Sistemas de Informação em Medicina

1. Sistemas de Informação em Medicina Stefan Schulz Grupo de Informática Médica Universidade de Freiburg (Alemanha) Recife 31 / 10 / 07

2. Introdução Texto Estrutura Codificação Text Mining Conclusão

3. Introdução Texto Estrutura Codificação Text Mining Conclusão Informática em Saúde

4. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de sistemas de informação

5. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação "Preciso os sumários dos pacientes com as características A e B que foram tratados pelo Dr. C e receberam a terapia D"

6. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário eletrônico

7. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário "Queremos comparar os perfis de custo entre grupos de pacientes"

8. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde

9. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde "Preciso de Informação confiáveis de registros clínicos"

10. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde Epidemiologia Clínica

11. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde Epidemiologia Clínica "Quero recrutar pacientes para um estudo"

12. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde Epidemiologia Clínica Pesquisa clínica

13. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde Epidemiologia Clínica Pesquisa clínica Preciso de literatura sobre ...

14. Introdução Texto Estrutura Codificação Text Mining Conclusão Cenários típicos de métodos de informação Pesquisa de documentos no prontuário Controle de gestão em Saúde Epidemiologia Clínica Pesquisa clínica Pesquisa bibliográfica

15. Introdução Texto Estrutura Codificação Text Mining Conclusão

16. Introdução Texto Estrutura Codificação Text Mining Conclusão Informação Não-Estruturada Informação Estruturada

17. Introdução Texto Estrutura Codificação Text Mining Conclusão Linguagem Natural (Texto)

18. Introdução Texto Estrutura Codificação Text Mining Conclusão

19. Introdução Texto Estrutura Codificação Text Mining Conclusão

20. Introdução Texto Estrutura Codificação Text Mining Conclusão

21. Introdução Texto Estrutura Codificação Text Mining Conclusão Paciente procedente do Hospital de Alvorada onde estava internado desde 28/05 por broncoespasmo e disfunção respiratória, recebendo ampi-sulbactam e beta 2 agonista de 2/2h, com boa evolução. Encaminhado ao HCPA em 01/06 por ter iniciado dia 31/05 com distensão e dor abdominal importantes, acompanhado de vômitos fecalóides, sendo iniciado metro e genta. Havia recebido albendazol durante a internação, sem eliminar vermes. Avaliado pela CIPED: provável obstrução intestinal por ascaris. Na chegada a UTIP feito push soro fisiologico, CHAD (Hb 9 do dia 30/05) e deixado O2 3l/min. Foi submetido a laparotomia exploradora em 01/06,sem intercorrências com infestação maciça por ascaris e necrose intestinal, sendo realizada enterectomia -60cm- e ileostomia. Recebeu CHAD novamente no pós operatório (Hb 7,6), precisou de dopa e vários pushs de soro fisiológico. Em 03/06 apresentou RG com coloração fecalóide e eliminou ascaris VO. Fez RX sem evidência de obstrução, tracionada sonda de entérica para gástrica com melhora do RG. Foi extubado, apresentou estridor que cedeu com NBZ com adrenalina e dexa. Apresentou bradicardia. Suspenso fentanil, permaneceu bradicárdico, necessitou atropina. Avaliado pela cardiologia sem particularidades. Após alta da UTI, recebeu óleo mineral e permaneceu eliminando ascaris. Após retirada do óleo mineral foi iniciado dieta, com boa aceitação, e albendazol. Recebe alta em bom estado geral, aceitando dieta VO, SV estáveis, apresentando hiperemia ao redor da ileostomia. Retorno com CIPED.

22. Introdução Texto Estrutura Codificação Text Mining Conclusão … indispensável para documentação e comunicação • Prestação de serviços de saúde • Ciência • Médico / Paciente • Ensino Structured Data Linguagem Natural (Texto)

23. Introdução Texto Estrutura Codificação Text Mining Conclusão e.g. Hospital Universitário Freiburg (p.a.) 280.000 Sumários de Alta 140.000 Laudos de imagem 55.000 Laudos anatomopatológicos 40.000 Laudos de imagens 70.000 Outros textos Linguagem Natural (Texto) 600.000 documentos textuais por ano.

24. Introdução Texto Estrutura Codificação Text Mining Conclusão Informação Estruturada

25. Introdução Texto Estrutura Codificação Text Mining Conclusão …indispensável para abstração: • Codificação de doenças e procedimentos • Indexação bibliográfica • Gestão hospitalar • Apoio a decisão • Epidemiologia • Pesquisa clínica Informação Estruturada

26. Introdução Texto Estrutura Codificação Text Mining Conclusão …requer sistemas terminológicos • CID • MeSH /DeCS • UMLS • LOINC • SNOMED CT • etc., etc. Informação Estruturada

27. Introdução Texto Estrutura Codificação Text Mining Conclusão CID (Classificação Internacional de Doenças

28. Introdução Texto Estrutura Codificação Text Mining Conclusão MeSH / DESC (Descritores em Ciências da Saúde)

29. Introdução Texto Estrutura Codificação Text Mining Conclusão Informação Estruturada Linguagem Natural (Texto)

30. Introdução Texto Estrutura Codificação Text Mining Conclusão - + Produção de Informação Informação Estruturada Linguagem Natural (Texto) + QualidadeCusto -

31. Introdução Texto Estrutura Codificação Text Mining Conclusão - + Análise de Informação Informação Estruturada Linguagem Natural (Texto) + QualidadeCusto -

32. Introdução Texto Estrutura Codificação Text Mining Conclusão Problema de análise de Informação estruturada • Informação Estruturada levantada rotineiramente: • insuficiente ! • escopo • granularidade • - qualidade

33. Introdução Texto Estrutura Codificação Text Mining Conclusão Levantamento de Informação Estruturada Volume – Qualidade - Motivação Padrão Ouro Qualidade motivação alta motivação média motivação baixa Volume de dados

34. Introdução Texto Estrutura Codificação Text Mining Conclusão Dois caminhos… Extrair códigos de textos livres aprimorar os processos e recursos de codificação

35. Introdução Texto Estrutura Codificação Text Mining Conclusão

36. Introdução Texto Estrutura Codificação Text Mining Conclusão Escopo: Codificar informações outras do que doenças e procedimentos: Organismos, exames, medicamentos, localidades... Granularidade: Usar todos os detalhes que um sistema terminológico oferece CID: quatro dígitos, expansões locais Qualidade: disponibilizar recursos para a codificação Codificadores profissionais Medir qualidade Incentivos Aprimorar os processos de codificação

37. Introdução Texto Estrutura Codificação Text Mining Conclusão Problema: Proliferação de sistemas de codificação idiossincráticos. Combinação problemática Exemplo: UMLS (Unified Medical Language System): 143 vocabulários: Expandir os recursos de codificação AIR CST DXP LCH MCM MIM OMS SNM SNMI WHO ULT NIC NEU ICD10 ICPC NOC QMR RCD PPAC DSM3R DSM4 AOD BI RCDAE RCDSA RCDSY ICD10AE DMDICD10 DMDUMD ICPCDAN ICPCDUT ICPCFIN ICPCFRE ICPCGER ICPCHUN ICPCPOR ICPCSPA ICPCSWE WHOFRE WHOGER WHOPOR WHOSPA CCPSS RAM JABL ICPCBAQ ICPCHEB NCISEER ICD10AM ICD10AMAE ICPC2P ICPCPAE CPTSP DDB HLREL MTHMST MTHMSTFRE MTHMSTITA COSTAR PCDS ICPCITA ICPCNOR HHC MDDB UWDA CPM SPN NAN MMSL ICPC2EENG MTHICPC2EAE ICPC2EDUT ICD10DUT NDFRT MEDLINEPLUS NCBI CDT HCDT MDRDUT MDRFRE MDRPOR MDRSPA MTHMDRSPA PSY NCI GO MSHDUT MSHJPN MSHCZE MTHICPC2ICD10AE ICPC2ICD10ENG MTHICPC2ICD107B ICPC2ICD10DUT CSP HUGO MTHPDQ PDQ CCS LNC PNDS HL7V2.5 MTHHL7V2.5 HL7V3.0 MTHHL7V3.0 CTCAE NCI-CTCAE ICD9CM MTHICD9 MDRGER SNOMEDCT MTHSCT VANDF USPMG MTHCH MSH UMD ALT NDDF MMX MTHFDA SCTSPA MSHITA CPT MSHSWE MSHGER HCPT MSHRUS MTHHH MSHPOR HCPCS MSHFIN MSHSPA RXNORM MSHFRE MED MDR MBD MTH SRC MSH ICD9CM MDR NLM-MED

38. Introdução Texto Estrutura Codificação Text Mining Conclusão Usar um sistema de codificação abrangente: Exemplo SNOMED CT: (Systematized Nomenclature of Medicine / CLinical Terms) Todas as disciplinas clínicas 350 000 conceitos 2002: fusão entre a terminologia criada pelo Colégio Americano de Patologistas (CAP) e os códigos Read do sistema sanitário britânico (NHS) 2007: Propriedade da “Organização Internacional para o Desenvolvimento de Padrões em Terminologia Clínica (IHTDSO)” Disponível em Inglês, Francês, Espanhol, não Português Expandir os recursos de codificação (II)

39. Introdução Texto Estrutura Codificação Text Mining Conclusão SNOMED CT • Hierarquias:

40. Introdução Texto Estrutura Codificação Text Mining Conclusão SNOMED CT: Definições http://www.ihtsdo.org/

41. Introdução Texto Estrutura Codificação Text Mining Conclusão Dois caminhos… Extrair códigos de textos livres aprimorar os processos e recursos de codificação

42. Introdução Texto Estrutura Codificação Text Mining Conclusão Linguagem Natural (Texto) Informação Estruturada

43. Introdução Texto Estrutura Codificação Text Mining Conclusão k w k w w a a o h e e a o h a a w Hsd e a b e e gt r j c e e e a o j c a e e r gtsd Hsd o o h e e e s h e a h o c r r s h w r r c Dbf fasg e c q o w r sdo h e e q o s s i h c e d r e e s i h d Jw g h a ogghhf r Wdd h WWf s s h Ag jj k fg s h sdo a c r q e asd s w r r o h e h q e e i c w a w e r e r h o e w ab bdfjggbnm e e e Dbf fasgjjf q w r p o e ab q a o e e r a q w s h p e a r r s h a r r Text mining Linguagem Natural (Texto) Informação Estruturada a

44. Introdução Texto Estrutura Codificação Text Mining Conclusão Text Mining • Máquina de Text Mining • Base de conhecimento: vocabulário: lista de termos, abrviações, base de sinônimos, córpora de textos (co-ocorrência de palavras) • Regras: gramática, correção ortográfica,... • Representação alvo: • “Templates” (campos em formulários) em sistema de extração de informação • Termos controlados: conceitos em um sistema terminológico, ontologia em sistema de indexação automatizada

45. Introdução Texto Estrutura Codificação Text Mining Conclusão Text Mining: Extração de Informação Foi submetido a laparotomia exploradora em 01/06,sem intercorrências com infestação maciça por ascaris e necrose intestinal, sendo realizada enterectomia -60cm- e ileostomia. Recebeu CHAD novamente no pós operatório (Hb 7,6), precisou de dopa e vários pushs de soro fisiológico. Em 03/06 apresentou RG com coloração fecalóide e eliminou ascaris VO. Fez RX sem evidência de obstrução, tracionada sonda de entérica para gástrica com melhora do RG. Foi extubado, apresentou estridor que cedeu com NBZ com adrenalina e dexa. Apresentou bradicardia. Suspenso fentanil, permaneceu bradicárdico, necessitou atropina. Template Diagnóstico Primários Diagnósticos Secundários Procedimento Cirúrgico Complicações Dataadmissão Data alta Medicação

46. Introdução Texto Estrutura Codificação Text Mining Conclusão Text Mining: Codificação (Indexação) automatizada Foi submetido a laparotomia exploradora em 01/06,sem intercorrências com infestação maciça por ascaris e necrose intestinal, sendo realizada enterectomia -60cm- e ileostomia. Recebeu CHAD novamente no pós operatório (Hb 7,6), precisou de dopa e vários pushs de soro fisiológico. Em 03/06 apresentou RG com coloração fecalóide e eliminou ascaris VO. Fez RX sem evidência de obstrução, tracionada sonda de entérica para gástrica com melhora do RG. Foi extubado, apresentou estridor que cedeu com NBZ com adrenalina e dexa. Apresentou bradicardia. Suspenso fentanil, permaneceu bradicárdico, necessitou atropina. #submet #abdomin #otomies #research {#attent,#worship} #interior 01 / 06 , #without #complicati #together #infestat {#massiv,#hulk} #ascaris #necrosis {#colonic,#jejun,#iliac}, #making {#colonic,#jejun,#iliac} #extirpat - 60cm - #iliac #stomy #recipient chad #reiterat #interior #afterwards #surgeon ( hb 7,6), #precis #dopa #several #pushs #serous #physique #iologist #interior 03 / 06 #visualiz #piqq #together #colour #stercoral #gestalt #{extinguish, #desegregat } #ascaris . rx #without #evidence #obstruct, #traction #probing #{colonic #,jejun #,oiliaci #} #stomachi #together #better rg #extub #visualiz #stridor #give #togetheriw #together #epinephrin #dexa #visualiz #longlast #cardiac. #suspens #phentanyl, #permanent #longlast #cardiac, #indispensable #atropine. www.morphosaurus.net

47. Introdução Texto Estrutura Codificação Text Mining Conclusão Text Mining: Alguns desafios • AmbigüidadeECG = EletrocardiogramaECG = Escala de Coma de Glasgow • Erros de grafia” DESIDRATACAO LEVE SEM PIUORA DA FUNACAO RENAL, RX COM ATELECTASIAS DE BASES - CONSOLIDADCEOS?? PACIENTE SEM FEBRE MEDIDAAQUI -MAX 37,1 TEM NIVEL SERICO EM ANDAMNETO DE FENITOINA A SER CHECADO COM FAMILAIR EM EM 24 H RECEBE TTO ATB COM CEFUROXIMA VO -HMG NORMAL É DM SEM IMPORTANTE DESCOPENSACAO. ” • Formação de palavras”Hepaticojejunoanastomose, colangiotransoperatória, hematoencefálico” • Análise de negações“Não há evidência de lesão com efeito de massa ou área de impregnação anômala pelo meio de contraste nos compartimentos infra e supratentoriais”

48. Introdução Texto Estrutura Codificação Text Mining Conclusão Sistemas de codificação baseados no text mining • Até agora não recomendável para codificação completamente automatizada • Auxiliam o médico / codificador na escolha do código certo • Lógica interna dos sistemas de codificação pode detectar códigos implausíveis e sugerir códigos que faltam • Ainda requer muitos esforços de pesquisa básica e aplicada: inteligência artificial, lingüística computacional, machine learning • Bons resultados em sistemas de recuperação de informação i

49. Introdução Texto Estrutura Codificação Text Mining Conclusão Exemplo: Text Mining em Google News http://biocaster.nii.ac.jp

50. Introdução Texto Estrutura Codificação Text Mining Conclusão Síntese Text mining Codificação Qualidade