ANDRESAHEKI

ANDR HIDEAKI SAHEKI
CONSTRUO DE UMA REDE BAYESIANA APLICADA AO

DIAGNSTICO DE DOENAS CARDACAS
Dissertao Apresentada Escola

Politcnica da Universidade de So Paulo
para Obteno do Ttulo de Mestre em
Engenharia
So Paulo
2005
ANDR HIDEAKI SAHEKI
CONSTRUO DE UMA REDE BAYESIANA APLICADA AO

DIAGNSTICO DE DOENAS CARDACAS
Dissertao Apresentada Escola

Politcnica da Universidade de So Paulo
para Obteno do Ttulo de Mestre em
Engenharia
rea de Concentrao:
Engenharia Mecatrnica
Orientador:
Prof. Livre-Docente
Fabio Gagliardi Cozman
So Paulo
2005
Este exemplar foi revisado e alterado em relao verso original, sob

responsabilidade nica do autor e com a anuncia de seu orientador.
So Paulo, 4 de abril de 2005.
Assinatura do autor _____________________________________
Assinatura do orientador_________________________________
FICHA CATALOGRFICA
Saheki, Andr Hideaki

Construo de uma rede Bayesiana aplicada ao diagnstico
de doenas cardacas / A.H. Saheki. -- ed.rev. -- So Paulo, 2005.
70 p.
Dissertao (Mestrado) - Escola Politcnica da Universidade
de So Paulo. Departamento de Engenharia Mecatrnica e de
Sistemas Mecnicos.
1.Inteligncia artificial 2.Probabilidade 3.Sistemas de apoio
deciso I.Universidade de So Paulo. Escola Politcnica.
Departamento de Engenharia Mecatrnica e de Sistemas
Mecnicos II.t.
AGRADECIMENTOS
O desenvolvimento deste trabalho contou com a colaborao das seguintes pessoas,

s quais gostaria de agradecer: Professor Dr. Fabio Gagliardi Cozman, pela
orientao e suporte no trabalho, professor Dr. Rodolfo Sharovsky, pelo auxlio
como especialista mdico no desenvolvimento do trabalho, doutora Veerle Coup,
pela ajuda no processo de construo de sistemas especialistas, demais mdicos do
Hospital Universitrio da USP que participaram do processo de escolha do problema
mdico, e colegas do Laboratrio de Tomada de Deciso da USP.
Adicionalmente, agradeo s seguintes instituies que contriburam ao trabalho
desenvolvido: Escola Politcnica da USP, FAPESP, Instituto de Pesquisas Eldorado
e HP Brasil R&D.
RESUMO
Este trabalho apresenta a construo de um sistema especialista aplicado ao

diagnstico de doenas cardacas, usando como ferramenta computacional redes
Bayesianas. O trabalho envolveu a interao entre diferentes reas do conhecimento,
engenharia e medicina, com maior foco na metodologia da construo de sistemas
especialistas. So apresentados os processos de definio do problema, modelagem
qualitativa e quantitativa, e avaliao. Neste trabalho, os processos de modelagem e
avaliao foram realizados com o auxlio de um especialista mdico e de dados
bibliogrficos. So apresentados como resultados a rede Bayesiana construda e um
software para manipulao de redes Bayesianas denominado iBNetz.
ABSTRACT
This work presents the construction of an expert system applied to the diagnosis of
heart diseases, using Bayesian networks as a modeling tool. The work involved
interactions between two different fields, engineering and medicine, with special
emphasis on the methodology of building expert systems. The processes of problem
definition, qualitative and quantitative modeling, and evaluation are presented here.
In this work, the modeling and evaluation processes have been conducted with the
aid of a medical expert and bibliographic sources. The work has produced a Bayesian
network for diagnosis and a software, called iBNetz, for creating and manipulating
Bayesian networks.
SUMRIO
LISTA DE TABELAS
LISTA DE FIGURAS
Captulo 1...................................................................................................................... 1
Introduo..................................................................................................................... 1
Captulo 2...................................................................................................................... 5
Sistemas especialistas.................................................................................................... 5
2.1 Sistemas especialistas aplicados medicina........................................................ 5
2.2 Tcnicas para construo de sistemas especialistas..............................................7
2.2.1 rvores de deciso........................................................................................7
2.2.2 Sistemas de produo................................................................................... 8
2.2.3 Redes neurais................................................................................................8
2.2.4 Redes Bayesianas......................................................................................... 9
2.2.5 Utilizao de diversas tcnicas....................................................................12
2.3 Tcnica utilizada no trabalho............................................................................. 12
Captulo 3.................................................................................................................... 14
Escolha do problema mdico.......................................................................................14
3.1 Problemas mdicos considerados.......................................................................14
3.1.1 Diagnstico em pacientes admitidos em UTIs............................................ 14
3.1.2 Tratamento de pacientes com insuficincia renal........................................15
3.1.3 Operao em pacientes com neoplasias benignas da mandbula................. 15
3.1.4 Cirurgia para retirada de metstases............................................................15
3.1.5 Diagnstico de insuficincia cardaca congestiva causada por insuficincia
coronria..............................................................................................................16
3.1.6 Diagnstico de mal de Alzheimer............................................................... 16
3.1.7 Diagnstico de doenas cardacas em pacientes com dificuldades
respiratrias......................................................................................................... 16
3.2 Escolha do problema mdico............................................................................. 17
3.2.1 Critrios relativos ao problema mdico.......................................................17
3.2.2 Critrios relativos ao mdico especialista que auxiliar na construo do
sistema.................................................................................................................18
3.2.3 Problema mdico escolhido........................................................................ 18
Captulo 4.................................................................................................................... 19
Modelo qualitativo da rede Bayesiana......................................................................... 19
4.1 Processo para criao do modelo da rede...........................................................19
4.1.1 Mtodos para refinamento da estrutura da rede...........................................19
4.1.2 Limitaes na estrutura da rede...................................................................20

4.2 Caractersticas da insuficincia cardaca............................................................ 21
4.2.1 Definio de insuficincia cardaca.............................................................21
4.2.2 Sintomas fisiolgicos observados............................................................... 21
4.2.3 Fatores de risco relacionados doena....................................................... 22
4.2.4 Ferramentas de diagnstico disponveis......................................................24
4.2.5 Outras possibilidades de diagnstico para pacientes com dificuldades
respiratrias......................................................................................................... 25
4.3 Evoluo dos modelos construdos.................................................................... 26
Captulo 5.................................................................................................................... 33
Probabilidades na rede Bayesiana................................................................................33
5.1 Elucidao de probabilidades............................................................................ 33
5.1.1 Especificao direta de probabilidades....................................................... 33
5.1.2 Loterias.......................................................................................................34
5.1.3 Mtodos qualitativos...................................................................................34
5.2 Aprendizado...................................................................................................... 35
5.3 Obteno de probabilidades...............................................................................36
5.3.1 Probabilidades marginais............................................................................ 36
5.3.2 Probabilidades condicionais........................................................................37
5.4 Noisy-or.............................................................................................................41
Captulo 6.................................................................................................................... 47
Avaliao da rede........................................................................................................ 47
6.1 Casos de uso para a rede.................................................................................... 47
6.1.1 Primeira avaliao com casos de uso.......................................................... 47
6.1.2 Segunda avaliao com casos de uso.......................................................... 49
6.1.3 Terceira avaliao com casos de uso...........................................................50
6.1.4 Resultado final da avaliao com casos de uso........................................... 56
6.2 Avaliao qualitativa com especialistas............................................................. 57
6.2.1 Avaliao 1.................................................................................................57
6.2.2 Avaliao 2.................................................................................................58
6.2.2 Resumo das avaliaes............................................................................... 59
Captulo 7.................................................................................................................... 60
Construo de software............................................................................................... 60
Captulo 8.................................................................................................................... 64
Concluso....................................................................................................................64
Referncias.................................................................................................................. 67
Glossrio..................................................................................................................... 70
LISTA DE TABELAS
Tabela 2.1: Valores de P(A)........................................................................................ 11

Tabela 2.2: Valores de P(B|A)..................................................................................... 11
Tabela 2.3: Valores de P(C|A)..................................................................................... 11
Tabela 2.4: Valores de P(A, B, C)............................................................................... 11
Tabela 2.5: Probabilidades condicionais para cada n................................................. 12
Tabela 5.1: Doena_Chagas........................................................................................ 36
Tabela 5.2: Dislipidemia..............................................................................................36
Tabela 5.3: Fumo.........................................................................................................36
Tabela 5.4: Idade......................................................................................................... 36
Tabela 5.5: HAS.......................................................................................................... 37
Tabela 5.6: Antecedente_Familiar_ICO...................................................................... 37
Tabela 5.7: Febre_Reumtica...................................................................................... 37
Tabela 5.8: DM............................................................................................................37
Tabela 5.9: Doena_Pulmonar.....................................................................................37
Tabela 5.10: Consumo_lcool.................................................................................... 37
Tabela 5.11: Doena_Arteriosclertica_Vascular........................................................37
Tabela 5.12: Alteraes_EF.........................................................................................38
Tabela 5.13: Alteraes_ECG..................................................................................... 38
Tabela 5.14: Alteraes_RaioX................................................................................... 38
Tabela 5.15: Alteraes_ECO..................................................................................... 38
Tabela 5.16: Valvopatia...............................................................................................39
Tabela 5.17: Insuficincia_Coronria.......................................................................... 39
Tabela 5.18: Sintomas_Ins_Coronria......................................................................... 39
Tabela 5.19: Nvel_Ativao_N-H.............................................................................. 39
Tabela 5.20: Hipertenso_Pulmonar_Venosa_Sistmica.............................................40
Tabela 5.21: Probabilidades condicionais para Arteriosclerose_Coronria..................40
Tabela 5.22: Probabilidades condicionais para Insuficincia_Cardaca....................... 41
Tabela 5.23: Tosse_Seca............................................................................................. 41
Tabela 5.24: Ascite...................................................................................................... 41
Tabela 5.25: Hepatomegalia........................................................................................ 41
Tabela 5.26: Edema_MMII......................................................................................... 41
Tabela 5.27: Derr_Pleural............................................................................................41

Tabela 5.28: Dispnia.................................................................................................. 41
Tabela 5.29: Probabilidades conjuntas de D................................................................ 46
Tabela 6.1: Casos de uso para rede simplificada..........................................................48
Tabela 6.2: Casos de uso para a rede completa............................................................49
LISTA DE FIGURAS
Figura 2.1: Rede antes da observao.......................................................................... 11

Figura 2.2: Rede aps observao............................................................................... 11
Figura 4.1: Primeiro modelo da rede........................................................................... 26
Figura 4.2: Segundo modelo da rede........................................................................... 28
Figura 4.3: Terceiro modelo da rede............................................................................ 30
Figura 4.4: Modelo final da rede..................................................................................31
Figura 5.1: Exemplo noisy-or...................................................................................... 45
Figura 6.1: Alto Risco: ECG, Raio-X, ECO, Chagas, HT_Mdia............................... 51
Figura 6.2: Baixo Risco: lcool, Raio-X, Antecedente Familiar................................. 51
Figura 6.3: ECG, ECO, Raio-X negativos................................................................... 52
Figura 6.4: ECG, ECO, Raio-X positivos.................................................................... 53
Figura 6.5: Mdio/Alto Risco - Dislipidemia, Doena_Art_Vascular, RaioX,
HT_Baixa.................................................................................................................... 54
Figura 6.6: Mdio/baixo risco: reduzido nmero de observaes................................ 55
Figura 6.7: Baixo risco: apenas falta de sintomas........................................................ 56
Figura 7.1: iBNetz....................................................................................................... 61
Figura 7.2: Interface para a rede Diagnstico de Doenas Cardacas....................... 62
Captulo 1
INTRODUO
A pesquisa na rea de inteligncia artificial tem como um de seus principais
objetivos, seno o principal, produzir resultados que possam ser aplicados em
situaes prticas. Temos como exemplos robs autnomos e sistemas de auxlio
tomada de deciso, tambm conhecidos como sistemas especialistas. No caso de
robs autnomos, uma das possibilidades explorar ambientes desconhecidos em
que no estejam disponveis meios de comunicao entre o rob e operadores,
deixando-se a cargo do rob a tomada de suas prprias decises. E sistemas de
auxlio tomada de deciso podem ser usados, por exemplo, em aplicaes
econmicas, predizendo o comportamento de mercados de aes, em aplicaes
mdicas, auxiliando a deciso de mdicos no diagnstico ou tratamento de doenas,
em diagnstico de falhas em equipamentos, entre outras aplicaes.
Este trabalho dedicou-se criao de um sistema de auxlio tomada de
deciso, utilizando redes Bayesianas (PEARL, 1988) e destinado rea mdica
(SPIEGELHALTER, 1987); (WETTER, 2002), que visou demonstrar a aplicao
prtica de tcnicas de inteligncia artificial em uma situao cotidiana. Este tem sido
um grande desafio a especialistas tanto da rea de inteligncia artificial como para
mdicos, principalmente devido s dificuldades de traduzir o conhecimento mdico
para uma forma computacionalmente tratvel.
O raciocnio mdico pode ser dividido em trs tarefas genricas: diagnstico,
planejamento e tratamento. O diagnstico refere-se identificao de doenas em
indivduos, utilizando-se de informaes sobre seus antecedentes mdicos. O
planejamento envolve a escolha do mtodo de tratamento utilizado e os resultados
futuros da escolha. E o gerenciamento do paciente lida com a situao presente, ou
seja, a continuidade do tratamento. De forma anloga, o raciocnio mdico
utilizando-se de ferramentas de inteligncia artificial tambm envolve uma ou mais
destas tarefas.
Na prtica mdica os trs tipos de tarefas so necessariamente tratados
simultaneamente durante o atendimento mdico, enquanto que sistemas especialistas
normalmente so construdos de forma a lidar com apenas uma das tarefas. Isso se
deve inerente complexidade em tentar-se tratar todos os aspectos envolvidos em
um problema mdico ao mesmo tempo.
De forma geral, as fases executadas na construo de um sistema especialista
so: definio do problema (tanto o problema mdico como as ferramentas
computacionais), criao do modelo qualitativo, criao do modelo quantitativo e
avaliao.
Existem duas metodologias para a criao dos modelos qualitativo e
quantitativo: uma utilizar-se de conhecimentos de especialistas humanos e traduzir
tal conhecimento para uma forma computacional tratvel; outra utilizar-se de uma
base de dados de casos anteriores, a qual usada por um algoritmo de aprendizado
para a construo do sistema.
A utilizao de aprendizado tem como maior desvantagem a necessidade de
uma grande base de dados pertinentes ao problema, o que pode ser caro ou
impossvel. Uma vantagem do aprendizado limitar a influncia de opinies
particulares dos especialistas colaboradores. Tambm possvel a utilizao do
conhecimento de especialistas juntamente com a base de dados. Em situaes desse
tipo, o aspecto qualitativo recebe maior participao dos especialistas enquanto que o
aspecto quantitativo obtido atravs da base de dados.
O trabalho aqui apresentado iniciou-se a partir de interaes entre a Escola
Politcnica da Universidade de So Paulo (EPUSP) e o Hospital Universitrio da
USP (HU-USP), resultando em um projeto conjunto entre as duas instituies,
integrando conhecimentos de inteligncia artificial e de medicina. Essa colaborao
interunidades na USP visou avaliar o benefcio que a aplicao de tecnologias de
inteligncia artificial podem trazer prtica mdica.
O objetivo do sistema construdo auxiliar o diagnstico de doenas
cardacas (BATLOUNI et al, 1999); (REMME; SWEDBERG, 2001); (REMME;
SWEDBERG, 2002), especificamente em pessoas que se apresentam em postos de
sade com dificuldades respiratrias. Especificamente, tentou-se modelar da melhor
forma possvel o mecanismo que leva ocorrncia de insuficincia cardaca. Dessa
forma, pode ser feita a devida seleo entre os pacientes que devem ser
encaminhados a hospitais para mais anlises e tratamento, e os que podem ser
satisfatoriamente tratados nos prprios postos por apresentarem problemas de menor

gravidade. A identificao correta, nos postos de sade, dos pacientes tem como
objetivo otimizar o atendimento hospitalar, limitando-se o excessivo nmero de
atendimentos desnecessrios.
A especificao das fases seguidas neste trabalho apresenta-se a seguir:
a) O problema mdico foi o diagnstico de doenas cardacas em pessoas que
se apresentam em postos mdicos com dificuldades respiratrias;
b) A ferramenta computacional utilizada foi o modelo de redes Bayesianas;
c) A modelagem qualitativa definiu a estrutura da rede;
d) A modelagem quantitativa especificou os conjuntos de probabilidades;
e) A avaliao foi realizada em conjunto com mdicos.
A seleo do problema mdico tratado deu-se atravs de convite realizado a
mdicos do HU-USP para que apresentassem problemas mdicos de seu
conhecimento. Os problemas mdicos apresentados foram analisados e o diagnstico
de insuficincia cardaca foi escolhido para ser modelado em um sistema
especialista.
Para as modelagens qualitativa e quantitativa, foi utilizado o auxlio de
especialistas mdicos durante a construo do sistema. Tal escolha foi feita devido
inexistncia de uma base de dados que pudesse ser empregada para o trabalho, assim
como a considerao que a obteno de uma base de dados estaria fora do escopo do
trabalho. Dessa forma, o esforo foi concentrado na colaborao com especialistas
mdicos e na construo de ferramentas computacionais que pudessem auxiliar em
trabalhos similares.
A avaliao tambm foi feita com o auxlio de especialistas, atravs de casos
de uso para o sistema e de avaliaes qualitativas.
Pretende-se, inicialmente, utilizar o modelo aqui construdo com fins
didticos, em especial no ensino de conceitos de raciocnio probabilstico para
mdicos. Posteriormente, espera-se que seja feita uma avaliao quanto
aplicabilidade em situaes reais.
O Captulo 2 apresenta uma pesquisa bibliogrfica do tema, o Captulo 3
apresenta a escolha do problema mdico, o Captulo 4 descreve o processo de
modelagem qualitativa, o Captulo 5 a obteno das probabilidades da rede, o
Captulo 6 apresenta a avaliao da rede, o Captulo 7 introduz o software construdo

e o Captulo 8 conclui o trabalho. Seguem-se ao Captulo 8 a lista de referncias e o
glossrio.
Captulo 2
SISTEMAS ESPECIALISTAS
Um especialista uma pessoa com conhecimentos e habilidades especficas
capazes de resolver problemas em sua rea de conhecimento. Sistemas especialistas
so ferramentas computacionais cujo objetivo simular as decises que seriam
tomadas por especialistas (COWELL et al, 1999).
Um sistema especialista, em geral, utiliza uma base de conhecimento
especfico rea considerada e codificada de alguma forma no sistema. Alm disso,
o sistema deve possuir um mecanismo de inferncia, o qual gera resultados
utilizando-se da base de conhecimento e de parmetros inseridos pelo usurio do
sistema. Normalmente, os dois componentes - a base de conhecimento e o
mecanismo de inferncia podem ser isolados, de forma que se possa desenvolver
cada uma das partes isoladamente.
2.1 Sistemas especialistas aplicados medicina

A construo de sistemas especialistas na rea mdica apresenta diversos
desafios. Entre os quais pode-se destacar a apresentao aos mdicos dos mtodos
utilizados, de forma que estes possam entender o funcionamento dos sistemas
construdos e, por conseguinte, julgar com mais lucidez o desempenho dos sistemas.
E, em um estgio posterior construo, uma das maiores dificuldades promover o
uso dos sistemas durante a prtica cotidiana. A utilizao dos sistemas deve ser a
mais simples possvel, de modo que o atendimento mdico no sofra uma
inconveniente interrupo devido ao uso do sistema especialista. O entendimento e a
superao destes desafios so alguns dos principais indicadores de sucesso dos
sistemas especialistas. Uma aplicao que utiliza tcnicas de inteligncia artificial
so os desfibriladores eltricos. Estes aparelhos contm rotinas inteligentes, de modo
que podem ser utilizados por pessoas sem treinamento em para-medicina no
atendimento emergencial a pessoas com paradas cardacas sbitas.
Ao longo dos anos foram desenvolvidos diversos sistemas especialistas no
campo da deciso mdica (BEINLICH et al, 1989); (DIZ et al, 1997). O nvel de
sucesso destes sistemas foi altamente variado, tanto sob os aspectos da qualidade das
respostas fornecidas como sob o ponto de vista da implantao na prtica cotidiana.
A qualidade das respostas do sistema depende principalmente do esforo e
conhecimento empregados na construo do mesmo. No entanto, observa-se que os
sistemas de auxlio deciso mais integrados aos sistemas de informao
hospitalares (WETTER, 2002) tm uma maior chance de serem usados pelos
mdicos. Alguns dos exemplos de sistemas especialistas j construdos ou em
desenvolvimento so apresentados a seguir.
Mycin (BUCHANAN; SHORTLIFE, 1984).

Um dos mais relevantes sistemas especialistas aplicados deciso mdica o
Mycin, um programa de computador interativo destinado ao diagnstico de doenas

infecciosas, que tambm prescreve terapias anti-microbiais. Este sistema tambm
demonstrou o conceito de separao entre a base de conhecimento e o mecanismo de
diagnstico, este baseado em um sistema de regras. Durante testes controlados, o
sistema alcanou um grau de acerto similar ao de mdicos especializados na rea e,
apesar de no ter sido utilizado rotineiramente na prtica, exerceu grande influncia
no direcionamento da pesquisa em sistemas especialistas destinados ao auxlio
deciso mdica.
HELP System (KUPERMAN; GARDNER; PRYOR, 1991).

Sistema construdo no LDS Hospital em Salt Lake, Estados Unidos, que
armazena informaes dos pacientes do hospital e utiliza estas informaes tanto do

ponto de vista gerencial como tambm no auxlio tomada de deciso. Inicialmente
foi concebido para ser usado no laboratrio de cateterizao cardaca e na unidade de
terapia intensiva ps-operatria. Posteriormente, o sistema foi expandido para
atender a diversas reas hospitalares como radiologia, enfermagem, farmcia e
laboratrios. A maior integrao com diversas reas hospitalares permitiu que o
HELP System fosse mais bem aceito pelos mdicos e mostrou que o uso de
ferramentas de auxlio tomada de deciso pode ser benfico no tratamento de
pacientes.
TraumAID (RYMON, 1993).

O TraumAID um sistema desenvolvido para auxiliar no diagnstico e
tratamento de traumas (causados por armas de fogo e perfuraes) no peito e

abdmen. Extenses criadas posteriormente adicionaram a capacidade de lidar-se
com outros tipos de emergncias mdicas. Em sua ltima verso, o sistema utiliza a
linguagem de programao LISP, sendo baseado em um conjunto de expresses
simblicas que fornecem as sugestes de diagnstico e plano de tratamento para os
casos apresentados.
SETH (DARMONI et al, 1995).

Sistema especialista com o objetivo de fornecer conselhos a respeito do
tratamento e monitorao de envenenamento por drogas. O raciocnio executado pelo

sistema tenta simular a linha de pensamento utilizada por mdicos reais.
conhecimento armazenado consiste de termos, requisies, regras e descries, todos

relacionados ao problema de envenenamento por drogas. O mecanismo de inferncia
utiliza regras, apresentadas na forma de expresses lgicas, para obter respostas
partindo-se das hipteses inseridas no sistema.
Heart Disease Program (HEART DISEASE PROGRAM, 2004).

Projeto em desenvolvimento com o objetivo de proporcionar diagnsticos e
sugestes de tratamento de doenas cardacas, focado em disfunes hemodinmicas,

utilizando-se de raciocnio probabilstico e mquina de estados modelando as causas
e efeitos de disfunes hemodinmicas.
2.2 Tcnicas para construo de sistemas especialistas

O desenvolvimento de sistemas especialistas requer a aplicao de uma
tcnica que possa representar o conhecimento pr-existente no domnio em que os
sistemas sero usados. Este conhecimento pode existir em informaes bibliogrficas
e experincia de profissionais.
Existem diversas tcnicas utilizadas na construo de sistemas especialistas
(WINSTON, 1992), sendo que algumas das mais utilizadas so apresentadas a
seguir.
2.2.1 rvores de deciso

rvores de deciso (WINSTON, 1992) baseiam-se na construo de
caminhos que podem ser seguidos com o objetivo final de obter-se uma soluo. Esta
tcnica tem como vantagem a facilidade de uso e a no-obrigatoriedade da presena

de recursos computacionais, visto que pode ser apresentada na forma de cartes ou
similares. Tem como principais desvantagens a falta de flexibilidade, visto que
somente pode chegar-se a um n final caso tenham-se todos os dados anteriores, e a
suscetibilidade a erros graves caso uma nica deciso esteja errada, especialmente se
tal deciso for feita em um estgio inicial do caminho da rvore.
2.2.2 Sistemas de produo

Sistemas de produo (WINSTON, 1992) utilizam regras lgicas,
manipulando smbolos a fim de obterem-se concluses. As regras apresentam-se na
forma se A1, A2, An ento B que, combinadas com algoritmos de inferncia,
executam inferncias simblicas nos casos apresentados ao sistema.
Diferentemente de rvores de deciso, os sistemas de produo fornecem um
mecanismo prtico em que novas regras podem ser adicionadas a sistemas em uso e
tambm no necessrio que as regras do sistema sejam utilizadas em uma ordem
pr-determinada.
Uma limitao dos sistemas de produo que no existe um mecanismo
automtico que possibilite indicar a falta de uma informao, ou informaes
incompletas. Por exemplo, para uma varivel A, seriam necessrias trs regras
indicando cada um dos casos, A , A e A desconhecido. Isso pode fazer com que o
nmero de regras necessrio seja demasiadamente alto, dificultando a representao
e compreenso do raciocnio utilizado.
2.2.3 Redes neurais

Redes neurais (FAUSETT, 1994), em sua forma mais comum (Multilayer
perceptrons), so compostas de diversas unidades de processamento divididos em
camadas, onde o valor calculado em cada unidade de processamento depende das
entradas recebidas e dos pesos atribudos a cada possvel valor das unidades.
Uma das camadas contm as entradas do problema sendo analisado, outra
camada as sadas do problema, e uma ou mais camadas contm unidades ocultas. O
nmero de camadas ocultas e de unidades nestas camadas normalmente
determinado experimentalmente, escolhendo-se o valor que resulte em uma rede com
os melhores resultados possveis. Uma funo de ativao em cada unidade

determina o estado das unidades ligadas a ela.
A obteno dos pesos e da funo de ativao feita atravs de um algoritmo
de aprendizado, entre os quais o mais conhecido denominado back-propagation.
Este algoritmo executado em dois passos. No 1o. passo, as sadas e os erros na sada
da rede so calculados. No 2o. passo, os erros na sada so utilizados para modificar
os pesos na sada, ento os erros nas unidades ocultas so calculados, propagando-se
os erros nas sadas atravs dos pesos, e os pesos nas unidades ocultas calculados
utilizando-se destes ltimos valores.
Outros modelos de redes neurais podem utilizar estruturas e algoritmos
diferentes, existindo alguns modelos que integram conceitos de probabilidade ou
lgica.
2.2.4 Redes Bayesianas

Uma rede Bayesiana um modelo matemtico baseado em ns e arcos que
representam, respectivamente, as variveis de um universo U=(A1, A2,..., An) e as
dependncias entre estas. A direo dos arcos, em geral, representa relaes de
causa-conseqncia entre as variveis do domnio mdico modelado. Por exemplo,
se houver um arco indo de um n A para um n B, assume-se que o n A representa
uma causa de B e adota-se como nomenclatura que A um dos pais de B;
analogamente, B um dos filhos de A. Associado ao grafo, existe uma distribuio
de probabilidades. As redes Bayesianas adotam uma representao compacta onde
so definidas somente as probabilidades condicionais de cada n em relao aos seus
pais. Redes Bayesianas obedecem condio de Markov: no existe uma relao de
dependncia direta entre quaisquer dois ns a no ser que exista um arco entre eles
na rede. A distribuio de probabilidade correspondente rede calculada a partir
das probabilidades condicionais:
n
P(U ) = P ( A 1 , A2 , ..., An ) = P ( Ai pa ( Ai ) ) ,
i =1
onde P(U) a probabilidade conjunta para a rede, pa(Ai) so os pais do n Ai e P(Ai|

pa(Ai)) so as probabilidades condicionais de Ai em relao aos seus pais.
Cada n possui um nmero finito, maior ou igual a dois, de categorias. As
categorias, tambm comumente denominadas estados, representam os possveis

valores da varivel representada pelo n.
Um n observado quando h conhecimento sobre o estado da varivel que
representa o n. Os ns observados tm grande importncia no processo de
inferncia realizado na rede, pois, juntamente com as probabilidades condicionais
especificadas para a rede, determinam as probabilidades dos ns no observados. As
probabilidades condicionais da rede aps a inferncia so dadas por:
P ( Ai | E ), Ai U ,
ou seja, as probabilidades de cada n, dados o conjunto de ns observados (E).
Em aplicaes prticas, os valores da probabilidade conjunta P(U) no so
muito significativos na anlise do problema modelado. De maior interesse so as
probabilidades marginais de cada n no observado. Utilizando-se a probabilidade
conjunta, podem-se obter as probabilidades marginais somando-se, para cada estado
de cada varivel, todas as probabilidades em que a varivel encontra-se no estado
desejado. Em seguida, normalizam-se as probabilidades obtidas e obtm-se as
probabilidades marginais para cada n. Esses conceitos so ilustrados a seguir
atravs de um exemplo.
As Figuras 2.1 e 2.2 mostram uma rede com trs ns antes e aps a insero
de uma observao no n B:
11
Figura 2.1: Rede antes da observao.
Figura 2.2: Rede aps observao.

As tabelas 2.1, 2.2 e 2.3 apresentam as tabelas de probabilidades para a rede
acima:
P(a1 ) = 0.4
P(a2 ) = 0.6
Tabela 2.1: Valores de P(A).
P(b1|a1) = 0.2
P(b2|a1) = 0.8
P(b1|a2) = 0.25
P(b2|a2) = 0.75
Tabela 2.2: Valores de P(B|A).
P(c1|a1) = 0.3
P(c2|a1) = 0.7
P(c1|a2) = 0.1
P(c2|a2) = 0.9
Tabela 2.3: Valores de P(C|A).
A partir das tabelas acima, obtm-se a tabela conjunta P(A, B, C), contendo
oito valores, dados por P(A, B, C) = P(A) * P(B|A) * P (C|A):
P(a1 ,b1 ,c1 ) =
0.024
P(a1 ,b1 ,c2 ) =
0.056
P(a1 ,b2 ,c1 ) = 0.096
P(a2 ,b1 ,c1 ) =

0.015
P(a2 ,b1 ,c2 ) =
P(a1 ,b2 ,c2 ) = 0.224
0.135
Tabela 2.4: Valores de P(A, B, C).
P(a2 ,b2 ,c1 ) = 0.045

P(a2 ,b2 ,c2 ) = 0.405
Para o caso em que o n B observado como B=b2, realiza-se um processo

de inferncia para os ns A e C. Para P ( a1 | B = b2 ) , por exemplo, realiza-se o
seguinte clculo:
12
P ( a1 | B = b2 ) =
( P ( a ,b ,c ) + P ( a ,b ,c ) )
1
( P ( a ,b ,c ) + P ( a ,b ,c ) + P ( a ,b ,c ) + P ( a ,b ,c ) )
1
Como observado que {B=b2}, todas as probabilidades em P(A, B, C)

contendo b1 no so utilizadas. Realizando-se o processo acima para todos os estados
de A e C, obtm-se as probabilidades condicionais para cada n, exibidas na tabela
2.5:
P ( a1 | B = b2 ) = 0.416
P ( a2 | B = b2 ) = 0.584
P ( c1 | B = b2 ) = 0.183
P ( c2 | B = b2 ) = 0.817
Tabela 2.5: Probabilidades condicionais para cada n.

O processo de inferncia realizado acima a base da utilidade das redes
Bayesianas. Existem algoritmos eficientes em tempo e espao, que no exigem o
clculo de toda a tabela conjunta (JENSEN, 2001).
2.2.5 Utilizao de diversas tcnicas

tambm possvel a utilizao de diversas tcnicas em um mesmo problema.
O uso de diversas tcnicas pode ser til em situaes em que sistemas especialistas
podem necessitar de recursos computacionais ou de tempo muito altos. Nessas
situaes, pode ser interessante a presena de sistemas especialistas de diferentes
nveis de complexidade. Os sistemas mais simples seriam utilizados inicialmente e,
caso necessrio, os mais complexos funcionariam como opinies arbitrativas.
Como exemplo de utilizao de mais de uma tcnica pode ser apresentada
uma rvore de deciso seguida por uma rede Bayesiana. As sadas finais de uma
rvore de deciso, usada no diagnstico de uma determinada doena, poderiam ser
SIM, NO e INDETERMINADO. No caso em que a sada obtida for
INDETERMINADO, seria utilizada a rede Bayesiana como uma forma de se obter
uma resposta mais precisa.
2.3 Tcnica utilizada no trabalho

Neste trabalho, foi construda uma rede Bayesiana para atuar como sistema de
auxlio deciso mdica. Os motivos que levaram a escolha da tcnica de redes
13
Bayesianas foram os seguintes:
A possibilidade de trabalhar com incertezas, pois em problemas mdicos

muitas vezes existem condies em que no se tem certeza sobre o
diagnstico correto ou sobre a melhor forma de tratamento para uma
determinada doena.
A construo de um sistema baseado na opinio de especialistas pode ser

feita utilizando-se redes Bayesianas. Isto necessrio no caso em que no
exista uma base de dados de aprendizado ou esta no fornea resultados
satisfatrios.
Facilidade de apresentao do funcionamento da rede aos mdicos

envolvidos, uma vez que a estrutura da rede criada representa relaes
causais entre as variveis envolvidas. Esse fator possibilita aos especialistas
envolvidos ter uma viso mais intuitiva do funcionamento do sistema.
14
Captulo 3
ESCOLHA DO PROBLEMA MDICO
As duas principais questes a serem respondidas na fase inicial da construo
de um sistema especialista de auxlio deciso mdica so a tcnica utilizada para a
construo e o problema mdico a ser modelado. A tcnica utilizada, introduzida
anteriormente no Captulo 2, foi uma rede Bayesiana. A escolha do problema mdico
necessria devido impossibilidade prtica de se construir um nico sistema que
possa ser utilizado em todos os problemas mdicos existentes.
Com o objetivo de se escolher o problema mdico para a rede Bayesiana,
foram feitas duas reunies, contando-se com a participao de mdicos do HU-USP,
dedicadas a apresentar o escopo do trabalho, objetivo e processo de construo da
rede. Foi solicitado aos cerca de quinze mdicos presentes que apresentassem
problemas mdicos de seu conhecimento, como diagnstico de doenas cardacas,
planejamento de tratamento para pacientes com doenas neurolgicas degenerativas
e organizao do atendimento em pediatria.
As apresentaes tambm fizeram uma introduo teoria de redes
Bayesianas e suas aplicaes prticas. A importncia de que os mdicos tenham
noes sobre as ferramentas matemticas e computacionais utilizadas de coordenar
melhor o fornecimento de conhecimentos do domnio mdico, a fim que os mdicos
envolvidos possam focar-se nos aspectos do problema sendo analisado que mais
contribuam para a construo do sistema especialista.
3.1 Problemas mdicos considerados

Os seguintes problemas foram propostos dos mdicos presentes. Um deles foi
escolhido para ser modelado em um sistema especialista baseado em redes
Bayesianas; a escolha do problema levou em considerao aspectos prticos e de
utilidade apresentados na Seo 3.2.
3.1.1 Diagnstico em pacientes admitidos em UTIs

Este problema referia-se ao diagnstico em pacientes admitidos em UTIs
15
(Unidades de Terapia Intensiva) em estado de choque. Existem vrias causas

possveis de um choque, tais como hipovolemia, problemas cardacos e sepse. Um
sinal comum uma baixa presso arterial, e outros sinais que podem ser observados
so febre, dificuldade respiratria e edemas.
Como muitos dos sinais so similares, independentemente da causa do
choque, existe uma dificuldade em obter-se o diagnstico correto. No entanto, para
cada possvel causa, existe um tratamento diferente, assim sendo, uma incorreta
identificao pode levar a resultados fatais. O sistema especialista teria como
objetivo indicar quais so as causas mais provveis para o estado de choque, dados
os sinais e as caractersticas do paciente.
3.1.2 Tratamento de pacientes com insuficincia renal

Existem trs opes no tratamento de pacientes com insuficincia renal. O
paciente pode receber tratamento paliativo at sua morte, utilizar-se de um sistema de
purificao (hemodilise) ou receber transplante. As vrias opes esto associadas
com diferentes expectativas e qualidade de vida, assim como custos de tratamento. O
problema de deciso consistiria em escolher o tratamento que tenha o melhor
custo/benefcio no tratamento da insuficincia renal.
3.1.3 Operao em pacientes com neoplasias benignas da

mandbula
Este problema referia-se deciso se pacientes idosos com neoplasias
benignas da mandbula devem ser operados. A cirurgia realizada tem como principal
objetivo melhorar a qualidade de vida do paciente, no entanto devem ser
considerados os riscos envolvidos ao submeter-se uma pessoa idosa a uma cirurgia,
assim como a possibilidade de que a melhora no seja significativa. O sistema teria
como objetivo separar os pacientes em que a operao seria benfica daqueles em
que seria mais recomendado um tratamento no-invasivo.
3.1.4 Cirurgia para retirada de metstases

No tratamento de pacientes com tumores malignos no pulmo e metstases
em outros rgos, existe o problema relacionado deciso se deve ou no ser feita
16
cirurgia com o objetivo de removerem-se as metstases. Uma alternativa cirurgia

o tratamento com quimioterapia, com o objetivo de reduzir o volume de clulas
cancergenas. Ambas as alternativas contm riscos e limitaes, tais como os efeitos
colaterais da quimioterapia e os riscos da cirurgia. O sistema seria destinado a
auxiliar na escolha do procedimento mais recomendado.
3.1.5 Diagnstico de insuficincia cardaca congestiva causada por

insuficincia coronria
O problema tratado aqui se referiria identificao de insuficincia cardaca
congestiva causada por insuficincia coronria. Alm da insuficincia coronria,
existem outras possveis causas, como consumo excessivo de lcool e doena de
Chagas. Como os sintomas so similares, torna-se difcil isolar a insuficincia
coronria como causa e proceder-se ao seu tratamento.
3.1.6 Diagnstico de mal de Alzheimer

O sistema de deciso proposto para este problema deveria auxiliar a distinguir
a presena de mal de Alzheimer entre outras doenas degenerativas e o
envelhecimento normal. O mal de Alzheimer tem um grande impacto na vida do
paciente, que sofre com disfunes em sua memria recente, expresso verbal,
percepo e funes motoras. O diagnstico correto do mal de Alzheimer abre
possibilidades de tratamento, apesar de que os tratamentos disponveis so limitados
e de alto custo.
3.1.7 Diagnstico de doenas cardacas em pacientes com

dificuldades respiratrias
Este problema de diagnstico compreenderia pacientes que se apresentam em
postos de sade com dificuldades respiratrias. As dificuldades respiratrias podem
tem uma causa cardaca, uma causa pulmonria ou ainda podem estar relacionados a
outros problemas como ansiedade e obesidade. A falha em identificar-se uma causa
cardaca pode resultar em piora significativa na sade do paciente e at sua morte.
Entretanto, sem os testes de diagnstico apropriados difcil identificar doenas
17
cardacas nos pacientes, e nos postos de sade os equipamentos adequados no esto

disponveis. Por esse motivo, a maior parte dos pacientes com dificuldades
respiratrias que se apresentam em postos de sade encaminhada a hospitais,
apesar de que apenas uma pequena parcela destes realmente tenha doenas cardacas.
3.2 Escolha do problema mdico

A escolha do problema mdico foi feita a partir de consideraes sobre a
praticidade de construir-se um sistema especialista modelando o problema e tambm
sobre os possveis benefcios que um sistema traria rea mdica envolvida. Os
critrios adotados so descritos a seguir:
3.2.1 Critrios relativos ao problema mdico

a) Nvel de complexidade do problema mdico.
Como esta foi a primeira experincia na construo de um sistema de auxlio
deciso mdica com colaborao entre a Laboratrio de Tomada de Deciso da
Escola Politcnica da USP e o Hospital Universitrio-USP, um problema de
complexidade limitada seria o mais adequado.
b) Nvel de especializao dos mdicos que atualmente lidam com o problema.
Um dos pontos considerados foi o possvel benefcio que um sistema de
auxlio deciso traria aos mdicos usurios do sistema. Um mdico especializado
que atua em certa rea tem menor necessidade de dispor de um sistema especialista
do que outro que fornece atendimento inicial a pacientes, em geral em situaes em
que o paciente ainda no tem uma noo exata de sua enfermidade.
Em termos prticos, isso significa que mdicos trabalhando em postos de
sade teriam um ganho maior se dispusessem de um sistema especialista do que
mdicos atuando em clnicas especializadas ou hospitais.
c) Possvel benefcio que o sistema de deciso traria ao problema.
Este item considerou os possveis benefcios em termos financeiros e de
sade ganhos com um sistema de auxlio deciso. Os ganhos podem tanto se referir
a anos de vida, melhora de qualidade de vida, ou ganhos monetrios obtidos com a
18
escolha de melhores procedimentos mdicos.
3.2.2 Critrios relativos ao mdico especialista que auxiliar na

construo do sistema
a) Disponibilidade do mdico para entrevistas durante a construo do sistema.
Dado que a construo do sistema necessitaria de reunies peridicas, foi
preciso considerar a disponibilidade do especialista para reunies durante a
modelagem qualitativa e quantitativa do sistema.
b) Conhecimento ou interesse do mdico em sistemas de auxlio deciso.
Este item analisou se o especialista conhecia ou teria interesse em conhecer
sistemas de auxlio deciso, o que facilitaria a construo do sistema.
3.2.3 Problema mdico escolhido

O problema escolhido foi Diagnstico de doenas cardacas em pacientes
com dificuldades respiratrias, e o principal critrio de deciso foi o fato de que este
problema poderia trazer o maior benefcio rea mdica em questo. Esta concluso
foi obtida a partir de dois fatos. Primeiramente, o problema aplica-se a diagnsticos
realizados em postos de sade, onde existem mais limitaes de equipamentos e
mdicos especializados em comparao a hospitais. Em segundo, os benefcios
seriam maiores por ser um problema mdico de grande prevalncia na populao.
Outros fatores que tambm levaram a escolha deste problema foram um nvel
de complexidade limitado, visto que se trata de uma situao especfica e cuja
literatura mdica abundante; e a disponibilidade do especialista em participar da
construo do sistema.
19
Captulo 4
MODELO QUALITATIVO DA REDE BAYESIANA
Informaes relativas ao sistema cardaco e s doenas cardacas so
essenciais na construo de um sistema especialista destinado ao auxlio tomada de
deciso nessa rea mdica. Dessa forma, juntamente com a obteno de dados
bibliogrficos, foram realizadas reunies com a participao de um mdico
especialista, que auxiliou na construo da estrutura da rede e sua posterior
quantificao. Foram discutidos aspectos do domnio mdico, com o intuito de
estabelecer um vocabulrio comum entre todos os envolvidos, o que seria til nas
prximas fases. Os assuntos discutidos foram caractersticas da insuficincia
cardaca, progresso, conseqncias, sintomas, tratamento, incidncia e testes de
diagnstico.
4.1 Processo para criao do modelo da rede

A obteno do modelo estrutural da rede, usando-se o conhecimento de
mdicos e fontes bibliogrficas, buscou identificar quais informaes relativas ao
problema mdico poderiam ser representadas como variveis na rede, assim como as
relaes causais entre estas variveis. Para a realizao desta tarefa foram obtidas
informaes mdicas especficas ao problema que, posteriormente, foram colocadas
na verso inicial da estrutura da rede. O refinamento iterativo da estrutura inicial, que
envolveu a insero e remoo de ns e arcos, entre outras modificaes, levou
estrutura final para quantificao.
4.1.1 Mtodos para refinamento da estrutura da rede

A modificao da rede, visando obter um modelo que representasse melhor o
funcionamento do sistema cardiovascular e que fosse de mais fcil compreenso aos
usurios do sistema, foi feita utilizando-se dos seguintes mtodos:
Insero de ns que no haviam sido considerados anteriormente.
Remoo de ns por serem desnecessrios ou de difcil arranjo no restante da
20
rede.
Insero ou remoo de arcos de forma a representar as relaes causais

existentes no problema mdico.
Fuso de ns, isto , ns mais especficos foram trocados por ns mais

genricos. Por exemplo, ns representando diferentes doenas cardacas
foram trocados por um nico n que representaria doenas cardacas de forma
genrica.
Diviso de ns. O processo oposto fuso de ns, isto , ns genricos foram

trocados por ns mais especficos.
Alterao das categorias dos ns.
4.1.2 Limitaes na estrutura da rede

Alguns dos fatores relativos ao problema mdico no puderam ser colocados
na rede. Os motivos que levaram a essa limitao so:
Necessidade de limitar o tamanho (nmero de ns e arcos) da rede. Uma rede

com um nmero excessivamente alto de ns e arcos dificultaria a
quantificao de suas probabilidades. Alm disso, o uso da rede poderia
tornar-se mais complexo devido ao grande nmero de ns, j que o usurio
do sistema teria sempre que verificar quantos e quais ns devem ser
observados.
Dificuldade na definio de relaes causais. Alguns ns, mesmo que fossem

relevantes ao problema mdico, no poderiam ser facilmente inseridos na
rede pela dificuldade em definir os arcos que entrariam ou sairiam dos ns,
isto , os filhos e pais dos ns.
Dificuldade na quantificao das probabilidades. A presena de um n

influiria diretamente na especificao das probabilidades condicionais de seus
ns filhos, e o prprio n precisaria ter suas probabilidades condicionais
especificadas de acordo com seus pais. Dependendo do nvel de
conhecimento do problema mdico por parte do especialista e da
disponibilidade de informaes bibliogrficas, poderia ser difcil ou
impossvel a obteno dessas probabilidades.
21
4.2 Caractersticas da insuficincia cardaca

As seguintes informaes foram obtidas, combinando-se os dados
bibliogrficos sobre insuficincia cardaca e o conhecimento repassado pelo
especialista:
4.2.1 Definio de insuficincia cardaca

A insuficincia cardaca ocorre quando h uma incapacidade do msculo
cardaco em bombear sangue em quantidade adequada para atender s necessidades
metablicas do corpo.
4.2.2 Sintomas fisiolgicos observados

Em pacientes com insuficincia cardaca, algumas caractersticas fsicas
podem ser observadas, sendo que algumas das caractersticas podem ser constatadas
ao exame fsico pelo mdico, enquanto outras requerem exames atravs de
equipamentos auxiliares.
Dispnia.
A dispnia, ou falta de ar, causada pelo acmulo de lquido nos pulmes,
diminuindo a eficincia do sistema respiratrio. O lquido se acumula devido maior

presso apresentada nos pulmes, devido deficincia no lado esquerdo do corao.
Edema nos membros inferiores.

Os membros inferiores (ps e pernas) podem sofrer inchamento caso o lado
direito do corao no consiga realizar a circulao de sangue venoso de maneira

eficiente.
Hepatomegalia.
Aumento do volume do fgado. Os problemas hepticos podem ser tanto
anteriores ocorrncia de doenas cardacas, sendo causados, por exemplo, pelo

consumo excessivo de lcool, ou posteriores, neste caso devido transmisso
retrgrada de presso elevada atravs da veia cava inferior e das veias hepticas,
produzindo congesto heptica.
Cardiomegalia.
Aumento da rea do corao, causada por infarto no miocrdio, ou devido
22
insuficincia cardaca. Normalmente, quando o corao no consegue mais executar

suas funes apropriadamente, a parede do corao engrossa para aumentar a fora
necessria para bombear o sangue na aorta. E quando tal engrossamento no mais
suficiente como forma de compensao da deficincia do bombeamento, ocorre o
aumento da rea do corao.
Cansao.
Observa-se um visvel cansao em pacientes com insuficincia cardaca.
Desnutrio.
O paciente com insuficincia cardaca pode sentir falta de apetite podendo
resultar em desnutrio.
Sopro cardaco.
Provocado pelo estreitamento das vlvulas, provocando anomalias na
circulao do sangue.
4.2.3 Fatores de risco relacionados doena

A ocorrncia de insuficincia cardaca est relacionada a diversos fatores de
comportamento e histrico do paciente. E a combinao destes fatores um dos
principais indicadores da presena de insuficincia cardaca.
Falta de condicionamento fsico.

O sedentarismo aumenta a probabilidade de ocorrncia de insuficincia
cardaca.
Idade.
O aumento da idade aumenta as chances de insuficincia cardaca, sendo que
no sexo masculino h aumento acentuado de risco a partir dos 40 anos e no sexo

feminino a partir dos 50 anos.
Obesidade.
Uma quantidade elevada de gordura dificulta a circulao sangnea sendo,
portanto, um fator de risco que pode elevar a probabilidade de ocorrncia de

insuficincia cardaca.
Diabetes melitus.
A influncia causada por diabetes no risco de insuficincia cardaca pode ser
quantificada a partir de trs fatores:
23
- complicaes vasculares devido a diabetes.

- uso ou no de insulina.
- tempo com a doena.
Hipertenso arterial.
A presso alta pode levar ao infarto, pois leva a um maior esforo do sistema
circulatrio e, com o passar dos anos, ao desgaste excessivo. Existem duas situaes
de desgaste, uma devida ao aumento da presso intra-cavitria no corao, exigindo
maior esforo para a contrao cardaca e podendo resultar em falncia do msculo
cardaco. Outra a maior presso nos vasos, causando leses e, por conseguinte, o
acmulo de plaquetas.
Fumo.
Pode causar alteraes no ritmo cardaco e diminuio de oxignio no sangue.
lcool.
O consumo excessivo de lcool lesa o msculo cardaco, e este ter partes
substitudas por fibras. Diferentemente do msculo, as fibras no so capazes de

realizar contrao.
Infarto no miocrdio.
A contrao do msculo do corao requer energia, obtida atravs de reaes
qumicas consumindo glicose e oxignio. Quando existe o entupimento de vasos

levando sangue ao corao, ocorre uma leso nas organelas das clulas do msculo e,
conseqentemente, morte da rea afetada do msculo. Tal processo denominado
infarto.
O entupimento dos vasos causado, principalmente, pelo acmulo de
plaquetas na luz dos vasos. As plaquetas acumulam-se em resposta a leses causadas
por excesso de gordura no sangue. O infarto pode causar um desgaste do msculo
cardaco, no decorrer dos anos.
A principal causa de insuficincia cardaca a ocorrncia de infartos.
Colesterol.
Causa leses nas paredes dos vasos sanguneos e aumenta a ocorrncia de
infartos.
Grupo racial.
No causa de insuficincia cardaca, mas exerce influncia na hipertenso e
24
obesidade, dado que alguns grupos raciais apresentam maior incidncia destas
caractersticas.
Doena de Chagas.
Em resposta ao protozorio Trypanosoma cruzi, causador da doena de
Chagas, o organismo humano reage produzindo anticorpos que migram para o

corao e provocam arritmias cardacas, alargamento do corao e substituio de
partes do msculo por fibras. Portanto, apesar do parasita no afetar diretamente o
corao, a sua presena leva insuficincia cardaca ao longo dos anos, ou mesmo
morte sbita.
4.2.4 Ferramentas de diagnstico disponveis

O diagnstico preciso de insuficincia cardaca normalmente realizado por
meio de ultra-som cardaco. No entanto, equipamentos de ultra-som no so
normalmente encontrados em postos de sade. Por esse motivo, nessas localidades
so utilizados meios mais simples e baratos para identificar-se pacientes com alto
risco de insuficincia cardaca, a fim de que seja feito o encaminhamento do paciente
a locais mais adequados para seu diagnstico e tratamento. Os meios utilizados para
fazer a identificao de alto risco de insuficincia cardaca so os seguintes.
Histrico do paciente.
Se o paciente j sofreu um (ou mais) infarto(s) no miocrdio, aumentam-se as
chances de insuficincia cardaca. A dificuldade existente que muitos infartos no

so conhecidos pelos pacientes. A ocorrncia de infartos pode ser verificada atravs
de ECG ou ultra-som cardaco.
ECG (eletrocardiograma).
Um exame de ECG pode fornecer diversas informaes a respeito da situao
cardaca do paciente, entre as quais:

- Sinais de sobrecarga no ventrculo esquerdo, causado pelo engrossamento
da parede do corao.
- Arritmia cardaca.
- Bloqueios cardacos, provocados principalmente pela doena de Chagas.
- Infarto no miocrdio.
Raios-X.
25
Visualizao da rea do corao, que pode ter sido aumentada por infarto ou
doenas cardacas.
Freqncia cardaca.
A medio de freqncia cardaca pode ser utilizada como um mecanismo
simplificado, na ausncia de ECG.
Medio de presso arterial.

A hipertenso uma caracterstica freqentemente encontrada em pacientes
com insuficincia cardaca.
Exame de sangue.
Determinao do nvel de colesterol. Um alto nvel de colesterol representa
maiores riscos de infarto e, conseqentemente, de insuficincia cardaca.
4.2.5 Outras possibilidades de diagnstico para pacientes com

dificuldades respiratrias
Os pacientes que se apresentam em postos de sade com dificuldades
respiratrias podem na realidade ter outra doena, ou at mesmo nenhuma doena. A
correta identificao destes pacientes tem como objetivo diminuir os custos do
sistema de sade, eliminando testes diagnsticos e tempo de atendimento que seriam
mais bem apreciados por outros pacientes.
Falta de ar psicognica.
O paciente no apresenta nenhum problema de sade, mas reclama de
dificuldades respiratrias. Normalmente ocorre em pessoas jovens.
Falta de condicionamento fsico ou obesidade.

Um eventual esforo fsico pode levar a dificuldades respiratrias, sem que a
pessoa possua uma doena.
Doenas pulmonares.
Um dos diagnsticos mais comuns para dificuldades respiratrias so doenas
pulmonares, cujos principais sintomas so chiado no peito e tosse, e cujos principais

fatores de risco so bronquite, histrico de doenas pulmonares e fumo.
26
4.3 Evoluo dos modelos construdos

A construo da estrutura da rede foi feita de forma iterativa, com a
construo de quatro modelos para a rede. O incio do trabalho de construo deu-se
aps trs reunies com o especialista, utilizando-se anotaes das reunies e dados
bibliogrficos.
O primeiro modelo construdo mostrado na Figura 4.1. Este modelo contm
tambm partes desconexas, como o n Idade, que posteriormente foram integradas
ao restante da rede. O principal objetivo deste modelo foi pr-selecionar quais seriam
os ns da rede, utilizando-se como fonte os resultados das reunies anteriores e
dados bibliogrficos, discutidos na Seo 4.2.
Figura 4.1: Primeiro modelo da rede.
27
A partir de interaes com o mdico especialista, foram realizadas algumas

alteraes, assim como a conexo de parte dos ns isolados ao restante da rede.
Substituio dos ns RX_Pulmo e RX_Corao por RX_Trax. Tanto o

pulmo como o corao podem ser analisados pelo raio-X do trax.
Diferenciao entre as seguintes disfunes:

1. Disfuno da funo sistlica do ventrculo esquerdo (Disfuno_VE_Sist).
2.
Disfuno
da
funo
diastlica
do
ventrculo
esquerdo
(Disfuno_VE_Diast).
3. Disfuno do ventrculo direito (Disfuno_VD).
A diferenciao entre as funes sistlica e diastlica do ventrculo direito
no foi colocada por no ser uma prtica comum na avaliao de pacientes.
Eliminao do n Insuficincia_cardaca. Este n foi substitudo por outros

que representam as disfunes nos ventrculos.
Eliminao dos ns Nvel_Angiotensina e Problema_renal. Estes ns no

teriam utilidade prtica no funcionamento da rede, pois no podem ser
facilmente observados e tambm de difcil quantificao em relao s suas
probabilidades.
Atribuies de arcos entre as principais causas e efeitos relacionados s

disfunes do corao, conforme apresentado no modelo da Figura 4.2.
Alterao da posio do n Dispnia de um n causal inicial para um n

resultante de disfuno diastlica do ventrculo esquerdo.
Insero de um n adicional (Falncia_miocrdio) resultante de hipertenso

arterial. Este n tem a caracterstica de causar disfunes no corao, mesmo
na ausncia de entupimento de vasos.
Ligao do n Doena_Chagas como causa de disfuno cardaca.
Eliminao do n Dispinia, que se encontrava repetido.

Tais modificaes levaram criao do modelo na Figura 4.2:
28
Figura 4.2: Segundo modelo da rede.

Uma nova iterao trouxe as seguintes modificaes rede:
Os ns Disfuno_VD, Disfuno_VE_Sist e Disfuno_VE_Diast foram

substitudos por um nico n denominado Cardiomiopatia. A inteno foi
simplificar a compreenso por parte dos mdicos usurios do sistema, que
passaro a analisar apenas um n representando o diagnstico de interesse.
A representao de doena nos vasos cardacos foi trocada de
29
Leso_Parede_Vasos e Entupimento_Vasos para Arteriosclerose_Coronria.

Esse n seria mais facilmente observado em uma situao de uso do sistema.
Ns representando fatores de risco, como Idade e lcool, foram conectados

estrutura da rede.
Exames diagnsticos (Eletrocardiograma, Ecocardiografia e Raio-X) foram

modificados de forma a diferenciar-se somente condies normais e
alteradas.
Tambm neste momento iniciou-se a discusso sobre quais seriam as
categorias que cada n possuiria. De forma geral, foram escolhidos ns discretos e

binrios, exceto em casos em que fosse necessrio fazer uma diferenciao maior. O
principal fator que levou a essa escolha foi a simplificao durante a fase de
quantificao da rede.
O terceiro modelo da rede obtida encontra-se na Figura 4.3:
30
Figura 4.3: Terceiro modelo da rede.

Uma ltima iterao no modelo da rede levou incluso do n
Doena_Arteriosclertica_Vascular, que representa a ocorrncia de doenas
circulatrias levando a problemas como derrame. Foi tambm efetuada uma alterao
de nomenclatura, trocando-se o nome Cardiomiopatia por Insuficincia_Cardaca.
Estes dois nomes tm significados distintos, no entanto foi considerado que
Insuficincia_Cardaca representaria melhor o objetivo da rede. Demais alteraes
corresponderam somente a correes gramaticais nos nomes de alguns ns.
Em relao a categorias, para a maior parte dos ns foram definidas apenas
duas: Sim e No.
Para os seguintes ns, existem mais de duas categorias:
Idade: 5 faixas de idade: <41, 41-55, 56-65, 66-75, >75 anos.
HAS (hipertenso arterial sistmica): normal, normal-alta, hipertenso leve,

hipertenso moderada e hipertenso elevada.
A estrutura final da rede apresentada a seguir:
31
Figura 4.4: Modelo final da rede.

Neste modelo, os ns da rede podem ser divididos em 3 grupos:
1. Causas/fatores de risco Variveis que ativam os mecanismos
fisiolgicos.
-
Doena_Chagas doena de Chagas.
Dislipidemia dislipidemia.
Fumo hbito de fumar.
Idade idade do paciente.
HAS hipertenso arterial sistmica.
Antecedente_Familiar_ICO antecedente familiar de insuficincia

coronria.
Febre_Reumtica febre reumtica.
DM diabetes melitus.
Doena_Pulmonar doena pulmonar.
Consumo_lcool consumo excessivo de bebidas alcolicas.
Doena_Arteriosclertica_Vascular
doena
arteriosclertica
vascular.
2. Mecanismos fisiolgicos Modelo do funcionamento das doenas
cardacas.
-
Valvopatia valvopatia.
Insuficincia_Coronria insuficincia coronria.
Nvel_Ativao_N-H nvel de ativao neuro-hormonal.
Hipertenso_Pulmonar_Venosa_Sistmica hipertenso pulmonar

venosa sistmica.
Insuficincia_Cardaca insuficincia cardaca.
Arteriosclerose_Coronria arteriosclerose coronria.
3. Sintomas/exames Manifestaes fsicas das doenas e resultados de

exames.
-
Alteraes_EF exame fsico com resultado fora do normal.
Alteraes_ECG - eletrocardiograma com resultado fora do normal.
Alteraes_RaioX raio-x com resultado fora do normal.
Alteraes_ECO ecocardiografia com resultado fora do normal.
32
Sintomas_Ins_Coronria sintomas da insuficincia coronria.
Tosse_Seca tosse seca.
Ascite ascite.
Hepatomegalia hepatomegalia.
Edema_MMII edema nos membros inferiores.
Derr_Pleural derrame pleural.
Dispnia dispnia.
A forma de utilizao da rede ocorre a partir da insero de observaes nos

ns dos grupos um e trs, de acordo com a quantidade de informaes disponveis ao
mdico. Por exemplo, algumas localidades podem estar equipadas com
ecocardiografias enquanto outras no. Aps a realizao do processo de inferncia, o
mdico obter a probabilidade condicional dos demais ns da rede. O n
Insuficincia_Cardaca o que lhe fornecer o maior auxlio em sua deciso, sendo
que os demais ns tambm podem ser teis na avaliao do estado do paciente.
33
Captulo 5
PROBABILIDADES NA REDE BAYESIANA
Um estgio posterior criao da estrutura de uma rede Bayesiana a
especificao de suas probabilidades. Essas probabilidades podem ser obtidas de
duas maneiras: a partir de especialistas; ou aprendizado a partir uma base de dados.
possvel tambm a combinao das duas alternativas. A utilizao de especialistas
requer a aplicao de tcnicas de elucidao, de forma a tornar o mais gil possvel a
obteno de uma grande quantidade de probabilidades para uma rede. O aprendizado
a partir de uma base de dados requer, alm da base de dados em si, um algoritmo de
aprendizado. Por fim, a combinao das duas alternativas requer todos os recursos
mencionados acima.
5.1 Elucidao de probabilidades

A elucidao de probabilidades feita contando-se com o auxlio de um ou
mais especialistas no domnio tratado pela rede Bayesiana. Existem mtodos mais
diretos, como a especificao direta das probabilidades, e mais indiretos, como a
utilizao de classificaes qualitativas dos arcos da rede. Dependendo do mtodo
utilizado e do tamanho da rede, o processo de elucidao pode ser extremamente
demorado. Por esse motivo, muitas vezes tenta-se adotar estratgias que agilizem o
processo. Essas estratgias incluem modelos matemticos simplificados para
algumas partes da rede e a especificao qualitativa de probabilidades.
Alguns dos principais mtodos de elucidao (VAN DER GAAG et al, 2002);
(RENOOIJ, 2001) so descritos a seguir:
5.1.1 Especificao direta de probabilidades

O mtodo mais direto de obter as probabilidades requeridas especificandose um valor numrico, entre 0% e 100%,
para cada probabilidade da rede.
necessria uma tabela para cada n, com campos para preenchimento das
probabilidades correspondentes combinao das categorias de todos os pais. Por
34
exemplo, em um n binrio, isto , com duas categorias, que tenha cinco pais
tambm binrios ser necessrio definir 2 categorias * 25 combinaes de pais = 64
probabilidades.
Este mtodo tem como principal vantagem a simplicidade na obteno de
probabilidades, que podem ser inseridas diretamente na rede. Por outro lado, pode
causar efeitos adversos, como o aparecimento de um nmero excessivo de
probabilidades mltiplas de 10% (0%, 10%, ..., 90%, 100%). Isso se deve tendncia
das pessoas de utilizar nmeros redondos.
Algumas variaes deste mtodo so possveis, tais como o uso de rguas
com marcas para 0%, 25%, 50%, 75% e 100%, onde o especialista marca uma
posio, ou a utilizao de grficos em formato de pizza com funcionalidade
equivalente. Essas variaes tm como vantagem fornecerem aspectos visuais, que
trazem uma perspectiva de proporcionalidade s probabilidades.
5.1.2 Loterias
Um processo mais elaborado para a elucidao a aplicao de mtodos
indiretos. O uso de loterias um dos mtodos mais comuns para quantificar valores
subjetivos. O funcionamento deste mtodo baseia-se em apresentar ao especialista
duas loterias. Em uma das loterias, a probabilidade de ganhar corresponde
probabilidade que se deseja esclarecer. Para a outra loteria, um valor
arbitrariamente definido como a probabilidade de se ganhar a loteria. A seguir, o
especialista dever decidir qual destas loterias a melhor para se fazer uma aposta.
Caso o especialista decida que ambas as loterias so igualmente vantajosas, a
probabilidade procurada a mesma da segunda loteria. Caso contrrio, esta ltima
ter sua probabilidade modificada at que se consigam loterias igualmente
vantajosas.
Apesar deste mtodo normalmente resultar em uma melhor especificao das
probabilidades, pode tornar-se invivel devido ao longo tempo necessrio para
aplic-lo a todas as probabilidades de uma rede Bayesiana.
5.1.3 Mtodos qualitativos

possvel ainda utilizar-se de mtodos qualitativos (RENOOIJ, 2001), em
35
que, em vez de serem especificados valores numricos, so fornecidas opes

qualitativas como alto, baixo e muito baixo. Cada uma dessas opes ser
convertida para um valor numrico e, se necessrio, as probabilidades sero refinadas
usando-se algum outro mtodo. Este mtodo requer um cuidado maior na preparao
do processo de elucidao, porm pode apresentar resultados melhores que os demais
mtodos devido natureza qualitativa presente. O fato de se utilizar adjetivos para as
probabilidades tende a diminuir a quantidade de erros grosseiros, isto , valores
muito diferentes dos corretos. Posteriormente, essas classificaes devem ser
transformadas em forma numrica, ou ento utilizar algoritmos de inferncia para
redes Bayesianas qualitativas.
5.2 Aprendizado
O
aprendizado
em
redes
Bayesianas
(HECKERMAN;
GEIGER;
CHICKERING, 1995) pode ter como objetivo a obteno das probabilidades da rede,
da estrutura da rede, ou ambos. Os objetos utilizados no aprendizado so um
algoritmo de aprendizado e uma base de dados, esta correspondente ao domnio do
problema modelado pela rede. No caso de problemas mdicos, a base corresponde,
na maior parte dos casos, a dados clnicos de casos anteriores.
H tambm a possibilidade de combinar-se o conhecimento de especialistas
com tcnicas de aprendizado. Por exemplo, a estrutura inicial da rede pode ser obtida
a partir de especialistas e ser usada como ponto de partida para algoritmos de
aprendizado. Ou ento pode-se obter as probabilidades por aprendizado, que seriam
posteriormente verificadas por especialistas. De qualquer forma, o objetivo final
obter as probabilidades que melhor correspondam realidade do problema modelado
pela rede Bayesiana.
Em redes Bayesianas para auxlio deciso mdica, o principal obstculo em
utilizar o aprendizado a dificuldade na obteno da base de dados, pois a coleta de
dados que possam auxiliar a construo de sistemas especialistas no uma prtica
comum no atendimento mdico.
36
5.3 Obteno de probabilidades

Para a quantificao da rede Bayesiana apresentada neste trabalho foi
utilizada a especificao direta de probabilidades, utilizando tabelas preenchidas pelo
mdico especialista, a partir de sua experincia profissional e dados bibliogrficos.
Tal mtodo possibilitou a obteno das probabilidades de uma forma rpida, seguida
de correes nos valores de algumas probabilidades que se mostraram incoerentes
durante as avaliaes realizadas. As probabilidades apresentadas referem-se ao
universo de pacientes que se apresentam em postos de sade na cidade de So Paulo
com queixas de dificuldades respiratrias.
5.3.1 Probabilidades marginais

As probabilidades marginais so as mais simples de serem obtidas e
correspondem a ns sem pais. Estas probabilidades correspondem prevalncia da
doena na populao em questo, isto , nas pessoas que se apresentam em postos de
sade com dificuldades respiratrias. Graficamente, so representadas na parte
superior da rede apresentada na Figura 4.4.
As tabelas a seguir contm as probabilidades marginais da rede. A primeira
linha de cada tabela representa as categorias do n, e a segunda a prevalncia para
cada categoria.
Sim
5%
No
95 %
Tabela 5.1: Doena_Chagas.
Sim
60 %
No
40 %
Tabela 5.2: Dislipidemia.
Sim
40 %
No
60 %
Tabela 5.3: Fumo.
<41
5%
41-55
10 %
56-65
20 %
Tabela 5.4: Idade.
66-75
35 %
>75
30 %
37
Normal
40 %
Normal-Alta Hipertenso_BaixaHipertenso_MdiaHipertenso_Elevada
25 %
20 %
10 %
5%
Tabela 5.5: HAS.
Sim
30 %
No
70 %
Tabela 5.6: Antecedente_Familiar_ICO.
Sim
5%
No
95 %
Tabela 5.7: Febre_Reumtica.
Sim
30 %
No
70 %
Tabela 5.8: DM.
Sim
10 %
No
90 %
Tabela 5.9: Doena_Pulmonar.
Sim
10 %
No
90 %
Tabela 5.10: Consumo_lcool.
Sim
No
5%
95 %
Tabela 5.11: Doena_Arteriosclertica_Vascular.
5.3.2 Probabilidades condicionais

A maior parte dos ns da rede tem probabilidades condicionais em relao
aos respectivos pais. Para a especificao destas probabilidades, os ns foram
divididos em trs grupos: exames diagnsticos, funcionamento fisiolgico e sintomas
observados. Os exames diagnsticos correspondem a ns que podem ou no ser
observados, dependendo dos equipamentos disponveis no local onde o paciente for
atendido. Os ns do grupo funcionamento fisiolgico representam caractersticas da
doena que, apesar de difcil medio, so variveis importantes para a modelagem
de insuficincia cardaca. Por fim, sintomas observados so caractersticas fsicas do
paciente, algumas internas e outras externas.
As tabelas a seguir contm as probabilidades condicionais da rede. A primeira
38
coluna de cada tabela mostra as possveis combinaes de pais, a primeira linha as

categorias do n, e cada linha subseqente as probabilidades condicionais para cada
combinao de pais.
a) Exames diagnsticos
Categorias das variveis condicionantes
Sim
Doena_Pulmonar = Sim
80 %
Doena_Pulmonar = No
3%
Tabela 5.12: Alteraes_EF.
No
20 %
97 %

Sim
Valvopatia = Sim, Insuficincia_Cardaca =
90 %
Sim
70 %
No
Valvopatia = No, Insuficincia_Cardaca =
80 %
Sim
30 %
No
Tabela 5.13: Alteraes_ECG.
No

Sim
80 %
Sim
60 %
No
70 %
Sim
10 %
No
Tabela 5.14: Alteraes_RaioX.
Sim
99,9 %
Sim
99 %
No
98 %
Sim
2%
No
Tabela 5.15: Alteraes_ECO.
b) Funcionamento Fisiolgico
10 %
30 %
20 %
70 %
No
20 %
40 %
30 %
90 %
No
0,1 %
1%
2%
98 %
39

Sim
Idade = <41, Febre_Reumtica = Sim
30 %
Idade = 41-55, Febre_Reumtica = Sim
32 %
36 %
42 %
Idade = >75, Febre_Reumtica = Sim
60 %
Idade = <41, Febre_Reumtica = No
2%
Idade = 41-55, Febre_Reumtica = No
3%
6%
15 %
Idade = >75, Febre_Reumtica = No
30 %
Tabela 5.16: Valvopatia.
No
70 %
68 %
64 %
58 %
40 %
98 %
97 %
94 %
85 %
70 %

Sim
Arteriosclerose_Coronria = Sim
100 %
Arteriosclerose_Coronria = No
2%
Tabela 5.17: Insuficincia_Coronria.
No
0%
98 %

Sim
Insuficincia_Coronria = Sim
40 %
Insuficincia_Coronria = No
10 %
Tabela 5.18: Sintomas_Ins_Coronria.
No
60 %
90 %

Sim
85 %
Sim
50 %
No
50 %
Sim
2%
No
Tabela 5.19: Nvel_Ativao_N-H.
Sim, Nvel_Ativao_N-H = Sim
Sim, Nvel_Ativao_N-H = No
No, Nvel_Ativao_N-H = Sim
No, Nvel_Ativao_N-H = No
Sim, Nvel_Ativao_N-H = Sim
No
15 %
50 %
50 %
98 %
Sim
No
99 %
1%
20 %
80 %
90 %
10 %
10 %
90 %
95 %
5%
15 %
85 %
40

Sim
Sim, Nvel_Ativao_N-H = No
80 %
No, Nvel_Ativao_N-H = Sim
2%
No, Nvel_Ativao_N-H = No
Tabela 5.20: Hipertenso_Pulmonar_Venosa_Sistmica.
No
20 %
98 %
As tabelas as seguir referem-se aos ns Arteriosclerose_Coronria e

Insuficincia_Cardaca. Para estes dois ns, foi utilizado o modelo noisy-or,
apresentado na Seo 5.4. As tabelas necessrias para o noisy-or contm as
probabilidades condicionais do n em questo em relao a cada um de seus pais, de
forma no combinada, isto , como se o n tivesse apenas um pai de cada vez.
Sim
No
Dislipidemia = Sim
30 %
70 %
Dislipidemia = No
10 %
90 %
Fumo = Sim
35 %
65 %
Fumo = No
10 %
90 %
DM = Sim
40 %
60 %
DM = No
8%
92 %
Antecedente_Familiar_ICO = Sim
25 %
75 %
Antecedente_Familiar_ICO = No
12 %
88 %
Doena_Arteriosclertica_Vascular = Sim
55 %
45 %
Doena_Arteriosclertica_Vascular = No
14 %
86 %
Idade = <41
5%
95 %
Idade = 41-55
8%
92 %
Idade = 56-65
15 %
85 %
Idade = 66-75
35 %
65 %
Idade = >75
50 %
50 %
Tabela 5.21: Probabilidades condicionais para Arteriosclerose_Coronria.
HAS = Normal
HAS = Normal-Alta
HAS = Hipertenso_Baixa
HAS = Hipertenso_Mdia
HAS = Hipertenso_Elevada
Doena_Chagas = Sim
Doena_Chagas = No
Consumo_lcool = Sim
Consumo_lcool = No
Insuficincia_Coronria = Sim
Insuficincia_Coronria = No
Valvopatia = Sim
Sim
10 %
11 %
20 %
25 %
30 %
70 %
15 %
30 %
18 %
35 %
10 %
40 %
No
90 %
89 %
80 %
75 %
70 %
30 %
85 %
70 %
82 %
65 %
90 %
60 %
41
Valvopatia = No
15 %
85 %
Tabela 5.22: Probabilidades condicionais para Insuficincia_Cardaca.
c) Sintomas
Sim
Hipertenso_Pulmonar_Venosa_Sistmica = Sim
50 %
Hipertenso_Pulmonar_Venosa_Sistmica = No
15 %
Tabela 5.23: Tosse_Seca.
No
50 %
85 %

Tabela 5.24: Ascite.
Sim
10 %
1%
No
90 %
99 %

Sim
15 %
1%
Tabela 5.25: Hepatomegalia.
No
85 %
99 %

Sim
40 %
25 %
Tabela 5.26: Edema_MMII.
No
60 %
75 %

Sim
10 %
1%
Tabela 5.27: Derr_Pleural.
No
90 %
99 %

Hipertenso_Pulmonar_Venosa_Sistmica = Sim,
Hipertenso_Pulmonar_Venosa_Sistmica = Sim,
Doena_Pulmonar = No
Hipertenso_Pulmonar_Venosa_Sistmica = No,
Hipertenso_Pulmonar_Venosa_Sistmica = No,
Doena_Pulmonar = No
Tabela 5.28: Dispnia.
Sim
No
90 %
10 %
60 %
40 %
50 %
50 %
30 %
70 %
5.4 Noisy-or
O excessivo nmero de probabilidades necessrias para a quantificao de
42
uma rede uma das maiores dificuldades na aplicao prtica de redes Bayesianas.
Em um n X com k categorias o nmero de probabilidades a serem especificadas
No. de elementos da tabela( X ) = k
categorias pa ( X )
pa ( X )
No entanto, para determinados tipos de ns, estas probabilidades podem ser

calculadas a partir de outras em vez de serem especificadas diretamente. O modelo
noisy-or (HECKERMAN; BREESE, 1994) permite tal clculo, com a restrio que
os pais do n possam contribuir independentemente para a probabilidade do n em
que aplicado o noisy-or, e que o efeito combinado de diversos pais contribua
cumulativamente na probabilidade do n. Neste trabalho, tambm necessrio que o
n em questo seja binrio, isto , possua somente duas categorias, com uma
categoria para representar verdadeiro e outra para falso.
Em problemas mdicos, tal representao adequada quando existe uma
doena com diversos fatores de risco/causas ou um sintoma causado por diversas
doenas. Por exemplo, para o n Insuficincia_Cardaca da rede construda neste
trabalho, os fatores de risco e causas so Consumo_lcool, Doena_Chagas, HAS,
Insuficincia_Coronria e Valvopatia. Neste trabalho, o modelo noisy-or foi
utilizado para os ns Arteriosclerose_Coronria e Insuficincia_Cardaca.
Utilizando nomes adequados para ns em redes modelando problemas
mdicos, tem-se um n D com categorias d e d representando uma doena, cujas
causas so R1, R2, ..., Rn , as probabilidades para D so dadas pela tabela conjunta de
probabilidades condicionais P ( D R1 , R2 ,..., Rn ) .
O modelo noisy-or permite o clculo da tabela conjunta de probabilidades
condicionais a partir das probabilidades P(D|Ri) para cada n pai Ri, desde que seja
respeitada a restrio em relao aos pais posta anteriormente.
No caso de ter-se somente ns binrios Ri, com estados ri (verdadeiro) e ri
(falso), estas probabilidades condicionais so conhecidas como sensibilidade
( )
P ( d ri ) e especificidade P d ri
que, muitas vezes, esto disponveis em estudos
populacionais. J as probabilidades conjuntas P ( D R1 , R2 ,..., Rn ) so de mais difcil

obteno a partir de especialistas ou de informaes bibliogrficas por envolverem
43
um alto nmero de combinaes de condies.

A expresso que representa a probabilidade de cada fator causar a doena
independentemente calculada como
pi = P ( d ri apenas ) = P d r1 , r2 , ..., ri , ..., rn .

As probabilidades pi so conhecidas como probabilidades de ligao e cada
valor da probabilidade conjunta calculado como:
P ( d H ) = 1 [ 1 pi ] ,
R +
onde H uma configurao de (R1, R2, ..., Rn) e H+ o subconjunto de ns definidos

como verdadeiros.
A maneira proposta por (NIKOVSKI, 2000) para calcular-se as
probabilidades de ligao parte das sensibilidades e especificidades para cada n pai.
A probabilidade de ligao pi estimada considerando-se que D pode ser causada por
um fator Ri ou pela atuao combinada de todos os outros fatores que levam a D, isto
, os outros R. Esta outra causa pode ser chamada de Rtudo, com uma probabilidade de
ligao ptudo. Assim,
P ( d ri ) = pi + ptudo pi ptudo .
( )
P d ri = ptudo .
Simplificando,
pi =
( ).
1 P ( d r )
P ( d ri ) P d ri
i
Aps calcular todos os pi, possvel obter os valores para todas as hipteses
H.
Neste trabalho, foi feita uma generalizao para ns pais que no sejam
binrios. Esta generalizao difere-se de outras j apresentadas (DIZ, 1993);
(HECKERMAN; BREESE, 1994); (SRINIVAS, 1993) por no requerer a
especificao direta das probabilidades de ligao, que sero determinadas a partir de
44
probabilidades condicionais. Esta generalizao segue os conceitos matemticos

utilizados por (NIKOVSKI, 2000), apresentados anteriormente.
Um pr-requisito para a aplicao do mtodo proposto que haja uma relao
de ordenao entre as categorias de cada n Ri. Definindo-se as categorias de Ri
como sendo riC1, riC2, ..., riCm, deve valer a relao riC1 riC2 ... riCm, isto ,
existe uma variao gradual entre influncia nula riC1 at influncia mxima riCm.
Um exemplo seria um n presso arterial (R1) com as categorias normal (r1C1), alta
(r1C2) e muito alta (r1C3). Neste n todos os efeitos causados pela categoria normal
tambm esto presentes na categoria alta, e a categoria muito alta contm os efeitos
das duas categorias inferiores.
Assim, muda-se a forma de clculo da tabela conjunta para:
P ( d H ) = 1 1 pri Ck .
rkiC1k +
Para a configurao H, H+ o subconjunto de variveis cujo valor diferente

de riC1, ou seja, que exercem alguma influncia positiva em D. As probabilidades de
ligao pri Ck so as probabilidades para cada estado riCk de Ri, sendo riCk diferente de
riC1.
O clculo de pri Ck parte dos valores P ( D Ri Ck ) obtidos de um especialista
ou de uma pesquisa bibliogrfica. Porm, para ns pais no-binrios, no bastam
somente a especificidade e a sensibilidade. So necessrias as probabilidades
condicionais para cada um dos estados riCk de Ri. As probabilidades de ligao sero
dadas pelas equaes abaixo:
P ( d rC
i k ) = pri Ck + ptudo pri Ck ptudo , se k 1 .
P ( d rC
i 1 ) = ptudo .
Obtemos a partir das frmulas acima que,
priCk =
P ( d rC
i k ) P ( d rC
i 1)
1 P ( d rC
i 1)
, se k 1 .
45
No caso em que k=1, no h probabilidade de ligao, uma vez que k=1

corresponde influncia nula.
Segue abaixo um exemplo da aplicao do noisy-or para um n binrio D,
com categorias d e d , e pais R1 e R2. R1 tem as categorias r1C1, r1C2 e r1C3, e r1R2
tem as categorias r2C1 e r2C2.
Figura 5.1: Exemplo noisy-or

Os valores iniciais para o clculo so as probabilidades condicionais
P ( D Ri Ck ) , obtidas a partir de especialistas ou dados bibliogrficos.
P ( d r1 C1 ) = 0.010 .
P ( d r1 C2 ) = 0.100 .
P ( d r1 C3 ) = 0.400 .
P ( d r2 C1 ) = 0.100 .
P ( d r2 C2 ) = 0.800 .
Obtm-se as probabilidades de link a partir das probabilidades condicionais,
calculando-se:
priCk =
Assim,
P ( d rC
i k ) P ( d rC
i 1)
1 P ( d rC
i 1)
, se k 1 .
46
pr1C2 = 0.091 .
pr1C3 = 0.394 .
pr2C2 = 0.778 .
O ltimo passo calcular as probabilidades conjuntas para D, utilizando-se
para tal as probabilidades de ligao.
Hiptese
Verdadeiro
r1C1, r2C1
0.000
r1C2, r2C1
0.091
r1C3, r2C1
0.394
r1C1, r2C2
0.778
r1C2, r2C2
0.798
r1C3, r2C2
0.865
Tabela 5.29: Probabilidades conjuntas de D.
Falso
1.000
0.909
0.606
0.222
0.202
0.135
A aplicao do noisy-or como apresentado acima desconsidera fatores no

modelados. Em qualquer representao do mundo real, existiro alguns fatores que
no foram modelados. A falta desses fatores pode ser intencional, para evitar um
modelo demasiadamente complexo, ou acidental, por mero desconhecimento de
quais seriam estes fatores. Uma maneira de considerar-se a influncia destes fatores
colocando-se um n de escape como um pai adicional invisvel de D, para o qual
uma probabilidade de ligao pescape pode ser atribuda pelo especialista ou calculada
dentro do modelo noisy-or como mais um n pai. Neste trabalho, foi utilizado o valor
de 5% para a probabilidade de escape nos ns em que foi aplicado o noisy-or, sendo
este o valor atribudo pelo especialista durante a quantificao da rede.
47
Captulo 6
AVALIAO DA REDE
A avaliao da rede tem como objetivo verificar se o modelo construdo
atende s necessidades do problema mdico de interesse. Esta avaliao pode ser
feita de forma simulada, utilizando-se mdicos ou voluntrios que testem a rede, ou
de forma prtica, instalando-se o sistema em um ambiente no qual seja possvel testar
o sistema com dados reais.
Neste trabalho, a avaliao foi feita de forma simulada, a partir da opinio de
especialistas mdicos. Na primeira etapa da avaliao foram apresentados casos de
uso a um especialista, correspondentes a pacientes que se apresentam em postos de
sade com dificuldades respiratrias. E, na segunda etapa, foi feita uma avaliao da
estrutura da rede, com o auxlio de outros mdicos.
6.1 Casos de uso para a rede

Os casos de uso da rede simulam diversas situaes que podem aparecer
durante o atendimento a pacientes em um posto de sade. Cada caso apresenta um
conjunto de observaes; o mdico faz a insero das observaes na rede e analisa
os valores das probabilidades condicionais dos ns no-observados. Para todos os
casos de uso apresentados, foi solicitado o auxlio do especialista que auxiliou na
construo da rede e na quantificao das probabilidades. Os casos foram
apresentados em forma de tabela, contendo as observaes e o resultado da rede, e,
posteriormente, codificados em um software no qual podiam-se demonstrar as
influncias de cada observao sendo inserida. O software, denominado iBNetz,
apresentado no Captulo 7.
6.1.1 Primeira avaliao com casos de uso

Nos primeiros casos foi utilizada uma rede simplificada, utilizando-se o
modelo noisy-or somente com ns binrios. Nessa simplificao, os ns HAS e Idade
foram transformados em binrios, com estados Sim e No representando apenas se os
48
ns aumentam o risco de doenas cardacas. Trs casos utilizados foram utilizados,

representando baixo, alto e mdio risco.
Rede
Mdico
Concorda?
1 Baixo
Risco
2.1 %
7%
Parcialment
e
2 Alto
Risco
99.2 %
96 %
Sim
3 Mdio
Risco
0.04 %
15 %
No
Consumo_lcool
Sim
No
No
Doena_Chagas
No
Sim
No
HAS
No
No
Sim
Dislipidemia
No
No
Sim
Fumo
No
No
No
DM
No
No
No
Antec_Familiar_ICO
Sim
No
No
Doena_Art_Vascular
No
No
Sim
Idade
No
No
Sim
Febre_Reumtica
No
No
No
Alteraes_ECG
No
Sim
No
Alteraes_RaioX
Sim
Sim
No
Alteraes_ECO
No
Sim
No
Doena_Pulmonar
No
No
No
Alteraes_EF
No
No
No
Dispnia
Sim
No
No
Tosse_Seca
No
No
No
Ascite
No
No
No
Hepatomegalia
No
No
No
Edema_MMII
No
No
No
Derr_Pleural
No
No
No
Sintomas_Ins_Cor
No
No
No
Tabela 6.1: Casos de uso para rede simplificada
A linha Rede da tabela acima representa o resultado fornecido pela rede para
o n Insuficincia_Cardaca. A linha Mdico a probabilidade dada pelo mdico
para o mesmo n, e a linha Concorda? representa a opinio do mdico em relao ao
desempenho da rede. Todas as linhas abaixo de Concorda? representam observaes
inseridas na rede.
Conforme se observa na Tabela 6.1, as simplificaes feitas na rede em
relao a categorias de alguns ns podem ter sido responsveis pelos erros
observados na rede. Correes de algumas das probabilidades da rede e a aplicao
do modelo noisy-or para ns pais no-binrios trouxeram novos resultados que so
49
mostrados nos prximos casos de uso.
6.1.2 Segunda avaliao com casos de uso

Aps a aplicao do modelo noisy-or para ns pais no-binrios, foi feita
outra avaliao, desta vez com a rede na sua estrutura atual. Apresentam-se a seguir
os resultados desta avaliao:
1 Baixo
Risco
1%
7%
Parcialment
e
Rede
Mdico
Concorda?
2 Alto
Risco
96 %
96 %
Sim
3 Mdio
Risco
15 %
15 %
Sim
Consumo_lcool
Sim
No
No
Doena_Chagas
No
Sim
No
HAS
Normal
HT_Baixa HT_Mdia
Dislipidemia
No
No
Sim
Fumo
No
No
No
DM
No
No
No
Antec_Familiar_ICO
Sim
No
No
Doena_Art_Vascular
No
No
Sim
Idade
41-55
56-65
56-65
Febre_Reumtica
No
No
No
Alteraes_ECG
No
Sim
No
Alteraes_RaioX
Sim
Sim
No
Alteraes_ECO
No
Sim
No
Doena_Pulmonar
No
No
No
Alteraes_EF
No
No
No
Dispnia
Sim
No
No
Tosse_Seca
No
No
No
Ascite
No
No
No
Hepatomegalia
No
No
No
Edema_MMII
No
No
No
Derr_Pleural
No
No
No
Sintomas_Ins_Cor
No
No
No
Tabela 6.2: Casos de uso para a rede completa
A Tabela 6.2 apresenta as mesmas linhas da Tabela 6.1, e contm tambm os
casos de baixo, alto mdio risco de insuficincia cardaca. A principal constatao
obtida
com
os
testes
da
Tabela
6.2
foi
baixa
probabilidade
de
Insuficincia_Cardaca no caso de baixo risco, mesmo colocando-se observaes
50
como Alteraes_RaioX e Consumo_lcool como fatores de risco presentes. Este

resultado levou a uma reavaliao das probabilidades condicionais da rede, que
sofreram algumas modificaes at chegar-se aos nmeros apresentados no Captulo
6 desta dissertao.
6.1.3 Terceira avaliao com casos de uso

De posse das probabilidades corrigidas, foi feita uma ltima avaliao com
casos de uso. Nesta avaliao foram utilizados casos mais variados, nos quais alguns
ns de diagnstico no foram observados, simulando-se ambientes em que nem
sempre todos os equipamentos mdicos esto disponveis. A falta de algumas
observaes tambm pode representar um histrico clnico incompleto do paciente.
O resultado da avaliao para estes casos apresentado na Seo 6.1.1.
Os casos utilizados so ilustrados nas Figuras 6.1 a 6.7:
51
Figura 6.1: Alto Risco: ECG, Raio-X, ECO, Chagas, HT_Mdia.

A Figura 6.1 representa um caso de alto risco de insuficincia cardaca, com
alteraes nos exames de eletrocardiograma, raio-X e ecocardiografia positivos.
Observa-se que este seria um caso raro, pois a maior parte dos sintomas e dados do
paciente indicam uma pessoa saudvel. Apesar disso, a presena de resultados de
exames aumenta significativamente a probabilidade do n Insuficincia_Cardaca
ser igual a Sim.
Figura 6.2: Baixo Risco: lcool, Raio-X, Antecedente Familiar.

O caso apresentado na Figura 6.2 para um paciente de baixo risco, em que
apenas os ns Consumo_lcool, Antecedente_Familiar_ICO e Alteraes_RaioX
tm valor Sim. Este caso no apresenta nenhuma anormalidade, e dessa forma todos
os ns que no so observados tm uma probabilidade baixa para a categoria Sim.
52
Figura 6.3: ECG, ECO, Raio-X negativos

A Figura 6.3 representa um caso hipottico em que somente os exames de
eletrocardiograma, raio-X e ecocardiografia so inseridos como observaes. Como
as observaes so negativas, a probabilidade de Insuficincia_Cardaca ser positiva
baixa.
53
Figura 6.4: ECG, ECO, Raio-X positivos

O caso acima representa a situao oposta da Figura 6.3, isto , agora todos os
exames apresentam resultado positivo. Da mesma forma que exames com resultados
negativos diminuem a probabilidade de ocorrncia de Insuficincia_Cardaca,
resultados positivos aumentam esta probabilidade.
54
Figura 6.5: Mdio/Alto Risco - Dislipidemia, Doena_Art_Vascular, RaioX,

HT_Baixa
O caso de uso da Figura 6.5 referente a um paciente com um risco
moderadamente alto para a ocorrncia de insuficincia cardaca. Dentre as variveis
observadas,
apenas
Dislipidemia,
Doena_Arteriosclertica_Vascular,
Alteraes_Raio-X, e HAS=HT_Baixa representam ns que influem para o aumento

da
probabilidade
do
Insuficincia_Cardaca.
No
entanto,
como
Doena_Arteriosclertica_Vascular e Alteraes_Raio-X positivos exercem alta

influncia em Insuficincia_Cardaca, tem-se a probabilidade de 65.7% para esta
ltima.
55
Figura 6.6: Mdio/baixo risco: reduzido nmero de observaes

Tem-se na Figura 6.6 um caso em que limitado o nmero de observaes
inseridas, no havendo nenhuma observao que qualifique o paciente como um
possvel portador de insuficincia cardaca, assim como no existem observaes que
indiquem fortemente que o paciente no possui insuficincia cardaca. Este caso
mostra que um reduzido nmero de observaes acarreta em ineficcia da rede em
apresentar um diagnstico apropriado.
56
Figura 6.7: Baixo risco: apenas falta de sintomas

A Figura 6.7 mostra a influncia dos ns representando a ausncia de
sintomas do paciente no diagnstico de insuficincia cardaca. Apesar da indicao
de ausncia de sintomas diminua a probabilidade do n Insuficincia_Cardaca, no
se tem uma probabilidade prxima a 0% devido falta de outras informaes, como
dados do paciente e resultados de exames diagnsticos.
6.1.4 Resultado final da avaliao com casos de uso

O desempenho da rede obtido na ltima etapa da avaliao com casos de uso
foi considerado adequado pelo especialista, ou seja, as probabilidades fornecidas pela
rede
correspondem
expectativas
do
especialista.
Tal
fato
representa
principalmente a adequao das probabilidades condicionais especificadas no

Captulo 5 em relao ao funcionamento geral da rede. possvel que outro
57
especialista, que no tenha participado da construo da rede, possa discordar dos

resultados.
Uma outra observao que no foi notado um prejuzo no desempenho da
rede devido utilizao do modelo noisy-or, visto que no foram apontadas
incoerncias nas probabilidades dos ns onde o modelo foi aplicado.
6.2 Avaliao qualitativa com especialistas

O segundo tipo de avaliao foi feito de forma qualitativa, a fim de obter a
opinio de outros especialistas mdicos quanto estrutura da rede. Esta avaliao
considerou apenas a estrutura de ns, incluindo suas categorias, e arcos da rede. Os
aspectos relativos s probabilidades e desempenho da rede no fizeram parte desta
avaliao.
Para a realizao desta avaliao, foram utilizados questionrios, que foram
preenchidos e comentados por dois especialistas convidados. As questes fornecidas
e as respostas obtidas so apresentadas nesta seo.
6.2.1 Avaliao 1
Local de trabalho (Hospital/Departamento): Hospital Universitrio da USP/Unidade
de Terapia Intensiva
a) Voc concorda com a organizao dos arcos da rede?
Sim.
b) Os ns que representam fatores de risco, causas diretas ou indiretas de doenas
cardacas so: Doena_Chagas, Consumo_lcool, HAS, Dislipidemia, Fumo, DM,
Antecedente_Familiar_ICO,
Idade
Febre_Reumtica. Quais destes ns no deveriam estar presentes e quais outros

fatores deveriam ser adicionados? Por que?
HAS deveria ter um arco para Arteriosclerose Coronria.
c) A mesma questo para os ns referentes ao mecanismo fisiolgico
Insuficincia_Cardaca,
Arteriosclerose_Coronria,
Insuficincia_Coronria,
Sintomas_Ins_Coronria, Valvopatia, Hipertenso_Pulmonar_Venosa_Sistmica,
58
Nvel_Ativao_N-H, Doena_Pulmonar.
Sem alterao.
d) A mesma questo para os ns referentes a sintomas e resultados de exames
Dispnia, Tosse_Seca, Ascite, Hepatomegalia, Edema_MMII, Derr_Pleural,
Alteraes_EF, Alteraes_ECG, Alteraes_RaioX, Alteraes_ECO.
Sem alteraes.
e) Existe algum n que deveria possuir mais ou menos categorias?
Nvel de Ativao Neurohormonal -> deveria ser definido por outros critrios
(est muito vago).
f) Qual a sua opinio sobre o nvel de complexidade da rede?
Complexidade baixa.
6.2.2 Avaliao 2
Local de trabalho (Hospital/Departamento): Hospital Universitrio da USP/Diviso
de Clnica Mdica.
a) Voc concorda com a organizao dos arcos da rede?
Sim.
b) Os ns que representam fatores de risco, causas diretas ou indiretas de doenas
cardacas so: Doena_Chagas, Consumo_lcool, HAS, Dislipidemia, Fumo, DM,
Antecedente_Familiar_ICO,
Idade
Febre_Reumtica. Quais destes ns no deveriam estar presentes e quais outros

fatores deveriam ser adicionados? Por que?
Doena arteriosclertica vascular no causa ou fator de risco de dc cardaca,
apenas um marcador da presena de doena coronria.
c) A mesma questo para os ns referentes ao mecanismo fisiolgico
Insuficincia_Cardaca,
Arteriosclerose_Coronria,
Insuficincia_Coronria,
Sintomas_Ins_Coronria, Valvopatia, Hipertenso_Pulmonar_Venosa_Sistmica,
59
Nvel_Ativao_N-H, Doena_Pulmonar.
Como o n nvel de ativao N-H ser medido (ou que parmetro ser usado
para entrar com um dado numrico uma probabilidade neste n?).
d) A mesma questo para os ns referentes a sintomas e resultados de exames
Dispnia, Tosse_Seca, Ascite, Hepatomegalia, Edema_MMII, Derr_Pleural,
Alteraes_EF, Alteraes_ECG, Alteraes_RaioX, Alteraes_ECO.
Acho que dispnia tem que ser mais bem especificada, o mesmo em relao a
alteraes E.F. (estase jugular, ictus desviado, etc).
e) Existe algum n que deveria possuir mais ou menos categorias?
Alteraes de E.F. mais categorias.
Dispnia mais categorias.
f) Qual a sua opinio sobre o nvel de complexidade da rede?
Bom.
6.2.2 Resumo das avaliaes

Os especialistas consultados concordaram com a maior parte da rede, sendo
notadas apenas duas sugestes de alteraes estruturais e trs em relao a
categorias. As alteraes estruturais referem-se adio de um arco entre HAS e
Arteriosclerose_Coronria, e remoo de Doena_Arteriosclertica_Vascular. As
modificaes em relao a categorias referem-se a um maior nmero de categorias
para os ns Alteraes_EF, Nvel_Ativao_N-H e Dispnia.
Dado que a quantificao das probabilidades da rede j tinha sido realizada e
alteraes, especialmente na estrutura de ns e arcos, requerem uma significativa
modificao nas probabilidades, as sugestes apresentadas sero consideradas em
uma possvel reviso futura da rede.
60
Captulo 7
CONSTRUO DE SOFTWARE
Durante o desenvolvimento do sistema especialista, tambm foi um
construdo um software, livremente distribudo, que tem como objetivo a criao e
manipulao de redes Bayesianas. O objetivo da construo deste software foi obter
uma ferramenta, de uso livre e gratuito, que possibilitasse a utilizao da rede
Bayesiana desenvolvida neste trabalho de uma forma prtica, o que no se
encontrava em outras ferramentas para redes Bayesianas livremente disponveis. A
principal limitao entre outros softwares de uso livre pesquisados era a
impossibilidade de visualizar todas as probabilidades marginais da rede em uma
nica tela.
O software, denominado iBNetz, foi programado na linguagem de
programao Java (JAVA, 2004), utiliza a biblioteca EmBayes (EMBAYES, 2004)
para inferncia bayesiana, e a biblioteca SWT/GEF (ECLIPSE, 2004) para
componentes grficos. O software pode ser executado em ambientes Windows, Unix,
Linux e similares, desde que estejam disponveis o ambiente de execuo Java e a
biblioteca SWT/GEF.
As principais funcionalidades do iBNetz esto relacionadas manipulao de
redes Bayesianas, como abrir e salvar redes, impresso, alterao de ns, arcos e
probabilidades, insero de observaes, e execuo de inferncias. Outras
funcionalidades auxiliares incluem a configuraes visuais, idioma, e console para
exibio de mensagens.
Para executar o software necessria a instalao de uma mquina virtual
Java, verso 1.2 ou superior, e das bibliotecas SWT e GEF, verso 2.0 ou superior.
O
iBNetz
pode
ser
obtido
no
site
http://www.pmr.poli.usp.br/ltd/People/asaheki. Para sua instalao necessrio

descompactar o arquivo no disco local. O software pode ser iniciado a partir do
comando:
java iBNetzStart classpath .;[caminho para swt.jar];[caminho para gef.jar]
Na primeira utilizao do software, deve-se escolher o idioma no qual o
61
software ser usado (portugus ou ingls). Aps isso, possvel iniciar a

manipulao de redes Bayesianas.
Figura 7.1: iBNetz

A Figura 7.1 mostra a interface do programa iBNetz. Todas as funes do
software esto disponveis a partir da interface grfica, com navegao a partir de
mouse e teclado.
Uma das consideraes no desenvolvimento do iBNetz foi relativo
facilidade de uso do mesmo. Um dos principais pblicos-alvo para o software so
mdicos interessados em conhecer ou utilizar a rede construda neste trabalho. Para
62
os mdicos, deve ser mais interessante observar os resultados prticos da rede do que
conhecer o mecanismo de funcionamento das redes Bayesianas.
A considerao anterior levou criao de uma interface especfica para a
rede de diagnstico de doenas cardacas. Esta interface foi adicionada ao iBNetz e
pode ser utilizada ao invs da interface usual para redes Bayesianas.
Figura 7.2: Interface para a rede Diagnstico de Doenas Cardacas

A Figura 7.2 mostra a interface para a utilizao da rede desenvolvida neste
trabalho. Esta interface limita as variveis que podem ser observadas de modo que
somente seja possvel inserir observaes correspondentes a dados normalmente
63
disponveis no uso da rede. As variveis presentes na coluna esquerda referem-se aos

dados do paciente, na coluna central aos exames e sintomas, e na coluna direita aos
mecanismos fisiolgicos. As colunas esquerda e central podem ser modificadas,
inserindo-se observaes, enquanto que a coluna direita utilizada apenas para
visualizao do resultado do processo de inferncia.
64
Captulo 8
CONCLUSO
Este trabalho teve como foco a construo de um sistema especialista
destinado ao auxlio deciso mdica. O sistema desenvolvido voltado,
inicialmente, ao ensino de conceitos probabilsticos e sistemas especialistas a
mdicos, e demonstrao de uma aplicao prtica de inteligncia artificial. Podese, no futuro, analisar a viabilidade de utilizar-se a rede desenvolvida em um
ambiente real. O texto desta dissertao seguiu, em linhas gerais, a ordem
cronolgica em que as diversas fases do processo foram executadas.
Para a construo de qualquer sistema especialista voltado rea mdica, as
fases iniciais - escolha de metodologia de construo e definio do problema
mdico - so de crucial relevncia para as fases seguintes. A escolha das redes
Bayesianas como ferramenta computacional uma das maneiras de possibilitar a
criao de sistemas especialistas de forma gradual, medida que so obtidas
informaes do domnio mdico. O desenvolvimento da estrutura de uma rede
Bayesiana, com o auxlio de especialistas mdicos, pode ser feito independentemente
das probabilidades da rede, at que se chegue a uma rede cujos ns e arcos reflitam
um consenso entre as pessoas envolvidas no trabalho.
A quantificao das probabilidades, em um estgio posterior, pode
encaminhar-se de duas maneiras: a partir de especialistas do domnio mdico
escolhido ou utilizando-se uma base de dados de casos clnicos. Cada uma destas
maneiras tem vantagens e desvantagens, que devem ser analisadas a fim de se
escolher o processo de quantificao mais apropriado para cada sistema especialista.
Nesta dissertao, foi apresentada uma rede destinada ao diagnstico de
doenas cardacas, em especial a insuficincia cardaca, cujo ambiente proposto de
uso so postos de sade da rede pblica da cidade de So Paulo.
A criao da estrutura da rede e a quantificao das probabilidades foi feita
com o auxlio de especialistas. A estrutura da rede foi obtida a partir de dados
bibliogrficos e reunies com um especialista mdico. As probabilidades foram
obtidas atravs de tcnicas de elucidao e posterior correes dos valores inicias.
65
Uma das maiores dificuldades durante a elucidao o excessivo nmero de

probabilidades a serem obtidas, sendo muitas vezes conveniente e benfica a
utilizao de modelos matemticos simplificados.
Um destes modelos, denominado noisy-or, foi utilizado neste trabalho. A
obteno de resultados coerentes entre as probabilidades especificadas atravs do
modelo noisy-or e o funcionamento da rede mostra que, em determinados casos, esse
tipo de modelagem pode ser usado de forma proveitosa. O caso em que este modelo
mostra-se mais adequado em ns com um elevado nmero de pais, e em que os pais
tm caractersticas em comum, por exemplo, todos representam fatores de risco de
uma doena. O trabalho desenvolvido tambm props um aprimoramento do modelo
noisy-or, fornecendo uma extenso do modelo para ns pais no-binrios.
A ltima fase executada no trabalho foi a avaliao da rede, atravs da
simulao de casos de uso e avaliao por especialistas. Os casos de uso tiveram
como resultados a constatao da coerncia da rede face s probabilidades
especificadas e desempenho considerado adequado segundo o especialista
consultado. A avaliao com outros especialistas proporcionou a obteno de pontos
de vista distintos em relao a partes da rede, podendo tais opinies virem a ser
utilizadas em revises futuras.
Paralelamente construo da rede, foi desenvolvido um software destinado
criao e manipulao de redes Bayesianas. Este software tem como caractersticas o
cdigo fonte aberto, disponibilidade pela Internet e uma interface grfica que
possibilita uma melhor apresentao visual de redes Bayesianas em relao a outros
softwares existentes.
Para a realizao de trabalhos futuros prope-se a realizao de testes prticos
com a rede, anlise de sensibilidade, e desenvolvimento de interfaces e aplicaes.
Os testes prticos podem ser feitos em postos de sade ou hospitais, com a
cooperao de mdicos e outros profissionais desses estabelecimentos. Tal avaliao
pode ser altamente valiosa para determinar a viabilidade do uso da rede na prtica
mdica. A anlise de sensibilidade determina a influncia que as alteraes nas
probabilidades dos ns tm no comportamento da rede. Dessa forma, pode-se
escolher da maneira mais proveitosa em quais partes da rede ser concentrado o
esforo em obter-se probabilidades mais corretas, isto , que reflitam melhor a
66
realidade. Tambm podem ser estudadas novas interfaces que possibilitem uma
utilizao mais intuitiva da rede Bayesiana do que as oferecidas pelo iBNetz. Esse
tipo de melhoria pode facilitar o uso da rede em situaes prticas e tambm em
aplicaes de ensino. Algumas aplicaes de ensino sugeridas so apresentao de
sistemas especialistas a mdicos e criao de pginas na Internet demonstrando o
raciocnio mdico.
Conclui-se aqui esperando ter sido possvel apresentar de forma clara a
construo de sistemas especialistas baseados em redes Bayesianas, a utilizao do
modelo matemtico noisy-or e sua extenso proposta neste trabalho, e a apresentao
do software iBNetz para redes Bayesianas.
67
REFERNCIAS
(BATLOUNI et al, 1999) BATLOUNI, M. et al. II Diretrizes da Sociedade Brasileira
de Cardiologia para o Diagnstico e Tratamento da Insuficincia Cardaca. Arquivos
Brasileiros de Cardiologia, v.72, suplemento I, 1999.
(BEINLICH et al, 1989) BEINLICH, I.A et al. The ALARM monitoring system: a
case study with two probabilistic inference techniques for belief networks.
Proceedings of the Second Conference on Artificial Intelligence in Medicine, p.247256, 1989.
(BUCHANAN; SHORTLIFE, 1984) BUCHANAN, B. G.; SHORTLIFE, E.H. RuleBased Expert Systems: The MYCIN Experiments of the Stanford Heuristic
Programming Project. Reading, MA: Addison-Wesley, 1984.
(COWELL et al, 1999) COWELL, R.G. et al. Probabilistic Networks and Expert
Systems. New York: Springer, p.5-23, 1999.
(DARMONI et al, 1995) DARMONI, S.J. et al. From general reasoning in drug
poisoning to specific attitudes in human and in SETH. Computer as an aid in poison
centres. Lille, 1995.
(DIZ, 1993) DIZ, F.J. Parameter adjustment in BN's. The generalized noisy ORgate. In: Proceedings of the 9th Conference on Uncertainty in Artificial Intelligence.
Morgan Kaufmann, p. 99-105, 1993.
(DIZ et al, 1997) DIZ, F.J. et al. DIAVAL, a Bayesian expert system for
echocardiography. Artificial Intelligence in Medicine, v.10, p.5973, 1997.
(ECLIPSE, 2004) ECLIPSE. The Eclipse Project Main Page. Disponvel em:
<http://www.eclipse.org/>. Acesso em: out. 2004.
(EMBAYES, 2004) EMBAYES. Embedded Bayesian Networks. Disponvel em:
<http://www.pmr.poli.usp.br/ltd/>. Acesso em: out. 2004.
68
(FAUSETT, 1994) FAUSETT, L.V. Fundamentals of Neural Networks. Prentice Hall,

1994.
(HEART DISEASE PROGRAM, 2004) HEART DISEASE PROGRAM. Clinical
Decision Making Group MIT. Disponvel em: <http://medg.lcs.mit.edu/projects/hdp/>.
Acesso em: out. 2004.
(HECKERMAN; GEIGER; CHICKERING, 1995) HECKERMAN, D.; GEIGER, D.;
CHICKERING, D. Learning Bayesian networks: The combination of knowledge and
statistical data. Machine Learning, v.20, n.3, p.197-243, 1995.
(HECKERMAN; BREESE, 1994) HECKERMAN, D.; BREESE, J. A new look at
causal independence. In: Proceedings of the 10th Conference on Uncertainty in
Artificial Intelligence. Morgan Kaufmann, p.286-226, 1994.
(JAVA, 2004) JAVA. Java Technology. Disponvel em: <http://java.sun.com/>.
Acesso em: out. 2004.
(JENSEN, 2001) JENSEN, F.V. Bayesian Networks and Decision Graphs. New York:
Springer, 2001.
(KUPERMAN; GARDNER; PRYOR, 1991) KUPERMAN, G.J.; GARDNER, R.M.;
PRYOR, T.A. The HELP System. Springer-Verlag: New York, 1991.
(NIKOVSKI, 2000) NIKOVSKI, D. Constructing Bayesian networks for medical
diagnosis from incomplete and partially correct statistics. IEEE Transactions on
Knowledge and Data Engineering, v.12, n.4, p.509516, 2000.
(PEARL, 1988) PEARL, J. Probabilistic Reasoning in Intelligent Systems: Networks
of Plausible Inference. San Mateo: Morgan Kaufmann, 1988.
(REMME; SWEDBERG, 2001) REMME, W.J.; SWEDBERG, K. Task force for the
diagnosis and treatment of chronic heart failure of the European Society of Cardiology,
guidelines for the diagnosis and treatment of chronic heart failure. European Heart
Journal, v.22, p.1527-1560, 2001.
69
(REMME; SWEDBERG, 2002) REMME, W.J.; SWEDBERG, K. Comprehensive

guidelines for the diagnosis and treatment of chronic heart failure. European Journal
of Heart Failure, v.4, n.1, p.11-22, 2002.
(RENOOIJ, 2001) RENOOIJ, S. Qualitative Approaches to Quantifying Probabilistic
Networks. Ph.D. Thesis - Institute for Information and Computing Sciences, Utrecht
University. The Netherlands, 2001.
(RYMON, 1993) RYMON, R. TraumAID 2.0 - Integrating Goal-Directed Diagnosis
and Planning. Ph.D. Thesis - University of Pennsylvania. United States of America,
1993.
(SPIEGELHALTER, 1987) SPIEGELHALTER, D.J. Probabilistic expert systems in
medicine. Statistical Science, v.2, n.1, p.3-44, 1987.
(SRINIVAS, 1993) SRINIVAS, S. A generalization of the noisy-OR model. In:
Proceedings of the 9th Conference on Uncertainty in Artificial Intelligence. Morgan
Kaufmann, p.208-218, 1993.
(VAN DER GAAG et al, 2002) VAN DER GAAG, L.C. et al. Probabilities for a
probabilistic network: a case study in oesophageal cancer. Artificial Intelligence in
Medicine, v.25, p.123-148, 2002.
(WETTER, 2002) WETTER, T. Editorial, Lessons learnt from bringing knowledgebased decision support into routine use. Artificial Intelligence in Medicine, v.24,
p.195-203, 2002.
(WINSTON, 1992) WINSTON, P. Artificial Intelligence. Addison-Wesley Publishing
Company, 1992.
70
GLOSSRIO
Nota: parte das definies foram extradas ou adaptadas dos sites Hospital Das
Clnicas Da Faculdade De Medicina Da Universidade de So Paulo Dicionrio
Mdico para Leigos (http://www.hcnet.usp.br/dicionario/) e Boa Sade Dicionrio
Mdico (http://boasaude.uol.com.br/dic/).
Angiotensina: hormnio que causa aumento da presso de filtrao, por exercer efeito
vasoconstritor.
Arritmia cardaca: o corao possui atividade eltrica prpria que consiste na gerao
e transmisso de estmulos. Distrbios destas propriedades resultam em alteraes do
ritmo cardaco ou arritmia cardaca.
Arteriosclerose coronria: doena degenerativa das artrias coronrias, caracterizada
por espessamento a parede por acmulo de camadas de material depositado,
principalmente cristais de colesterol e clcio.
Ascite: presena de lquido na cavidade peritonial (abdome).
Bloqueio cardaco: alteraes na conduo de impulsos eltricos no corao,
causando uma diminuio da freqncia de batimentos cardacos.
Cardiomegalia: aumento da rea do corao.
Derrame pleural: acmulo de lquido no espao pleural (trax)
Diabetes melitus: doena sistmica, metablica, crnica, causada por deficincia de
insulina.
Dislipidemia: alteraes da concentrao de lipdeos no sangue. Os lipdeos so
responsveis por vrias funes (produo e armazenamento de energia, absoro de
vitaminas, etc.), mas o excesso est relacionado arteriosclerose. Este processo ocorre
em vasos onde h instalao de leses em forma de placas, causando obstruo ao
fluxo sangneo.
Dispnia: dificuldades respiratrias, falta de ar.
71
Doena arteriosclertica vascular: estreitamento dos vasos sanguneos que levam

sangue aos membros perifricos.
Doena de Chagas: doena causada pelo protozorio Trypanossoma cruzi, que tem
como uma de suas principais conseqncias a leso dos vasos sangneos.
Ecocardiografia: procedimento de complementao diagnstica que fornece
informaes sobre anatomia (vlvulas, septos, vasos da base, paredes e cavidades),
fisiologia (funes ventriculares direita e esquerda), parmetros hemodinmicos e
avaliao dos fluxos sangneos e intracardacos.
Edema: infiltrao difusa em diversos tecidos especialmente subcutneo e submucoso
devido ao aumento do lquido intersticial.
Eletrocardiograma: exame que avalia a atividade do msculo cardaco.
Exame fsico: avaliao das propriedades respiratrias de um paciente durante a
prtica de atividades fsicas.
Febre reumtica: complicao causada pela infeco da bactria estreptococo.
Funo sistlica/diastlica: a funo sistlica refere-se contrao cardaca e a
diastlica ao relaxamento.
Hemodilise: filtragem do sangue por meio de aparelhos destinada a pacientes com
problemas renais.
Hepatomegalia: aumento anormal do tamanho do fgado.
Hipertenso arterial sistmica: presso arterial elevada.
Hipertenso pulmonar venosa sistmica: presso aumentada na circulao pulmonar
ocasionada por diversa doenas.
Hipovolemia: aiminuio do volume de sangue secundrio a hemorragias,
desidratao ou seqestro de sangue para um terceiro espao (por exemplo, peritnio).
Infarto do miocrdio: leso do msculo cardaco decorrente da falta de aporte de
oxignio por obstruo da artria que o irriga por placa de aterosclerose.
72
Insuficincia
coronria:
deficincia
das
artrias
coronrias
em
realizar
adequadamente suas funes.

Insulina: hormnio produzido pelo pncreas, cuja funo mais importante a
regulao da entrada de glicose no interior das clulas. Sua carncia, absoluta ou
relativa, determina a apario de diabetes Melitus.
Mal de Alzheimer: doena mental cujos principais sintomas so esquecimentos,
dificuldade de concentrao, desorientao no tempo e no espao, dificuldade para
encontrar palavras e para nomear objetos, dificuldade para fazer clculos e desenhos
simples.
Metstases: tumor em localizao diferente do local do tumor primrio.
Miocrdio: msculo cardaco
Neoplasia: crescimento e multiplicao anormal de clulas, podendo ser maligna,
tambm denominado cncer, com as caractersticas de invaso e destruio tecidual ou
benigna, forma no invasiva e localizada.
Nvel de ativao neuro-hormonal: nvel dos hormnios que regulam o sistema
circulatrio.
Psicognico: causado por motivos psicolgicos.
Sepse: infeco produzida por um germe capaz de provocar uma resposta inflamatria
em todo o organismo
Sopro cardaco: som produzido pela alterao na turbulncia dos fluxos cardacos,
devido a anormalidades nas vlvulas e divises cardacas. Tambm pode ser ouvido
em pessoas normais sem doena prvia (sopro benigno ou inocente).
Tosse seca: tosse devida a doenas pulmonares.
Tratamento paliativo: tratamento destinado a reduo dos sintomas de uma doena.
Valvopatia: doena adquirida ou congnita de uma vlvula cardaca. A alterao
resultante pode ser manifestada por uma diminuio da abertura da mesma (estenose),
pela incapacidade de fechamento da mesma (insuficincia) ou por uma combinao
dos dois tipos de defeitos.

ANDRESAHEKI

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ANDRESAHEKI

Cargado por

Copyright:

Formatos disponibles

ANDR HIDEAKI SAHEKI

CONSTRUO DE UMA REDE BAYESIANA APLICADA AO

Dissertao Apresentada Escola

ANDR HIDEAKI SAHEKI

CONSTRUO DE UMA REDE BAYESIANA APLICADA AO

Dissertao Apresentada Escola

Este exemplar foi revisado e alterado em relao verso original, sob

Saheki, Andr Hideaki

O desenvolvimento deste trabalho contou com a colaborao das seguintes pessoas,

Este trabalho apresenta a construo de um sistema especialista aplicado ao

4.1.2 Limitaes na estrutura da rede...................................................................20

Tabela 2.1: Valores de P(A)........................................................................................ 11

Tabela 5.27: Derr_Pleural............................................................................................41

Figura 2.1: Rede antes da observao.......................................................................... 11

satisfatoriamente tratados nos prprios postos por apresentarem problemas de menor

Captulo 6 apresenta a avaliao da rede, o Captulo 7 introduz o software construdo

2.1 Sistemas especialistas aplicados medicina

Mycin (BUCHANAN; SHORTLIFE, 1984).

Mycin, um programa de computador interativo destinado ao diagnstico de doenas

HELP System (KUPERMAN; GARDNER; PRYOR, 1991).

armazena informaes dos pacientes do hospital e utiliza estas informaes tanto do

TraumAID (RYMON, 1993).

tratamento de traumas (causados por armas de fogo e perfuraes) no peito e

SETH (DARMONI et al, 1995).

tratamento e monitorao de envenenamento por drogas. O raciocnio executado pelo

conhecimento armazenado consiste de termos, requisies, regras e descries, todos

Heart Disease Program (HEART DISEASE PROGRAM, 2004).

sugestes de tratamento de doenas cardacas, focado em disfunes hemodinmicas,

2.2 Tcnicas para construo de sistemas especialistas

2.2.1 rvores de deciso

tcnica tem como vantagem a facilidade de uso e a no-obrigatoriedade da presena

2.2.2 Sistemas de produo

2.2.3 Redes neurais

os melhores resultados possveis. Uma funo de ativao em cada unidade

2.2.4 Redes Bayesianas

onde P(U) a probabilidade conjunta para a rede, pa(Ai) so os pais do n Ai e P(Ai|

categorias, tambm comumente denominadas estados, representam os possveis

Figura 2.1: Rede antes da observao.

Figura 2.2: Rede aps observao.

P(a1 ,b2 ,c1 ) = 0.096

P(a2 ,b1 ,c1 ) =

P(a2 ,b2 ,c1 ) = 0.045

Para o caso em que o n B observado como B=b2, realiza-se um processo

Como observado que {B=b2}, todas as probabilidades em P(A, B, C)

Tabela 2.5: Probabilidades condicionais para cada n.

2.2.5 Utilizao de diversas tcnicas

2.3 Tcnica utilizada no trabalho

Bayesianas foram os seguintes:

A possibilidade de trabalhar com incertezas, pois em problemas mdicos

A construo de um sistema baseado na opinio de especialistas pode ser

Facilidade de apresentao do funcionamento da rede aos mdicos

3.1 Problemas mdicos considerados

3.1.1 Diagnstico em pacientes admitidos em UTIs

(Unidades de Terapia Intensiva) em estado de choque. Existem vrias causas

3.1.2 Tratamento de pacientes com insuficincia renal

3.1.3 Operao em pacientes com neoplasias benignas da

3.1.4 Cirurgia para retirada de metstases

cirurgia com o objetivo de removerem-se as metstases. Uma alternativa cirurgia

3.1.5 Diagnstico de insuficincia cardaca congestiva causada por

3.1.6 Diagnstico de mal de Alzheimer

3.1.7 Diagnstico de doenas cardacas em pacientes com

cardacas nos pacientes, e nos postos de sade os equipamentos adequados no esto

3.2 Escolha do problema mdico

3.2.1 Critrios relativos ao problema mdico