UNIVERSIDADE FEDERAL DE PERNAMBUCO
Centro de Informática
Graduação em Ciências da Computação
Um comparativo de prontuários eletrônicos inteligentes
Proposta de Trabalho de Graduação
Aluno: Jailson da Costa Dias ([email protected])
Orientador : Fernando Maciano de Paula Neto([email protected]) Área : Aprendizagem de Máquina
Recife Agosto de 2019
Sumário
1. Contexto 3
1.1. Sistemas de Suporte à Decisão Clínica 3
1.2. Prontuários eletrônicos 3
1.3. Prontuários eletrônicos inteligentes 4
2. Objetivo 5
3. Cronograma 6
4. Possíveis Avaliadores 7
1.
Contexto
1.1. Sistemas de Suporte à Decisão Clínica
O suporte à decisão clínica (do inglês Clinical decision support - CDS) é um processo que fornece informações para auxiliar o médico na tomada de decisão para avaliação e tratamento dos pacientes[1].
Segundo [1], o primeiro artigo sobre CDSs foi Reasoning Foundations Medical Diagnosis de Robert S. Ledley e Lee B. Lusted[2] do final da década de 1950, onde o autor utiliza probabilidade, lógica e teoria dos jogos de Von Neumann para auxiliar os médicos a dar o diagnóstico das doenças. Neste método o médico realiza os seguintes procedimentos:
1. Analisa os sintomas do paciente;
2. Identifica um possível diagnóstico para ele;
3. Verifica na base quais outros sintomas daquela doença, ou outras doenças que tem aquele sintoma; e
4. Repete os 3 primeiros passos até conseguir dar o diagnóstico ao paciente.
Seguindo este processo, os médicos poderiam melhorar a qualidade do diagnóstico, diminuindo a chance de erro. Por outro lado, este tipo de procedimento implantava outra dificuldade, pois para analisar muitas possibilidades de doenças e sintomas, a tabela de análise ficava muito grande. Para realizar este procedimento, por exemplo, com apenas 3 sintomas e 3 doenças era necessário uma tabela com 64 colunas [2].
1.2. Prontuários eletrônicos
Os prontuários eletrônicos (do inglês Electronic Health Records - EHR) tem suas origens em meados da década de 1960 [3], quando foi desenvolvido o primeiro sistema de gerenciamento de dados clínicos, que hoje são conhecidos como sistemas de informações hospitalares[3]. Apesar desses sistemas existirem desde a década de 1960, foi apenas na década de 1990, com a popularização dos computadores, que os prontuários eletrônicos se popularizaram nos hospitais.
Com a popularização dos prontuários eletrônicos na década de 1990, os CDSs começaram a ser vendidos como uma feature dos EHRs [2]. Assim eles passaram a ter acesso a diversas informações dos pacientes e consequentemente sendo mais eficazes para os médicos. Com essas informações é possível adicionar funcionalidades que permitem a tomada de decisão médica de forma mais personalizada, como, por exemplo, alertar o médico quando ele prescreve um medicamento ao qual o paciente é intolerante [2] ou fornecendo diagnósticos ordenado por probabilidade, de acordo com os sintomas e dados de laboratório fornecidos [11].
1.3. Prontuários eletrônicos inteligentes
Nos últimos anos vem crescendo as pesquisas sobre dados gerados por prontuários eletrônicos, com a finalidade de dar o diagnóstico do paciente apenas com os dados fornecido no prontuário eletrônico [7]. Atualmente ainda não tem nenhum algoritmo que
consiga interpretar dados de qualquer doença, mas as pesquisas estão avançando muito rápido, e desde de 2011 quando essas pesquisas começaram a se popularizar, já surgiu pesquisas para diagnosticar diversas doenças, sendo que a maioria delas foram testada apenas para uma doença ou um conjunto de doenças específicas, como, por exemplo, classificação de câncer [4].
Os resultados encontrados são muito animadores como, por exemplo, na análise de radiografia. Existem algoritmos com uma precisão superior a de um especialista com uma velocidade de decisão 150 vezes superior à de um especialista, sendo 1,2s para o algorítmo contra 170s para o especialista[4]. Outro exemplo é no diagnósticos de alguns tipos de câncer como, câncer de mama onde [12] obteve uma precisão superior a 97% no diagnóstico utilizando SVM e com uma base de dados com 699 instâncias.
2.
Objetivo
O prontuário eletrônico surgiu como forma de organizar os dados dos pacientes e facilitar o acesso desses dados pela equipe de saúde, médicos, enfermeiros, psicólogos, nutricionistas etc. Com estes dados e a implementação dos sistemas de suporte à decisão clínica nos prontuários eletrônicos, foi possível auxiliar o médico a tomar diversas decisões, desde qual medicamento prescrever para o paciente até de fornecer probabilidade de diagnósticos com base nos sintomas e dados de laboratório fornecidos pelo médico.
Com isso, este trabalho tem como objetivo o de comparar as diferentes ferramentas de suporte à decisão, baseados em dados de prontuários eletrônicos. Para isso, vai ser analisado a taxa de acerto do algoritmo para a doença específica, onde todos os casos são de suspeitas daquela doença e a taxa de acerto quando o algoritmo é submetido a dados onde o diagnóstico não está restrito apenas a caso positivo ou negativo daquela doença, mas de várias doenças.
3.
Cronograma
Este trabalho seguirá o cronograma definido na Tabela 1.
Atividade Agosto Setembro Outubro Novembro
Elaboração da Proposta X Entrega da Proposta X Revisão da Literatura X X Análise e Aprofundamento X X Escrita do Trabalho X Entrega do Trabalho X Preparação da Apresentação X X Apresentação X
4.
Possíveis Avaliadores
Ricardo Bastos C. Prudêncio ([email protected]) Germano Crispim Vasconcelos ([email protected]) Cleber Zanchettin ([email protected])
5.
Referências Bibliográficas
[1] SHOOLIN, Joel S. Clinical Decision Support and the Electronic Health Record: Applications for Physiatry. Clinical Informatics in Physiatry , p. s34-s40, mai. 2017.
[2] LEDLEY, Robert S.; LUSTED, Lee B. Reasoning Foundations Medical Diagnosis: Symbolic logic, probability, and value theory, aid our understanding of how physicians reason. SCIENCE : New Series, New York, v. 130, n. 3366, p. 9-21, jul. 1959.
[3] THE UNIVERSITY OF SCRANTON (Scranton, Pennsylvania - EUA). EMR : The Progress
to 100% Electronic Medical Records. Disponível em:
<https://elearning.scranton.edu/resource/health-human-services/emr_the-progress-to-100-pe rcent-electronic-medical-records>. Acesso em: 26 ago. 2019.
[4] TOPOL, Eric J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine , v. 25, n. 1, p. 44-56, 1 jan. 2019.
[5] BEAM, Andrew L.; KOHANE, Isaac S. Big Data and Machine Learning in Health Care. JAMA , v. 319, n. 13, p. 1317-1318, abr. 2018.
[6] MILLS, Sherri. Electronic Health Records and Use of Clinical Decision Support. Critical Care Nursing Clinics , New Orleans, v. 31, n. 2, p. 125-131, jun. 2019.
[7] MARDANI, Abbas et al. Application of decision making and fuzzy sets theory to evaluate the healthcare and medical problems: A review of three decades of research with recent developments. Expert Systems With Applications , v. 137, p. 202-231, jul. 2019.
[8] RUDOLF, Joseph W.; DIGHE, Anand S. Decision Support Tools within the Electronic Health Record. Clinics in Laboratory Medicine , v. 39, n. 2, p. 197-213, jun. 2019.
[9] CLIFTON, David A. et al. Intelligent Electronic Health Systems. In: EREN, Halit; WEBSTER, John G. (ed.). Telemedicine and Electronic Medicine. 1. ed. Boca Raton: CRC Press, 2018. cap. 4, p. 73-97. ISBN 9781351229067.
[10] HOANG, Khanh Hung; HO, Tu Bao. Learning and recommending treatments using electronic medical records. Knowledge-Based Systems , v. 181, mai. 2019.
[11] Broaden your differential diagnosis. Isabel . Disponível em: <https://www.isabelhealthcare.com/>. Acesso em: 27 ago. 2019.
[12] ASRI, Hiba et al. Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis. FAMS , v. 83, p. 1064-1069, 2016.
