Aplicao de redes neurais para o diagnstico diferencial da doena meningoccica

Leila Weitzel Martins1, Joaquim Teixeira Assis2 e Andr Soares Monat2

1

Universidade Federal do Rio de Janeiro (COPPE/UFRJ), Brasil 2 Universidade Estadual do Rio de Janeiro (UERJ), Brasil experincia prvia do mdico em realizar diagnsticos do mesmo tipo, bem como o senso comum e a intuio. Os problemas de deciso em Medicina tm se tornado cada vez mais complexos nos recentes anos, tendo em vista a rpida expanso do conhecimento, o volume de informaes cada vez maiores, dificultando a tarefa do clnico ter em mente todas as alternativas relevantes a serem consideradas. Junte-se a isto, o fato da incapacidade humana de manipular, num senso estatstico, grandes quantidades de dados e descobrir padres complexos em situaes multivariadas e interdependentes. Alem disso, nas infeces do SNC, como no caso da DM, essencial que o mdico atue rapidamente no sentido de obter um diagnstico especfico e instrua uma terapia apropriada evitando-se assim bito do paciente. A avaliao deve levar em conta tanto a urgncia em se introduzir um tratamento adequado, quanto o risco potencial envolvido. A DM um processo inflamatrio que se d na presena de bactrias, vrus ou fungos localizados nas leptomeninges. considerada, na literatura, como uma das principais doenas infecciosas justamente pelo seu alto grau de morbidade se no forem aplicadas medidas profilticas apropriadas e a tempo [1]. Metodologia O banco de casos foi coletado das Planilhas de Investigao de Casos da Diviso de Vigilncia Epidemiolgica, da Prefeitura Municipal da cidade de Terespolis (RJ - Brasil) compreendendo os anos de 1992 a 1997. Foram detectados 8 tipos de classes diagnsticas, separadas de acordo com as manifestaes apresentadas: hemfilo, vrus, pneumococo, tuberculsica, meningoccica, meningococcemia, meningite meningoccica associada meningococcemia e meningite no especfica. Dos 163 casos encontrados na planilhas de investigao de casos, apenas 100 foram representativos. Destes 100 casos, 65 foram reservados para treinamento e 35 para os testes finais. As entradas foram classificadas em: sinais fsicos, dados laboratoriais e dados clnicos. Estas variveis foram discretizadas (zero: ausente e um: presente) de forma a atenderem as exigncias do

Resumo Nas infeces do Sistema Nervoso Central (SNC), como no caso da Doena Meningoccica (DM), essencial que o mdico atue rapidamente no sentido de obter um diagnstico especfico e instrua uma terapia apropriada. A avaliao inicial deve levar em conta tanto a urgncia em se introduzir um tratamento adequado, quanto o risco potencial envolvido. Este trabalho prope uma da tcnica da Inteligncia Artificial, conhecida como Redes Neurais Artificiais (RNA), para simular o processo de deciso mdica. Foram empregadas duas classe de RNA para modelar o diagnstico diferencial, uma com o aprendizado supervisionado - Rede de GALLANT [3] e outra com aprendizado no supervisionado - Rede de KOHONEN [2]. Os resultados indicaram que a tcnica proposta constitui-se em uma alternativa vivel para a simulao do diagnstico diferencial da DM. Introduo O objetivo deste trabalho modelar o processo de deciso mdica na diagnose da DM, atravs de uma RNA, com propsito de constituir um Sistema de Apoio Deciso (SAD). Os SAD na rea mdica visam basicamente: aumentar a confiabilidade clnica ao evitar polarizao errnea nas concluses; a compreenso sobre a estrutura do conhecimento mdico, identificando inconsistncias e inadequaes nesse conhecimento; extrair com exatido a diagnose clnica atravs de processos sistemticos e completos; integrar dados de diversas fontes. Desta forma possibilitam melhorias no sistema de assistncia mdica ao se utilizar o computador como instrumento intelectual e dedutivo, isto , como um consultor incorporado estrutura do sistema de sade. E com o aumento do conhecimento sobre o processo cognitivo do raciocnio clnico, pode-se melhorar o ensino mdico, desenvolvendo-se tutoriais inteligentes, visando o amadurecimento do clnico inexperiente atravs da prtica mdica, monitorando-se a performance destes estudantes. O processo de deciso mdica depende da anlise de dados e informaes de diversas fontes e de natureza muito diferente, incluindo a

problema, formando um total de 34 variveis (neurnios) no conjunto de entrada. Aplicou-se dois tipos de RNA, o primeiro modelo, foi a Rede de KOHONEN1 [2] que tem aprendizado2 no-supervisionado. Esta rede tem como caracterstica captar similaridades e correlaes nas entradas fornecidas. Sendo assim, os neurnios de sada competem entre si, sendo que o vencedor deve estar ativo como resposta a uma entrada determinada. Cada neurnio se especializa numa rea diferente do espao de entradas e suas sadas podem ser usadas para representar a estrutura do espao de entradas. Neste caso, a situao de diagnstico pode ser descrita onde no se possui de antemo valores para todas as variveis do problema e tampouco todas as variveis so necessrias para se determinar o diagnstico correto para todas as situaes. A rede de KOHONEN [2] foi escolhida, pois, como a relevncia das variveis para contexto (diagnstico) pode ser desconhecida, precisava-se de uma tcnica capaz de agrupar as informaes de forma a representar esses contextos. A configurao da rede conta com 34 neurnios na 3 camada de entrada, 16 neurnios na camada de sada. O segundo modelo, a Rede de GALLANT4 [3] tem aprendizado supervisionado, isto , quando utilizado um agente externo que indica rede a resposta desejada em relao ao padro de entrada fornecido, sendo assim, foi necessrio elaborar um conjunto de sada esperado composto por 8 neurnios, referentes s 8 classes diagnsticas.

camada de entrada formada somente pelos dados clnicos, que iro gerar uma lista de hipteses intermedirias. As hipteses intermedirias associadas aos resultados laboratoriais formaro a camada intermediria que serviro de input para a camada de sada (Figura 1). Assim, a rede conta com 34 neurnios na camada de entrada, uma camada escondida, uma camada de sada com 8 neurnios. Resultados Na simulao com o aprendizado no supervisionado, a de KOHONEN [2], os resultados apresentaram-se satisfatrios e de maneira uniforme, com margem de acertos nos diagnsticos em torno de 83%, que considerado alto se comparado com os obtidos pelos clnicos. Neste caso, o aprendizado da rede neural pde ser visualizado na matriz de pesos gerada e foi possvel associar um ou um conjunto de neurnios a uma determinada classe. Isto tende a acontecer quando o conjunto de treinamento contm classes realmente muito bem comportadas, ou seja, classes bem definidas. Analisando o erro cometido na classificao, junto ao banco de casos, verificou-se que no conjunto de entrada no estavam presentes todos os exames laboratoriais que pudessem oferecer um diagnstico preciso de algumas enfermidades. Na diagnose da Meningite viral e tuberculsica, por exemplo, so consideradas muito prximas5, e neste caso necessrio que se faa um exame especfico, o teste sorolgico, onde isola-se o vrus. Entretanto, na maioria dos casos esses exames no estavam presentes nas planilhas de casos, ou quando estavam, foram descartados, pelos mdicos que diagnosticaram a doena por serem considerados como procedimentos falhos ou falso-positivos. Testou-se uma nova configurao de Rede, onde a camada de entrada possua apenas os dados clnicos e histria do paciente, retirando-se os dados laboratoriais, com o intuito de validar a importncia dos dados laboratoriais verificada anteriormente. Com esta configurao, a rede de KOHONEN [2] no convergiu6, o que gerou a hiptese de que os dados laboratoriais so um componente intrnseco do diagnstico.

Figura 1 Arquitetura da Rede GALLANT Para esta rede o simulador utilizado foi o Brain Maker Simulated Biological Intelligence V2.51, California Scientific Software, 1992. A
Foi selecionado o artigo original do autor onde tem-se a descrio das principais caractersticas da rede 2 O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe de problemas 3 O nmero de neurnios na camada de sada corresponde ao dobro do nmero de classes diagnsticas previstas conforme recomenda Kohonen [2] 4 Foi selecionado o artigo original do autor onde tem-se a descrio das principais caractersticas da rede
1

Do ponto de vista matemtico, pode-se dizer que a distncia euclidiana dos neurnios vencedores destas duas classes so prximos, fazendo com que a rede no consiga separar os padres apresentados e assim, no se obtenha um resultado satisfatrio. 6 Diz-se que a rede convergiu quando os neurnios se ajustam com preciso aos detalhes da distribuio das entradas. Ou seja, quando a rede consegue extrair e classificar padres das entradas fornecidas.

Para o segundo caso, com a simulao da Rede de GALLANT [3] na arquitetura proposta (Figura 1) no foi obtido um resultado satisfatrio, ou seja, a rede no foi capaz de representar esse domnio, nem de generalizar e aprender com o ambiente diante de informao incompleta. Ao analisar a matriz de pesos gerada, observou-se que o erro cometido nos diagnsticos deveu-se aos mesmos fatores apontados pela Rede de KOHONEN [2], isto , sem as entradas referentes aos dados laboratoriais, no possvel que a rede fornea resultados satisfatrios. Para comprovao da hiptese observada, constru-se uma nova arquitetura da rede de GALLANT [3] contendo uma camada de entrada (dados laboratoriais mais os dados clnicos) e uma camada de sada com 7 neurnios7 e nenhuma camada escondida. Neste caso a margem de acertos foi de 85%, confirmando os resultados obtidos na configurao original da rede de KOHONEN [2]. Concluso Em primeiro lugar, como concluso principal deve-se destacar a incapacidade de separao das classes diagnsticas das Redes de GALLANT [3] e KOHONEN [2] sem a presena dos Dados Laboratoriais na camada de entrada. Para a rede o dado laboratorial um fator que no pode ser descartado. O que vem a contradizer o diagnstico realizado pelos clnicos da Cidade de Terespolis quando se confronta os resultados obtidos pelas redes e pelo clnico. Significa que no caso restrito cidade de Terespolis, os resultados de laboratrio vm somente confirmar um diagnstico previamente elaborado. A falta de qualidade e confiabilidade nestes exames leva-os a lanarem mo do conhecimento emprico, e assim alguns resultados de exames laboratoriais no so includos em determinados diagnsticos. Isto pode ser prejudicial, pois somente com os dados clnicos pode-se apenas gerar uma lista de hipteses muito pequena. Pior, pode-se criar regras de diagnstico conflitante, incapazes de estabelecer um conjunto de regras procedurais uniforme. O que se observa que o diagnstico feito utilizando-se, principalmente, a experincia prvia em fazer diagnsticos do mesmo tipo. O que requer alta percia mdica, pois as limitaes cognitivas do ser humano tornam a experincia recente mais acessvel que a experincia distante. E ainda as prprias limitaes de memria de curto prazo que reduzem o nmero de diferentes

hipteses com que o ser humano pode trabalhar simultaneamente. Deciso Mdica para diagnsticos diferenciais em Pases de Medicina mais avanada, baseada principalmente nos resultados laboratoriais. A forma de trabalho nestas condies no ideais, onde os resultados laboratoriais so to questionveis, tm como conseqncia a dificuldade de se chegar satisfatoriamente ao diagnstico de certos tipos da DM, tornando a situao do paciente mais crtica e assim mais vulnervel ao bito. Ressalta-se que o julgamento e a observao da causa no dirigida aos mdicos em si, mas ao alto ndice de falhas nos resultados laboratoriais apontadas pelos clnicos na Cidade de Terespolis. Tal ndice leva a desconfiana do profissional neste tipo de dado que passa a ser considerado um dado auxiliar. Referncias Bibliogrficas KAPLAN, S., Quadra, J.A.F. (1983), Diagnstico Diferencial em Medicina Interna, So Paulo: Atheneu. KOHONEN, T. (1982), Self-Organized Formation of Topologically Correct Feature Maps, Biological Cybernetics, v. 43, p. 59-69 GALLANT, S.I. (1988), Connectionist Expert Systems, In: Communications of ACM, v. 31, p. 152-169.

Para contornar o problema verificado inicialmente, optou-se por agrupar as classes: viral e tuberculsica por apresentarem resultados similares que poderiam comprometer os resultados.