Documentos de Académico
Documentos de Profesional
Documentos de Cultura
So Paulo
2005
So Paulo
2005
FICHA CATALOGRFICA
AGRADECIMENTOS
RESUMO
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
LISTA DE TABELAS
LISTA DE FIGURAS
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
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.
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.
P(U ) = P ( A 1 , A2 , ..., An ) = P ( Ai pa ( Ai ) ) ,
i =1
11
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
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
P ( a2 | B = b2 ) = 0.584
P ( c1 | B = b2 ) = 0.183
P ( c2 | B = b2 ) = 0.817
13
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.
15
16
17
18
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.
20
rede.
21
Dispnia.
A dispnia, ou falta de ar, causada pelo acmulo de lquido nos pulmes,
Hepatomegalia.
Aumento do volume do fgado. Os problemas hepticos podem ser tanto
Cardiomegalia.
Aumento da rea do corao, causada por infarto no miocrdio, ou devido
22
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.
cardaca.
Idade.
O aumento da idade aumenta as chances de insuficincia cardaca, sendo que
Obesidade.
Uma quantidade elevada de gordura dificulta a circulao sangnea sendo,
Diabetes melitus.
A influncia causada por diabetes no risco de insuficincia cardaca pode ser
23
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
Infarto no miocrdio.
A contrao do msculo do corao requer energia, obtida atravs de reaes
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
Histrico do paciente.
Se o paciente j sofreu um (ou mais) infarto(s) no miocrdio, aumentam-se as
ECG (eletrocardiograma).
Um exame de ECG pode fornecer diversas informaes a respeito da situao
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
Exame de sangue.
Determinao do nvel de colesterol. Um alto nvel de colesterol representa
Falta de ar psicognica.
O paciente no apresenta nenhum problema de sade, mas reclama de
Doenas pulmonares.
Um dos diagnsticos mais comuns para dificuldades respiratrias so doenas
26
27
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.
28
29
30
31
Dislipidemia dislipidemia.
DM diabetes melitus.
Doena_Arteriosclertica_Vascular
doena
arteriosclertica
vascular.
2. Mecanismos fisiolgicos Modelo do funcionamento das doenas
cardacas.
-
Valvopatia valvopatia.
32
Ascite ascite.
Hepatomegalia hepatomegalia.
Dispnia dispnia.
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.
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.
35
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
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.
38
No
20 %
97 %
No
10 %
30 %
20 %
70 %
No
20 %
40 %
30 %
90 %
No
0,1 %
1%
2%
98 %
39
No
70 %
68 %
64 %
58 %
40 %
98 %
97 %
94 %
85 %
70 %
No
0%
98 %
No
60 %
90 %
No
15 %
50 %
50 %
98 %
Sim
No
99 %
1%
20 %
80 %
90 %
10 %
10 %
90 %
95 %
5%
15 %
85 %
40
No
20 %
98 %
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
Categorias das variveis condicionantes
Sim
Hipertenso_Pulmonar_Venosa_Sistmica = Sim
50 %
Hipertenso_Pulmonar_Venosa_Sistmica = No
15 %
Tabela 5.23: Tosse_Seca.
No
50 %
85 %
Sim
10 %
1%
No
90 %
99 %
No
85 %
99 %
No
60 %
75 %
No
90 %
99 %
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 )
( )
P ( d ri ) e especificidade P d ri
43
P ( d H ) = 1 [ 1 pi ] ,
R +
( )
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
P ( d H ) = 1 1 pri Ck .
rkiC1k +
P ( d rC
i k ) P ( d rC
i 1)
1 P ( d rC
i 1)
, se k 1 .
45
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
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.
48
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
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
50
51
52
53
54
apenas
Dislipidemia,
Doena_Arteriosclertica_Vascular,
probabilidade
do
Insuficincia_Cardaca.
No
entanto,
como
55
56
correspondem
expectativas
do
especialista.
Tal
fato
representa
57
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,
Doena_Arteriosclertica_Vascular,
Antecedente_Familiar_ICO,
Idade
Arteriosclerose_Coronria,
Insuficincia_Coronria,
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,
Doena_Arteriosclertica_Vascular,
Antecedente_Familiar_ICO,
Idade
Arteriosclerose_Coronria,
Insuficincia_Coronria,
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.
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
61
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.
63
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
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
69
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
72
Insuficincia
coronria:
deficincia
das
artrias
coronrias
em
realizar