Projeto LARIISA - Prof. Mauro Oliveira

Universidade Estadual do Ceará –UECE
Instituto Federal de Educação, Ciência e
Tecnologia do Ceará - IFCE
MESTRADO INTEGRADO PROFISSIONAL EM COMPUTAÇÃO APLICADA
MPCOMP
UM MECANISMO DE APOIO À TOMADA DE DECISÃO EM AGRAVO DE
DENGUE BASEADO EM DADOS PROBABILÍSTICOS
Mestrando:
Orientador:
Co-Orientador:
Germanno Gurgel do Amaral Teles
Prof. DSc. Mauro Oliveira
Prof. DSc. Ronaldo Ramos
Fortaleza
Set-2013
Sumário
1.Contexto do Trabalho
2. Objetivo
3. Metodologia
4. Trabalhos relacionados
5. Modelo Proposto
6. Prototipação e Testes
7. Conclusão
1. Contexto do Trabalho
Projeto LARIISA
4
Projeto LARIISA
Plataforma para apoio à tomada de decisão
em sistemas de governança em saúde.
Aplicação para Tomada
de Decisão
Conhecimento em
saúde
Mecanismos de
Inferência
ONTOLOGIA
SENSIBILIDADE a CONTEXTO
Informação em
Tempo Real
LARIISA - 2013
Representação do Conhecimento
(ONTOLOGIA)
Aquisição de Dados
(CONTEXTO)
Tomada de Decisão
MOTIVAÇÃO: Tratamento de dados probabilíssimos na informação de contexto e de
conhecimento
2. Objetivos
Objetivo Geral
Definição, especificação e a implementação de um
modelo para tratar DADOS PROBABILÍSTICOS nas
informações de contexto e na representação do
conhecimento no projeto LARIISA.
O resultado é o LARIISA-BAY, um componente baseado em redes
Bayesianas agregado à plataforma LARIISA.
2. Objetivo
Objetivos Específicos
• Criação de um modelo baseado em redes Bayesianas que atenda
ao objetivo geral;
• Definição dos parâmetros e de uma tabela de probabilidades que
ajudam a diagnosticar casos de dengue;
• Criação de uma rede Bayesiana baseada no modelo e parâmetros
acima definidos;
2. Objetivo
• Especificação do metadado e das interfaces com os atores do
sistema: usuário, agente de saúde e especialista;
• Implementação do protótipo contendo interfaces e a rede
Bayesiana criada a partir das tabelas de probabilidades.
4. Metodologia
Metodologia
1. Estabeleceu-se claramente o objetivo do trabalho
2. Pesquisou-se a existência de trabalhos relacionados (bibliografia)
3. Foram entrevistados vários profissionais da área de saúde
4. Estruturou-se um metadado a partir dos parâmetros acima elicitados.
5. Especificou-se o modelo LARIISA-BAY,
6. Criou-se uma primeira versão de uma rede Bayesiana para o modelo
7. Refinou-se a rede Bayesiana criando-se outras versões
8. Definiu-se as interfaces dos três principais atores envolvidos
9. Definiu-se quais parâmetros definem a rede Bayesiana
10. Implementou-se um protótipo como prova de conceito do objetivo proposto
11. Analisou-se a possibilidade do LARIISA-BAY servir de entrada em sistema de detecção e
monitoramento de epidemias
5. Trabalhos Relacionados
Trabalhos Relacionados
Agente Bayesiano de Apoio à Vigilância de Infecção Hospitalar – SAVIH
Utiliza uma rede bayesiana para apoiar o gestor de um hospital a avaliar o risco de um paciente à infecção
hospitalar.
Mostra o cenário de infecção nas diversas unidades de internação permitindo fazer a previsão de risco a
partir das características epidemiológicas e de doença do paciente.
Sistema de Apoio ao Diagnóstico Diferencial de Cefaléia (baseado em redes Bayesianas)
Oferece apoio a médicos generalistas, plantonistas ou residentes no diagnóstico diferencial
de cefaléias (dores de cabeça).
A base de conhecimentos foi construída levando em conta os sinais e sintomas dos pacientes
e nos valores estimados de probabilidades fornecidos pelos especialistas que participaram
do projeto.
SISA: Estudo do Caso de Agravo de Dengue
Local health context model
Global health context model
6. Modelo Proposto
LARIISA Data Acquisition Scenario
DIGA Saúde
Digital Camera
Global Positioning
System (GPS)
Internet Connection
Proximity Sensor
Compass
Gyroscope
Accelerometer
Light Sensor
Temperature Sensor
Humidity Sensor
Geographical Information
System (GIS)
Atmospheric Pressure
Sensor
Health Information
The diagnosis <0023821992> was taken at <S 3° 45' 48.6429“>, <W 38°
36' 28.7434“>, <Av. F, 126-298-Conj. Ceará, Fortaleza – CE> on <March
2nd, 2013> at <17:00h>. Heart rate was <110 bpm>, body temperature
was <40°C> and blood pressure was <140/90>. Symptoms: <A, B, C>.
SUS ID: <209968974640021>.
<diagnosis_id>0023821992</diagnosis_id>
<lat>3° 45' 48.6429"</lat>
<lon>38° 36' 28.7434"</lon>
Personal Tracking
<time>17:00</time>
<date>03/02/2013</date>
<body_temp>40°C</body_temp>
<heart_rate>110bpm</heart_rate>
Diagnosis data
metadata file
<blood_pressure>140/90</blood_pressure>
<loc_name>Av. F, 126-298-Conj. Ceará, Fortaleza - CE</loc_name>
<symptom>A, B, C</symptom>
Patient Identification!!
<sus_id>209968974640021</sus_id>
LARIISA - 2013
Aquisição de Dados
(CONTEXTO)
Tratamento de INCERTEZAS
Representação do Conhecimento
(ONTOLOGIA)
METADADO
I
Interface
Módulo de
Inferência
II
III
Módulo de
Inferência
IV
Interface
Módulo de
Decisão
Módulo de
Decisão
A
1
B
Specialist’s
Decision:
f(%)
C
Patient
RB
2
A
A’
B
B’
C
C’
Health Agent
%
Specialist’sV
alidation:
A f(%)
A ≠ A’
3
Specialist
Pass Through
A f(%)
A = A’
A
A’
B
B’
C
C’
ENTRADA
DO
SISTEMA
SALA DE SITUAÇÃO
Interface
Módulo de
Decisão
Interface do Usuário
Módulo de
Inferência do
LARIISA_Bay
RB
Agente de
Saúde
Especialista
Sensores
1
2
%
A’
B’
Decisão do
Especialista:
f(%)
Paciente
Módulo de
Decisão
SAÍDA DO
SISTEMA
Validação do
Especialista:
A f(%)
A ≠ A’
3
Pass
Through
A f(%)
A = A’
C’
A
Paciente
Especialista
Agente de
Saúde
Gestor
A’
B
B’
C
C’
A
A’
B
B’
C
C’
Posto de Saúde
Ambulância
Gráfico de Epidemias
METADADO
OUTROS
PROVEDORES DE
CONTEXTO
LARIISA_Bay
Regras de Repositório de Repositório de
Inferência Contexto Global Contexto Local
LARIISA
Contribuição 1: LARIISA_BAY
Contribuição 2: EPIDEMIAS
Detecção e monitoramento de epidemais
24
FIRST NETWORK MODEL
26
27
28
29
SECOND MODEL NETWORK
FINAL MODEL OF THE NETWORK
7. Prototipação e Testes
Telas do sistema
ENTRADA
proposto
DO
SISTEMA
Interface
Módulo de
Decisão
Interface do Usuário
Módulo de
Inferência do
LARIISA_Bay
RB
Paciente
Agente de Saúde
15th
Especialista
Especialista
Sensores
1
2
%
Módulo de
Decisão
A’
SAÍDA DO
SISTEMA
B’
Decisão do
Especialista:
f(%)
Paciente
Agente de
Saúde
SALA DE SITUAÇÃO
Validação do
Especialista:
A f(%)
A ≠ A’
3
Pass
Through
A f(%)
A = A’
C’
A
Paciente
Especialista
Agente de
Saúde
Gestor
A’
B
B’
C
C’
A
A’
B
B’
C
C’
Posto de Saúde
Ambulância
Gráfico de Epidemias
METADADO
OUTROS
PROVEDORES DE
CONTEXTO
LARIISA_Bay
Regras de Repositório de Repositório de
Inferência Contexto Global Contexto Local
Healthcom
October 10th, 2013
LARIISA
Lisbon, Portugal
Slide
SALA DE SITUAÇÃO
Decisão Especialista
Validação Especialista
Pass Throug
35
Decisão do Especialista
36
Validação do Especialista
37
Validação do Especialista
38
Pass Through
39
40
Baixo Risco
42
Alto Risco
v
Conclusão
CONCLUSÃO
• LARIISA-BAY pode auxiliar uma equipe de especialistas a melhor diagnosticar casos
de dengue.
• A criação da estrutura da rede Bayesiana e a quantificação das probabilidades foi
feita com o auxílio de especialistas, o que confere ao LARIISA-BAY maior
confiabilidade no processo de inferência.
• A prototipação do modelo proposto envolve interfaces móveis para a veiculação de
metadados capazes de alimentar as tabelas de probabilidades à rede Bayesiana, o
que favorece a prova de conceito da proposta em situações reais .
• O LARIISA-BAY permite que a inferência resultante da rede Bayesiana seja
disponibilizada para análise por especialistas ou para uso direto no diagnostico da
dengue, o que torna a arquitetura proposta mais flexível.
• A existência do campo SUS_ID no metadado possibilita a criacao de um mapa de
diagnóstico de epidemias.
• Este protótipo está sendo disponibilizado ao DATASUS (Projeto NextSAUDE)
CONTRIBUIÇÃO CIENTÍFICA
TRABALHO REALIZADO
•ANÁLISE: uso de redes bayesianas no LARIISA
•DESENVOLVIMENTO: modelos de RB no LARIISA
•IMPLEMENTAÇÃO: protótipo do desenvolvimento acima
•PROPOSTA: uma nova arquitetura para o LARIISA
CONSEQUENCIAS
•Amplia a atuacao do LARIISA, melhorando sua eficiência no processo de inferência
•Melhora o atendimento do usuário a luz da experiencia de especialistas (tableas de
probabilidades)
•Disponibiliza um ambiente para a pesquisa de soluções híbrida.
•Facilita a construção de mapas epidemiologicos de dengue.
CONTRIBUIÇÃO CIENTÍFICA
TRABALHOS FUTUROS
• Procura de um mecanismo híbrido, utilizando ontologia e redes Bayesianas o que
torna a predição mais refinada além de possibilitar inferências indiretas de difícil
obtenção sem uma modelagem baseada em ontologia.
• Comparação dos resultados com outros mecanismos inteligentes.
• Integração com estudos sendo realizados com “Linked data” (mushup de saúde).
PROPOSTAS
• A redefinição da arquitetura a partir do componente proposto baseado em RB
• A aplicação do protótipo em um cenário real
LARIISA: Próxima Geração
48
Obrigado!