taguchi & M. S. Heo (2013), ‘The combination of a histogram-based clustering algorithm and support vector machine for the diagno- sis of osteoporosis.’, Imaging Sci Dent. 43, 153–161.
Kavitha, M. S., T. Kurita, A. Asano & A. Taguchi (2012), Automatic assessment of man- dibular bone using support vector machine for the diagnosis of osteoporosis, em ‘2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC)’, pp. 214–219.
Kimmel, W. D. & D. Gerke (1995), Electromagnetic Compatibility in Medical Equip- ment: A Guide for Designers and Installers, 1a edição, IEEE Press Inc., EUA. Koh, L. K., W. B. Sedrine, T.P. Torralba, A. Kung, S. Fujiwara, S. P.Chan, Q. R. Huang,
R. Rajatanavin, H. M. Park K. S. Tsai & J. Y. Reginster (2001), ‘A simple tool to identify asian women at increased risk of osteoporosis’, Osteoporos Int 12, 699–705. Kung, A. W. C., A. Ho, W. B. Sedrine, J. Reginster & D. Ross (2003), ‘Comparison of a simple clinical risk index and quantitative bone ultrasound for identifying women at increased risk of osteoporosis’, Osteoporosis International 14(9), 716–721.
lab, MIT Media (2018), Site oficial do media lab, Página na internet, MIT. URL: https://www.media.mit.edu/
Lang, T. P., S. Augat, S. Majumbar, X. Ouyang & H. K. Genant (1998), ‘Noninvasive assessment of bone density and structure using computed tomography and magnetic resonance’, PubMed 22, 149S–153S.
Lee, S., J. W. Lee, J. W. Jeong, D. S. Yoo & S. Kim (2008), ‘A preliminary study on dis- crimination of osteoporotic fractured group from nonfractured group using support vector machine’, pp. 474–477.
Lemineur, G., R. Harba, N. Kilic, O. N. Ucan, O. Osman & L. Benhamou (2007), ‘Effici- ent estimation of osteoporosis using artificial neural networks’, pp. 3039–3044. Leslie, W. D., L. M. Lix & M. S. Yogendran (2011), ‘Validation of a case definition for
osteoporosis disease surveillance’, Osteoporosis International 22(1), 37–46.
Lopez, V. A. (1993), ‘Epidemiology and costs of osteoporotic hip fractures in portugal’, Bone14, 1:S9.
Mantzaris, D., G. Anastassopoulos, L. Iliadis, K. Kazakos & H. Papadopoulos (2010), A Soft Computing Approach for Osteoporosis Risk Factor Estimation, Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 120–127.
Martini, F., M. J. Timmnons & R. B. Tallitsch (2009), ‘Anatomia humana’, 6. Maxim (2018), Max2750 datasheet, Página na internet, Maxim Integrad Products.
URL: https://datasheets.maximintegrated.com/en/ds/
MAX2750-MAX2752.pdf
Melton, L. J., E. J. Atkinson & M. K. O’Connor (1998), ‘Bone density and fracture risk in men.’, J Bone Miner Res 13(11), 1915.
REFERÊNCIAS BIBLIOGRÁFICAS 61
Moraes, L.F.S. (2014), Gastos do ministério da saúde e estimativa de idosos com osteopo- rose tratados no sistema Único de saúde do brasil no triênio 2008-2010, Dissertação de mestrado, Universidade de Brasília Faculdade de Ciências da Saúde, Brasília, DF.
NodeMCU (2018), Nodemcu documentation, Página na internet, NodeMCU. URL: https://nodemcu.readthedocs.io/en/master/
Ongphiphadhanakul, B., R. Rajatanavin, L.Chailurkit, N. Piaseu, K. Teerarungsikul, R. Sirisriro, S. Komindr & G. Pauvilai (1997), ‘Prediction of low bone mineral density in postmenopausal women by artificial neural network model compared to logistic regression mode’, J Med Assoc Thai 80, 508–515.
Ott, H. W. (1988), ‘Noise reduction techniques in eletronic system’, John Wiley e Sons 30(6), 445–448.
Pereira, S. R. M. (2003), Repercussões sócio-sanitárias da “epidemia” das fraturas de fêmur sobre a sobrevivência e a capacidade funcional do idoso, Dissertação de mes- trado, Fundação Oswaldo Cruz – Escola Nacional de Saúde Pública, Rio de Janeiro, RJ.
Quan, L., C. Xingran, C. Yuan-Chao, F. A. Maysam, L. Jinn & S. Jiann-Shing (2015), ‘Ensemble artificial neural networks applied to predict the key risk factors of hip bone fracture for elders’, Biomedical Signal Processing and Control 21(Supplement C), 146 – 156.
Ray, Nancy Fox, Julien K. Chan, Mae Thamer & L. Joseph Melton (1997), ‘Medical expenditures for the treatment of osteoporotic fractures in the united states in 1995: Report from the national osteoporosis foundation’, Journal of Bone and Mineral Research12(1), 24–35.
Reid, D. M., I. Mackay, S. Wilkinson, C. Miller, D. G. Schuette, J. Compston, C. Cooper, E. Duncan, N. Galwey, R. Keen, B. Langdahl, A. McLellan, H. Pols, A. Uitterlinden, J. O’Riordan, J. A. H. Wass, S. H. Ralston & S. T. Bennett (2006), ‘Cross-calibration of dual-energy x-ray densitometers for a large, multi-center genetic study of osteo- porosis’, Osteoporosis International 17(1), 125–132.
Rizzi, A., M. Panella, M. Paschero & F. M. F. Mascioli (2004), ‘Estimation of bone mine- ral density data using mog neural networks’, IEEE International Joint Conference on Neural Networks4, 3241–3246.
Roppa, L. (2012), ‘A importância dos suínos em medicina humana’, Mig-PLUS - Agroin- dustrial.
Sadatsafavi, M., A. Moayyeri, A. Soltani, B. Larijani, M. Nouraie & S. Akhondza- deh (2005), ‘Artificial neural networks in prediction of bone density among post- menopausal women’, Journal of Endocrinological Investigation 28(7), 425–431.
Sapthagirivasan, V. & M. Anburajan (2013), ‘Diagnosis of osteoporosis by extraction of trabecular features from hip radiographs using support vector machine: An inves- tigation panorama with dxa’, Computers in Biology and Medicine 43(11), 1910 – 1919.
Sartorelli, P., H.R Andersen, J Angerer, J. Corish, H. Drexler, T. Göen, P. Griffin, S.A.M Hotchkiss, F. Larese, L. Montomoli, J. Perkins, M. Schmelz, J. van de Sandt & F. Williams (2000), ‘Percutaneous penetration studies for risk assessment’, Environ- mental Toxicology and Pharmacology8(2), 133 – 152.
SAÚDE, MINISTÉRIO DA (2002), ‘Portaria número 1101/gm de 12 de junho de 2002, parâmetros de cobertura assistencial’, Brasil.
Silva, K. L. (2003), ‘Avaliação tecnológica em saúde: densitometria óssea e terapêuticas’, Cad. Saúde Pública 2003;19, 987–1003.
Tafraouti, A., M. E. Hassouni, H. Toumi, E. Lespessailles & R. Jennane (2014), Osteopo- rosis diagnosis using fractal analysis and support vector machine, em ‘2014 Tenth International Conference on Signal-Image Technology and Internet-Based Systems’, pp. 73–77.
Vicari, P., M. P. Correa, V. L. Szejnfeld, M. S. Figueiredo, R. C. E. Cavalheiro & M. Yamamoto (2008), ‘Densidade mineral óssea em crianças talassêmicas: uma experi- ência brasileira’, Revista Brasileira de Hematologia e Hemoterapia 30(6), 445–448. Volkmann, L. & J. A. S. Castro (1998), ‘Incidência das fraturas proximais de fêmur em
porto alegre no ano de 1992’, Arq. Bras. Endocrinol Metabol 42(5), 138.
Wallace, R. & S. Dunbar (2010), Application note DN034 YAGI 2.4 GHz PCB Antenna, Dallas, Texas.
Wang, Wenjia, G. Richards & S. Rea (2005), ‘Hybrid data mining ensemble for predicting osteoporosis risk’, pp. 886–889.
WHO (1994), ‘Study group 1994. assessment of fracture risk and its application to scree- ning for postmenopausal osteoporosis.’, WHO Technical Report Series 843(1), 3–5. Yoo, T. K., S. K. Kim, D. W. Kim, J. Y. Choi, W. H. Lee, E. Oh & E. C. Park (2013), ‘Os- teoporosis risk prediction for bone mineral density assessment of postmenopausal women using machine learning.’, Yonsei Med J. 54, 1321–1330.
Yu, X., C. Ye & L. Xiang (2016), ‘Application of artificial neural network in the diagnostic system of osteoporosis’, Neurocomput. 214(C), 376–381.
Zabalia, F.C.S., C.P. Lúcia & P.N.Mendes (2001), ‘A ligadura tubária é fator de risco para a redução da densidade mineral Óssea em mulheres na pós-menopausa?’, Rev. Bras. Ginecol. Obstet.23, 621 – 626.