• Nenhum resultado encontrado

2.4

Sistema de Apoio à Decisão Clínica

O sector da saúde está altamente dependente da informação e há uma constante necessidade de tomada de decisões com vista a oferecer bem-estar aos doentes. Por sua vez, a tomada de decisão está intrinsecamente de- pendente da qualidade da informação disponível adquirida por parte dos profissionais de saúde.

Por outro lado, a inexistência de comunicação e a escassez de informação encontram-se entre os principais fatores que contribuem para eventos adver- sos na saúde. Os eventos adversos na saúde podem-se definir como com- plicações indesejadas decorrentes dos cuidados prestados aos utentes, não atribuídas à evolução natural da doença de base. [34]

O suporte das TI nas instituições de saúde tem o potencial de reduzir significativamente a taxa de eventos adversos e inesperados, permitindo que uma grande quantidade de dados seja introduzida em diferentes bases de dados.

Extrair, analisar e apresentar essas informações em tempo útil, pode aju- dar a melhorar a segurança, a qualidade, e eficiência da prestação de cuidados de saúde. Neste contexto surgem os Sistemas de Apoio à Decisão (SADs), mais precisamente osSistemas de Apoio à Decisão Clínica (SADCs) que in- corporados neste tipo de ambientes permitem reduzir a incidência de erros médicos e melhorar a qualidade dos serviços de saúde prestados aos utentes, conduzindo a uma redução significativa dos custos, permitindo desta forma uma prática clínica baseada em evidências. [35]

O conceito deSADCfoi introduzido em 1969 por Goertzel como uma fer- ramenta que apoia a prestação de cuidados de saúde, facilitando a aquisição de dados e a tomada de decisão. [36] Ao longo do tempo, muitas definições foram surgindo. Miller e Geissbuher descreveram-no como um algoritmo para assistir os profissionais de saúde num ou mais passos do processo de diagnóstico. [37] Ainda por Sim et al., como um software desenvolvido com o objetivo de diretamente suportar o profissional de saúde no seu processo de decisão, no qual diferentes caraterísticas dos pacientes são comparados com uma base do conhecimento informatizado para que possam ser avalia-

das e geradas recomendações específicas a esses pacientes, apresentando-os ao profissional de saúde ou ao paciente como base das suas decisões. [38]

Cada uma dessas definições reflete os pontos de vista de seus autores, e, portanto, pode gerar alguma discussão. No entanto, independentemente da definição que se considera mais adequada, todos os autores reconhecem o potencial de tais sistemas para proporcionar benefícios no que diz respeito aos cuidados de saúde e aos resultados do processo de cura dos doentes. [35]

Os SADCs podem ser descritos de acordo com a sua estrutura, compor-

tamento e acessibilidade. [39] No que diz respeito sua estrutura, eles diferem no momento em que proporcionam apoio à decisão: antes, durante ou após a decisão ter sido feita. No que diz respeito ao seu comportamento, eles são considerados ativos ou passivos, dependendo se oSADC gera ativamente alertas e outros avisos ou apenas responde às entradas dos clínicos, respetiva- mente. De acordo com a sua acessibilidade, podem fornecer informação geral ou específica. Outra categorização dosSADCsé a sua diferenciação em siste- mas baseados ou não em conhecimento. A maioria dos SADCs são sistemas baseados em conhecimento, compostos essencialmente por três componentes: uma base de conhecimento, a estrutura de inferência e o procedimento de co- municação [40]. Caso falte o primeiro componente (a base de conhecimento), estes categorizam-se como SADCs não baseados em conhecimento.

Sistemas Baseados em Conhecimento

Os sistemas baseados em conhecimento procuram, de certa forma, mime- tizar o raciocínio humano. A base do conhecimento consiste em uma vasta gama de elementos sobre um domínio particular, estruturado para ser eficien- temente processado pelo sistema. Existem vários esquemas de representação da informação. A representação lógica, onde a informação é apresentada sob a forma de declarações condicionais, é o mais frequentemente utilizado e descrito na literatura.

A eficiência de um SADC depende da qualidade da sua base de conhe- cimento. A forma como é explorada para o desenvolvimento de regras de apoio à decisão é um fator importante que influencia o sucesso do sistema de

2.4. SISTEMA DE APOIO À DECISÃO CLÍNICA 17 recomendação [37] . As "fórmulas"que combinam estas regras ou associações constituem o segundo componente de sistemas baseados em conhecimento, a estrutura da inferência. Essencialmente, estas fórmulas envolvem a aplicação de técnicas de Inteligência Artificial (IA), capazes de analisar as informa- ções existentes na base de conhecimento e formar novas conclusões sobre um determinado paciente [40]. Os mecanismos de inferência mencionados na literatura incluem o seguinte [39]:

• Raciocínio baseado em regras: Estes sistemas são baseados em declarações condicionais, que são interpretados como "padrões". O motor de inferência procura associar os dados em estudo com os stan- dards conhecidos. Sistemas baseados em regras procuram transpor o conhecimento dos médicos em expressões que podem ser avaliadas como "regras". [41]. Quando adquire um conjunto considerável de nor- mas que suportam a base de conhecimento, os dados em estudo são avaliados de acordo com essas regras (ou a sua combinação) até que uma conclusão seja alcançada. Estes tipos de sistemas são utilizados para o armazenamento de uma grande quantidade de informação. No entanto, a sua principal desvantagem é a dificuldade de traduzir a ex- periência e o conhecimento dos médicos em regras simples e concretas. São frequentemente chamados de sistemas baseados na evidência. • Raciocínio Baseado em Casos: Estes sistemas são desenvolvidos

principalmente quando não é possível modelar o conhecimento médico através de métodos formais de representação (como em [42], por exem- plo). O sucesso desta abordagem está relacionada com a qualidade das métricas de similaridade usadas para avaliar os casos existentes e a eficiência dos métodos utilizados para descobrir e associar casos seme- lhantes. O Raciocínio Baseado em Casos é geralmente utilizado para análise de subgrupos, e uma das suas grandes vantagens é que a análise com base em casos semelhantes, muitas vezes produz resultados mais confiáveis que os resultados provenientes de sistemas baseados na evi- dência. No entanto, a apreciação da semelhança entre os casos pode não se revelar um processo trivial.

• Raciocínio baseado em Modelos: Este método utiliza modelos fisi- opatológicos humanos para definir a dinâmica dos processos biológicos do corpo. É um conceito promissor e útil para aplicação em SADCs. É frequentemente denominado de Modelação Específica ao Doente ou Patient Specific Modeling [40]. O comportamento esperado de um de- terminado processo de acordo com estes modelos é comparado com o comportamento manifestado. Caso um modelo seja formulado adequa- damente, as discrepâncias entre o comportamento previsto e o com- portamento observado não serão significativos. No entanto, a maior dificuldade com esta aplicação surge quando a validade do modelo não é garantida. Quanto mais complexo o sistema é, mais desafiador será projetar um modelo que o possa descrever com precisão [43].

• Raciocínio Bayesiano: A Teoria da Decisão Bayesiana é o núcleo des- ses sistemas, estabelecendo relações probabilísticas entre as variáveis da base de conhecimento, por exemplo, sintomas e doenças, tratamentos e o estado final do doente ou medicamentos e complicações. Estes siste- mas baseiam-se na classificação estatística de Bayes, onde um padrão é atribuído à classe mais provável, ou seja, a classe com a máxima proba- bilidade a posteriori. As probabilidades a posteriori são determinadas de acordo com probabilidades a priori, probabilidades condicionais e regra de Bayes. É muito útil para inferir sobre a progressão da do- ença ao longo do tempo ou a relação entre várias doenças, assumindo uma relação de causa-efeito entre as variáveis em estudo. O principal obstáculo para a sua implementação é precisamente a dificuldade em especificar a causa, o efeito e a sua relação no contexto clínico, dada a sua complexidade [40].

• Raciocínio Heurístico: Os sistemas heurísticos incluem medidas es- tatísticas, e são usados quando não há conhecimento e/ou recursos computacionais para produzir uma resposta perfeita. Os métodos heu- rísticos reduzem a complexidade do problema, no entanto, por defini- ção, não é possível garantir que é conseguida a melhor solução. Os métodos heurísticos são algoritmos exploratórios que procuram resol-

2.4. SISTEMA DE APOIO À DECISÃO CLÍNICA 19 ver o problema, tomando como ponto de partida uma solução plausível iterando por aproximações sucessivas destinadas a uma solução ótima. Geralmente, a melhor solução possível é encontrada, embora não sendo a solução perfeita. Esta abordagem pode sugerir uma certa subjeti- vidade ou falta de precisão. No entanto, isso não é necessariamente uma desvantagem, mas uma característica semelhante à inteligência humana uma vez que muitas vezes usamos a nossa experiência pessoal de encontrar soluções para os problemas quotidianos.

• Redes Semânticas: Uma rede semântica é uma forma gráfica de re- presentação de conhecimento, onde os conceitos do domínio em questão são representados por um conjunto de pontos ligados uns aos outros por meio de um conjunto de arcos que descrevem as relações entre os pon- tos existentes. A aplicação de redes semânticas em inferência clínica é limitada, uma vez que o próprio conhecimento médico envolve uma pluralidade de conceitos, tornando-se particularmente difícil definir um quadro formal semântico capaz de o traduzir [37].

Finalmente, o mecanismo de comunicação é a forma como a informação é submetida no sistema e como os resultados (outputs) são devolvidos para o utilizador. Em sistemas independentes, esta informação é muitas vezes inse- rida manualmente pelo médico. Quando os SADCs são integrados a outros sistemas de gestão clínica, a informação do paciente encontra-se incorporada no seu registo eletrónico, estando contidos desta forma dados de vários ser- viços diferentes: laboratório, farmácia ou imagem. A saída é então fornecida ao médico na forma de recomendações e alertas [39].

Sistemas Não Baseados em Conhecimento

Sistemas não baseados em conhecimento dependem de técnicas de Ma- chine Learning para produzir inferências úteis para a tomada de decisão. Machine Learning é um ramo da inteligência artificial que diz respeito ao estudo e à construção de sistemas que podem aprender a partir de dados. O sistema pode aprender com as experiências passadas e reconhecer padrões em dados clínicos. Redes Neuronais Artificiais (RNAs) e Algoritmos Genéticos

(AGs) são as abordagens mais amplamente utilizadas na construção de tais sistemas [39].

As RNAs são modelos matemático-computacionais inspirados pelo fun- cionamento das células neuronais, simulando o raciocínio humano, uma vez que são um exemplo típico de modelo "baseado na aprendizagem". Com efeito, as unidades estruturais das RNAs são chamados "neurónios". Um modelo de RNA genérica é composto por três camadas: a entrada, saída e processamento de camada (ou de camada escondida). A camada de entrada recebe os dados, enquanto que a camada de saída comunica o resultado. A camada escondida é responsável pelo processamento de dados e cálculo de resultados. Este tipo de estrutura tem algumas semelhanças com sistemas baseados em conhecimento, mas neste caso, a base de conhecimento não é de- rivada a partir da literatura científica, nem da experiência clínica. As RNAs

analisam os padrões existentes na informação do paciente de forma a obter associações entre as suas variáveis de entrada (sintomas, fatores de risco) e as suas variáveis de saída, por exemplo, a sua estratégia de tratamento e di- agnóstico [41,44]. Esta é a forma como o sistema "aprende pelo exemplo". A informação disponível é estudada e inferências são feitas sobre a saída mais correta para cada entrada. Estas conclusões são comparadas com o resul- tado correto (dos alvos, isto é, os resultados reais) e, com base na conclusão desta comparação, o sistema repõe as associações entre os dados de entrada e de saída previamente determinados. Este processo continua de forma ite- rativa até que o resultado correto é obtido. De seguida, o sistema memoriza o modelo de associação entre entradas e saídas, a fim de classificar os no- vos casos. Este processo iterativo é conhecido como "treino". Além disso, a RNA pode mais facilmente lidar com dados desconhecidos, porque pode inferir a partir dos seus valores do conjunto restante de dados completos [41]. Também não precisa de um conjunto muito grande de dados para produzir estimativas, embora quanto maior conjunto de "treino"é, mais precisos são os resultados [43,44].

AGssão semelhantes àsRNAsna medida em que derivam suas conclusões a partir de informações do passado do paciente . São baseados na Teoria da Evolução de Darwin, o que explica a evolução das espécies através da seleção

2.4. SISTEMA DE APOIO À DECISÃO CLÍNICA 21 natural. Como as espécies evoluem, a fim de se adaptar ao seu ambiente, este tipo de algoritmos também são capazes de se "reproduzir"em várias recom- binações, a fim de conseguir a combinação que melhor se ajusta aos dados. Quando não há nenhum conhecimento específico sobre o domínio em estudo, vários conjuntos de soluções são avaliados. Os melhores conjuntos (aqueles que melhor se adequam aos dados) são então recombinados para formar o próximo conjunto de possíveis soluções a serem avaliadas. O processo con- tinua de forma iterativa até que a solução ótima é alcançada. A "função de aptidão"determina que as soluções devem ser mantidas e quais devem ser eliminadas [39]. A maior dificuldade aqui reside na definição de aptidão, isto é, o que é considerado um bom ou um pobre ajuste dos dados [37].

As ferramentas desenvolvidas no âmbito desta dissertação são baseadas no conhecimento, sendo que se podem agrupar, na sua maioria nos três primeiros tipos de raciocínio descritos. Baseados em regras, casos e modelos.

Capítulo 3

Metodologia de Investigação e

ferramentas

A Plataforma desenvolvida para a presente dissertação propõe, uma nova metodologia com o intuito de disponibilizar um suporte à decisão e prática clínica no dia a dia dos médicos Neonatologistas e Pediátras.

3.1

Metodologia de Investigação

O projeto baseia-se na metodologia de investigação action research que pode ser sucintamente definida como uma tentativa contínua, sistemática e empiricamente fundamentada de aprimorar a prática descrevendo qual- quer processo que siga um ciclo no qual se aprimora a prática pela oscila- ção entre agir no campo da prática e investigar a respeito dela. Planeia-se, implementa-se, descreve-se e avalia-se uma mudança para aperfeiçoar a sua prática, realizando uma constante progressão tanto a nível da pesquisa como da resolução dos problemas, aplicando as ações necessárias para atingir os objetivos propostos. [45]

Para desenvolvimento da metodologia proposta ao longo deste projeto, recorreu-se a diferentes plataformas e linguagens de programação que serão apresentadas ao longo deste capítulo. Na secção 3.2 é apresentada a lin- guagem de programação em Java, mencionando os Integrated Development

Environment s (IDEs)utilizados para desenvolvimento, o que se propôs desen- volver e as razões que levaram à sua utilização. Na secção 3.3 é apresentada

a Framework Django utilizada para o desenvolvimento da Aplicação Web

aliada uma descrição desta e do seu funcionamento. É ainda apresentada, na secção 3.4 utilizada para o desenvolvimento do Web Service a ser utilizado nas instituições de saúde. Nesta é descrita aFramework assim como algumas das classes e linguagem de programação utilizada. Por último, na secção3.5

é apresentado o sistema de gestão de base de dados a que se recorreu, MySql assim como a ferramenta utilizada para a sua administração.

Documentos relacionados