A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

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

Apresentações semelhantes


Apresentação em tema: "Sistemas de Informação em Medicina Stefan Schulz Grupo de Informática Médica Universidade de Freiburg (Alemanha) Recife 31 / 10 / 07."— Transcrição da apresentação:

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

2 Introdução Texto Estrutura Codificação Text Mining Conclusão

3 Informática em Saúde Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

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

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

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

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

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

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

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

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

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

15

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

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

18

19

20

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

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

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

24 Informação Estruturada Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

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

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

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

30 Linguagem Natural (Texto) Informação Estruturada Qualidade Custo Introdução Texto Estrutura Codificação Text Mining Conclusão Produção de Informação

31 Análise de Informação Qualidade Custo Linguagem Natural (Texto) Informação Estruturada Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

34 aprimorar os processos e recursos de codificação Extrair códigos de textos livres Dois caminhos…

35 Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

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

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

40 SNOMED CT: Definições Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

43 a Informação Estruturada Linguagem Natural (Texto) Introdução Texto Estrutura Codificação Text Mining Conclusão Text mining

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

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

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

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

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

49 Exemplo: Text Mining em Google News Introdução Texto Estrutura Codificação Text Mining Conclusão

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

51 Datenqualität ?? Introdução Texto Estrutura Codificação Text Mining Conclusão Prognóstico… Volume de dados motivação alta motivação média motivação baixa Padrão Ouro

52 Introdução Texto Estrutura Codificação Text Mining Conclusão

53 Conclusão Introdução Texto Estrutura Codificação Text Mining Conclusão Medicina: dilúvio de informação ameaça a qualidade de processamento de conhecimento em todos os níveis Representação de conteúdo: texto livre vs. Informação codificada Texto livre continuará sendo preferido para veicular informação clícnica e científica Soluções tecnológicas Sistemas avançados de representação semântica, i.e. de codificação abrangente de todos os níveis. Candidato interessante: SNOMED CT Sistemas avançados de mineração de texto.

54

55 Contato: Stefan Schulz Slides:


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

Apresentações semelhantes


Anúncios Google