Similarity of fuzzy data in a case-based fuzzy system in anaesthesia Similaridade de dados difusos em um sistema difuso baseado em casos em anestesia Jörg.

Apresentação em tema: "Similarity of fuzzy data in a case-based fuzzy system in anaesthesia Similaridade de dados difusos em um sistema difuso baseado em casos em anestesia Jörg."— Transcrição da apresentação:

1 Similarity of fuzzy data in a case-based fuzzy system in anaesthesia Similaridade de dados difusos em um sistema difuso baseado em casos em anestesia Jörg Petersen Artigo 3.5 - Recuperação Benício José Almeida Ramalho Programa de Pós-Graduação em Engenharia de Produção - UFSC EPS 3659 - Raciocício Baseado em Casos Professores: Ricardo Miranda Barcia Professores: Rosina Weber-Lee Professores: Alejandro Martins

2 Introdução l Estudos indicam que depois de grandes cirurgias torácica e abdominal, 30% a 70% dos pacientes sofrem de médias a fortes dores pós-operatórias, nas primeiras 48 horas depois da cirurgia. l O principal objetivo da primeira fase pós-operatória é eliminar a dor que o paciente sente, além da estabilização e normalização das funções do corpo controladas pelo sistema nervoso central, que são influenciadas pela anestesia realizada durante a cirurgia. l A principal tarefa do anestesista não é encontrar o diagnóstico correto com uma terapia padrão, mas planejar uma terapia individual para o paciente. l O objetivo do sistema especialista baseado em casos chamado MePoS é a geração de terapias individuais. l Alguns sistemas especialistas como o MYCIN, CARDIAG II e o INTERNIST geram um diagnóstico através de sintomas de entrada com uma terapia padrão. Eles não usam diretamente experiências com pacientes reais.

3 l O mecanismo de funcionamento de um sistema baseado em casos consiste em primeiro encontrar casos similares em um índice, e depois recuperá-los usando uma medida de similaridade, modificá-los ou então aceitá-los sem alterações. l O MePoS utiliza uma nova aproximação para encontrar casos de pacientes similares através da utilização de regras difusas, como em um controlador difuso. l Os dados dos pacientes são armazenados com os seus sintomas e soluções, ações das terapias, e algumas classificações em um banco de dados. l Cada tratamento com sucesso representa conhecimento implícito no gerenciamento da dor pós- operatória. l Conhecimento explícito sobre dependências de atributos pode ser expressado através de regras difusas l Pacientes similares são recuperados separadamente através de diferentes objetivos de terapia. As ações da terapia são propostas depois de uma combinação baseada nas regras. Introdução

4 Tarefas, dados e conceitos do MePoS l O anestesista usa diferentes drogas de diferentes grupos: analgésicos (dores de cabeça), anestésicos locais (afetam apenas certas regiões), narcóticos (influenciam o sistema nervoso central), sedativos (tranquilizantes), e outros. l Estas drogas exercem diferentes influências para os diferentes objetivos das terapias, e os efeitos da interação entre elas ainda não são totalmente conhecidos. l Após ser transferido para a sala de pós-cirurgia (onde irá acordar), o paciente continua recebendo drogas para aliviar as dores provenientes da cirurgia. Com a utilização das bombas de infusão, chamadas de PCA-pumps (pacient controlled anaesthesia), o paciente é envolvido no tratamento médico. l Todas as informações das bombas PCA são introduzidas no computador e têm auxiliado os anestesistas na seleção de drogas e suas doses. Gerenciamento da dor pós-operatória com drogas

5 Dados e fuzzificação l Existem dois diferentes tipos de dados no MePoS: os objetivos e os subjetivos. l Os dados objetivos, dependentes ou não do tempo, são: a idade do paciente, altura, peso, sexo, tipo de cirurgia, tempo de duração da cirurgia, dose total de drogas ministradas durante a cirurgia, pressão sangüínea, pulso, e outras. l O julgamento sobre as condições e as dores cirúrgicas do paciente são difíceis de medir pelo fato delas não serem medidas objetivamente. Em cooperação com psicólogos, os anestesistas desenvolveram as chamadas visual analogous scales (VASs). l VASs são longas linhas horizontais (10 cm) sem subdivisões, onde as enfermeiras ou o próprio paciente informa de hora em hora como estão a satisfação, ansiedade, tensão muscular, paciência, humor e as dores. Estes dados são armazenados com a informação do horário da medida, durante quatro horas. Tarefas, dados e conceitos do MePoS

6 l São criadas regras simples para verificar a plausibilidade das informações. l São criadas também as variáveis lingüísticas difusas como, por exemplo, a pressão sangüínea com os conjuntos difusos PressãoSangüíneaBaixa, PressãoSangüíneaNormal e PressãoSangüíneaAlta. Também são criadas variáveis lingüísticas difusas para as VASs. nenhuma dordor insuportável ansiosonão ansioso Estrutura e modo de operação do sistema l Diferentes objetivos de terapia são usados para simplicar o processo. l O feeling do paciente é usado pelo anestesista como critério do sucesso da terapia.

7 Gráfico do Word

8 Similaridade dos dados, modificação e aprendizado Similaridade dos dados l Tradicional l Difusa: Para se comparar dois objetos i e j o mínimo grau de pertinência destes objetos para uma regra k é calculado e o máximo entre todas elas é o resultado Regras/ Pacientes

9 l Para um novo objeto (caso) a similaridade para cada um dos objetos antigos pode ser calculada. Estes valores de similaridade definem uma ordem para comparar os casos similares. l Exemplos do MePoS onde o anestesista cria regras descrevendo interdependências entre a idade do paciente e a dose das drogas: Paciente(A)], se idade do paciente é Idoso e máximo(dose do paciente) é DoseBaixa então máximo(DorInformadaPaciente do Paciente(A) é nenhuma_dor Paciente(A)], se idade do paciente é MeiaIdade e máximo(dose do paciente) é DoseNormal então máximo(DorInformadaPaciente do Paciente(A) é nenhuma_dor Similaridade dos dados, modificação e aprendizado

10 Usando esta medida de similaridade: 1) 0<= sim(objeto A, objeto B ) <= 1 2) sim(objeto A, objeto B ) = sim(objeto B, objeto A ) 3) No caso do objeto A = objeto B, sim(objeto A, objeto B ) = 1 somente se o objeto (paciente) tiver um grau de pertinência 1 em pelo menos uma regra difusa. Indexação l Cada novo cálculo de similaridades leva um grande tempo para ser feito. Este problema pode ser resolvido através da utilização de um método de indexação. l Dados n objetos (pacientes) e m regras uma tabela, com os graus de pertinência de cada objeto e regra, pode ser calculada e armazenada separadamente Similaridade dos dados, modificação e aprendizado Regras/ Pacientes

11 l Modificar um caso similar exige conhecimento profundo. l Heurísticas podem usar dados como a auto-avaliação da dor feita pelos pacientes, para escolher soluções com bons resultados da terapia ou resolver situações conflitantes. Modificação e sugestão de soluções l É necessário armazenar todos os objetos (pacientes, casos) na base de casos? l E a redundância de casos? l É difícil responder às questões sobre qualidade, corretude e completeza da base de casos. Crescimento da base de dados Similaridade dos dados, modificação e aprendizado

12 l Um segundo tipo de aprendizado é o ajuste automático ou manual das funções de pertinência (conjuntos difusos) das variáveis lingüísticas difusas como, por exemplo, para a dose das drogas. l Se, por exemplo, o anestesista sentir que as propostas de terapia geradas têm doses de drogas muito baixas ou muito altas, ele pode alterá-las, através do ajuste das funções de pertinência DoseBaixa, DoseNormal, DoseAlta da droga. Estas funções de pertinência são determinadas inicialmente pelas recomendações do fabricante da droga, bem como pela experiência clínica do anestesista. Variação das funções de pertinência Similaridade dos dados, modificação e aprendizado

13 l Uma regra inicial deve ser definida junto com o especialista (anestesista). l Regras são especialmente significantes se o grau de pertinência para cada caso (paciente) é próximo de zero ou um. l Uma regra é considerada inútil se para a maioria dos casos (pacientes) os graus de pertinência calculados para esta regra são muito parecidos. l Regras com atributos significantes podem ser geradas automaticamente pelo uso de algoritmos de aprendizado. Estes algoritmos analisam a base de dados para gerar certas classificações dos dados ou uma árvore de decisão. No protótipo um algoritmo difuso ID-3 é implementado. Diferentes classes dividem os pacientes, podendo ser definidos diferentes objetivos de terapia. Expansão e modificação da base de regras Similaridade dos dados, modificação e aprendizado

14 Estágio de desenv. e Conclusão l O primeiro protótipo do MePoS foi desenvolvido para rodar num PC com Windows 3.1 l Os componentes de inferência (cláusulas semânticas naturais) foram implementadas com Quintus Prolog 3.1.1 e Watcom C/C++ 9.5. l A interface gráfica foi implementada com o Toolbook 3.0 (Um total de 2.7 Mb). l A base de dados com 63 pacientes ocupa 800 Kb. l Utilizando um 486 DX2/66 com 16 Mb RAM o primeiro cálculo de casos similares para 11 regras levou 150 segundos. Conclusão l O MePoS mostra que um sistema especialista difuso baseado em casos pode ser desenvolvido para um domínio de aplicação na área médica em um mundo real. l O modelo pode ser usado em outros domínios de aplicação.