Captura inteligente de sistemas para o PersonalHealthMonitorSystem (PHMS)

1. Captura inteligente de sistemas para o PersonalHealthMonitorSystem (PHMS) T. M. G. A. Barbosa, I. G. Sene Jr, L. S. S. Castro, H. J. P. Branisso, E. C. Figueiredo, H. S. Carvalho, A. F. Rocha, F. A. O. Nascimento

2. Tópicos Abordados • Contextualização • Projeto GIMPA extensão PHMS • Definições: Revisão dos Sistemas • Conceituação: Fusão de Dados • Desafio: Fusão de Dados • Fusão de Dados: Técnicas • Redes Bayesianas na captura automatizada de sintomas • Captura inteligente de sintomas para o PHMS • Metodologia • Ferramentas • Resultados • Conclusões e Trabalhos Futuros

3. Projeto GIMPA[5]: extensão PHMS[5] • Integração Hardware e Software para internet • Prontuário Eletrônico do Paciente • Sistemas de Informação na Web • WWW e Bibliotecas Digitais • Sistemas Móveis de Monitoração • Computadores Vestíveis • Condições estáticas • Condições dinâmicas Monitor Multiparamétrico de Sinais Biológicos

4. Body-worn PHMS Fonte:[5]

5. Definição: Revisão dos Sistemas Anamnese Especial ou Interrogatório Sintomatológico é um processo em que por meio de uma entrevista o médico levanta possibilidades e reconhece enfermidades que não guardam relação com o quadro sintomatológico registrado na História da Doença Atual (HDA).[7] RS Edema dos membros inferiores Cirrose hepática Úlcera Péptica HDA

6. Conceituação: Fusão de Dados “Fusão de Dados é uma estrutura formal de um sistema usada para expressar a convergência de dados de diferentes origens de dados onde estão expressos os meios e ferramentas para agregação dos mesmos”[4] Fusão de Dados & Computação Vestível? Fonte[2]

7. Desafio: Fusão de Dados • Aumentar a eficiência da aquisição dos sintomas: • Aumentar a rapidez • Beneficio para o sistema • Economia de energia • Beneficio para o usuário • Agilizar tomada de decisão • Agilizar a ação dos agentes • Aumentar acerto no diagnostico remoto Pode representar a diferença entre a vida e a morte do usuário

8. Redes Bayesianas na captura automatizada de sintomas • Modelo com distribuição de probabilidade sobre um conjunto de variáveis aleatórias. • G Estrutura Gráfica • Pr Distribuição Associada b = (Pr,G) Fonte[1}

9. Redes Bayesianas na captura automatizada de sintomas Redes Bayesianas com os seus métodos associados são especialmente aptas para lidar com a incerteza [1] Conhecimento incerto Rede Bayesiana Estabelecer diagnósticos Detectar Estabelecer prognósticos Predizer Prescrever Tratamento Selecionar tratamento Otimizado Representação do conhecimento incerto Sistema de suporte á decisão

10. Redes Bayesianas na captura automatizada de sintomas Fumar Pr(câncer|fumar) Pr(câncer|-fumar) Pr(-câncer|-fumar) Pr(-câncer|fumar) Doença cardíaca Câncer Fonte: [1] ....... Sobrevivência Pr(sobrevivência|câncer,DC) Pr(sobrevivência|-câncer,-DC) Pr(-sobrevivência|câncer,DC) Pr(-sobrevivência|-câncer,-DC)

11. Captura inteligente de sintomas para o PHMS • Metodologia • Construção manual da rede • Construção composta por estágios • Obtenção de conhecimentos • Especialistas • Literatura médica • Dados do paciente

12. Captura inteligente de sintomas para o PHMS Estágio 1: Seleção de Variáveis Relevantes Entrevista com especialista no assunto Conhecimento sobre processos fisiológicos ou patológicos Variáveis Relevantes

13. Captura inteligente de sintomas para o PHMS Estágio 2: Identificação de Relacionamentos entre Variáveis • Arcos entre variáveis & direção dos arcos • Dos especialistas: relação causa & efeito CAUSA EFEITO

14. Captura inteligente de sintomas para o PHMS • Estágio 3: Identificação de Restrições Lógicas e Probabilísticas Qualitativas • Ajuda na avaliação e verificação das probabilidades. • Restrições Probabilísticas Qualitativas • Alguma propriedade da distribuição estocástica dominante no modelo. • Restrições Lógicas • Relações funcionais entre variáveis • Verificação de dependência

15. Captura inteligente de sintomas para o PHMS • Estágio 4: Avaliação das Probabilidades • Para cada variável alocar a distribuição de probabilidade. • Pr(Vi |  (Vi)) Obtenção da Probabilidade? Especialista X Dados Existentes

16. Captura inteligente de sintomas para o PHMS • Estágio 5: Análise da Sensibilidade e Avaliação • Estabelecer a qualidade e valor clínico da rede • Análise de sensibilidade • Dados do paciente. • Avaliação • Medida de performance. Comparação com estruturas já existentes.

17. Captura inteligente de sintomas para o PHMS

18. Conclusões e Trabalhos Futuros • Concluir Estágio 5 • Estudo e Adequação das API Existentes • Processamento on-line • PDA Zaurus: Linux &J2ME • Interface com Módulo de Decisão • Análise dos algoritmos para propagação de evidências • Economia de energia • Minimizar tempo de espera • Projetar e implementar o Módulo de Decisão

19. Referências [1]Artificial Intelligence in Medicine 30(2004)201-214 Bayesian Networks in biomedicine and health-care. [2]De Vaul, Rich, Sung, Michael, Gips, Jonathan, Pentland, Alex “Sandy”. MIThril 2003. Aplications and Architecture Media Laboratory, Massachusetts Institute of Technology. [3]Dailey, Daniel J., Harn, Patricia, Lin, Po-Jung. ITS Data Fusion [4]Carvalho, S. H., Heinzelmann B. W., Coelho J.N.C. Gerenciamento de Informações Médicas do Paciente (Projeto GIMPA). CBIS 2002. [5]Carvalho H., Coelho C., Heinzelman W., Murphy A General Data Fusion Architecture University Rochester 2002. [6]Flores D. C., Ladeira M., Vicari M. R., Höher L. C. Uma Experiência do Uso de Redes Probabilísticas no Diagnóstico Médico. Argentine Symposium On Healthcare Informatics. 2000. [7]Porto,C.C. Semiologia Médica Terceira Edição. Guanabara Koogan 2000. [8]Castro S.S.L., Carvalho S. H., Nascimento O.A.F.,Rocha F. A.Handmed – an integrated system for mobile symptoms capture. Artigo submetido ao III Latin American Congress on Biomedical Engineering 2004. .