Download INTCare - Sistema de Apoio à Decisão Inteligente para a Medicina

1
Sistema de Apoio à
Decisão Inteligente para a
Medicina Intensiva
Filipe Portela
(Centro Algoritmi – Business Intelligence Group)
1
PTDC/EIA/72819/2006
Introdução
 As Unidades de Cuidados Intensivos (UCI) caracterizam-se por serem
ambientes críticos e específicos onde diariamente é produzida e recolhida
uma grande quantidade de dados relacionados com o estado do doente;
 Devido à situação complexa dos doentes críticos e da enorme
quantidade de dados, pode ser difícil para os médicos decidir sobre qual
o melhor tratamento a aplicar ao doente.
 O factor humano provoca erros no processo de tomada de decisão, uma
vez
que,
normalmente,
não
há
tempo
suficiente
para
analisar
correctamente a situação clinica do doente e, além disso, não é possível
analisar e monitorizar os dados de forma contínua e em tempo real.
Motivação
 O principal objectivo em Unidades de Cuidados Intensivos (UCI) é evitar
ou reverter a falência de órgãos;
 UCI é complexa e, por vezes, é difícil para os médicos decidir acerca do
procedimento mais correcto para prestar o melhor serviço aos doentes;
 Diariamente, é gerado um grande volume de dados relativamente à
condição clínica dos doentes e às Bases de Dados (BD).
 Estes
dados
podem
conter
informação
importante,
até
então
desconhecida, acerca do prognóstico;
 Na era da Informação, as UCI são um meio particularmente interessante
para a Descoberta de Conhecimento em Bases de Dados (DCBD).
Objectivos Investigação
 Utilização de técnicas de Data Mining (DM) para descoberta de padrões
e sua integração num Sistema de Apoio à Decisão Inteligente (SADI)
para previsão horária, e em tempo real, da disfunção/falência de órgãos
e outcome;
 Melhoramento dos cuidados de saúde através de um sistema que auxilia
os médicos e os dota de ferramentas que lhes permitam ter uma atitude
pró-activa no melhor interesse do doente;
Sistema INTCare
Modelos de Previsão para a hora seguinte:
 Falência dos seis sistemas orgânicos:
 Cardiovascular;
 Respiratório;
 Renal;
 Hepático;
 Hematológico;
 Neurológico.
 Outcome:
 Estado do doente à altura da alta hospitalar
Sistema INTCare
 Modelos Antigos:
 Aprendizagem em Modo Offline;
 Previsão Diária;
 Dados de 42 UCIs.
 Modelos Novos (INTCare):
 Aprendizagem em Modo Online;
 Previsão Horária e em Tempo Real;
 SCI do CHP – Hospital Santo António
Sistema INTCare
Aprendizagem
Online / Automática
Ubiquidade
Interoperabilidade
Tempo Real
SADI
Adaptabilidade
Modelos de
Agentes
Inteligentes
Previsão e Decisão
Optimização
Sistema INTCare
Sistema INTCare
Sistema INTCare
Bed Side Monitores
Medical Staff
HL7_HDR
Vital
Signs
Aquisition
Agent
HL7 Message
Real Time Acquisition (HL7)
(M1)
HL7_MSG
Gateway
Database Server
GET Data
(M3)
Register
SEND Data
(M4)
Querying
REQUEST Data (M2)
Real Time
UCI_PATIENT_ENR
Real Time
Consult
ENR
Real Time
SEND Data (M5)
ENR
Agent
AIDA
SEND Data (M7)
Validate
Medical Staff
SEND Patient Information
(M5)
SEND Data
(M6)
Pre
Processing
Agent
UCI_PATIENT_LR
GET CA Results
SEND CA Results
LAB
Results
Agent
Lab Results
Acting
INTCare
System
Decision Support
View
Sistema INTCare
Fontes de dados
distribuídas e heterogéneas
 Monitores de Sinais Vitais;
 Circuito do Medicamento;
 Resultados Laboratoriais;
 Folha de Enfermagem
Electrónica;
 Processo Clínico Electrónico
Folha Enfermagem Electrónica
Data Mining Clínico
Qualidade dos
Tratamentos
Apoio à
Decisão
Clínica
Previsão do
Outcome
Informação
Clínica dos
Doentes
DM - Variáveis
 Case Mix:
 Idade;
 Tipo de Admissão;
 Origem de Admissão.
 Eventos Críticos:
 Pressão Sanguínea;
 Saturação de Oxigénio;
 Frequência Cardíaca;
 Débito Urinário.
 Eventos Críticos Acumulados (ECA);
 Rácios;
 SOFA de cada sistema orgânico.
DM - Modelos
Redes Neuronais Artificiais
SOFA (Respiratório)
SOFA (Cardiovascular)
M1 = Case Mix + Hora + ECA
Árvores de Decisão
SOFA (Renal)
M2 = M1 + Rácios
Regressão (logísticas)
SOFA (Hematológico)
M3 = M2 + SOFA
SOFA (Hepático)
Métodos Ensemble.
(RNA, AD, Reg.)
Outcome
Vars Objectivo
Vars Entrada
6
3
4
72 modelos
Técnicas
DM - Resultados
Resultados da aplicação de algoritmos de DM (Redes Neuronais
Artificiais) para previsão de falência de órgãos e outcome.
M1 = Case Mix + Hora + ECA
M2 = M1 + Rácios
M3 = M2 + SOFA
Sistema
Cenário
Sensibilidade
Cardiovascular
M3
93.4%
Respiratório
M2
96.2%
Renal
M3
98.1%
Hematológico
M2
97.5%
Hepático
M3
98.3%
Outcome
M1
98.3%
Conclusão
 O INTCare evoluiu e actualmente utiliza, para a criação de modelos de
previsão e decisão, os dados clínicos obtidos online e em tempo real.
 O sistema INTCare está a ser desenvolvido para uma previsão horária da
condição clínica dos doentes, ou seja, a previsão da disfunção / falência
dos sistemas orgânicos (cardiovascular, respiratório, renal, hepática e
sistemas) e do outcome.
 O desenvolvimento da FEE permite a obtenção de novos dados clínicos
em formato electrónico bem como a integração de todas as aplicações
que têm dados fundamentais para a criação de modelos de previsão.
 Permite que os médicos tenham uma atitude pró-activa em relação aos
cuidados dos doentes.
Trabalho Futuro
 Suporte a actividades no âmbito dos cuidados intensivos “any time, any
place”
 Reformulação dos modelos com as novas informações obtidas dos
ajustes do sistema, i.e., dados obtidos online e em tempo real.
 Continuação da integração com as várias fontes de dados e com os
sistemas de informação existentes no hospital.
 Desenvolvimento, implementação e teste do SADI em ambiente real –
UCI do Hospital Geral de Santo António, Porto.
 Análise do impacto dos modelos relativamente ao processo de decisão.
Equipa de Investigação

Manuel Filipe Santos (Investigador Principal), Departamento de Sistemas de Informação,
Universidade do Minho.

Paulo Cortez, Departamento de Sistemas de Informação, Universidade do Minho.

Pedro Gago, Instituto Politécnico de Leiria.

Marta Vilas Boas, Departamento de Sistemas de Informação, Universidade do Minho.

Filipe Portela, Departamento de Sistemas de Informação, Universidade do Minho.

Álvaro Silva, Unidade de Cuidados Intensivos, Hospital Geral de Santo António EPE.

Lopes Gomes, Médico Clínico, Instituto de Ciências Biomédicas Abel Salazar.

José Maia Neves, Departamento de Informática, Universidade do Minho.

José Machado, Departamento de Informática, Universidade do Minho.

António Abelha, Departamento de Informática, Universidade do Minho.
Principais Publicações

Santos, M. F., P. Cortez, P. Gago, Á. Silva & F. Rua. (2006). Intelligent decision support in
Intensive Care Medicine. In 2nd International Conference on Knowledge Engineering and
Decision Support, 401-405. Lisbon, Portugal.

Gago, P., M. F. Santos, Á. Silva, P. Cortez, J. Neves & L. Gomes (2006) INTCare: a
knowledge discovery based intelligent decision support system for intensive care medicine.
Journal of Decision Systems.

Gago, P., A. Silva & M. F. Santos. (2007). Adaptive decision support for intensive care. In
13th Portuguese Conference on Artificial Intelligence, ed. J. S. M. F. M. J. M. Neves, 415425. Guimaraes, PORTUGAL: Springer-Verlag Berlin.

Gago, P. & M. F. Santos. (2008). Towards an Intelligent Decision Support System for
Intensive Care Units. In 18th European Conference on Artificial Intelligence. Greece.

Santos, M.F., Portela, F., Vilas-Boas, M., Machado, J., Abelha, A., Neves, J., Silva, A., Rua,
F. (2009): Information Modeling for Real-Time Decision Support in Intensive Medicine. In:
Chen, S.Y., Li, Q. (eds.) Proceedings of the 8th International Conference on Applied
Computer and Applied Computational Science , pp. 360-365. Athens

Santos, M.F., Portela, F., Vilas-Boas, M., Machado, J., Abelha, A., Neves, J. (2009):
Information Architecture for Intelligent Decision Support in Intensive Medicine. 8th
International Conference on APPLIED COMPUTER & APPLIED COMPUTATIONAL
SCIENCE (ACACOS '09) 8, 810-819
Principais Publicações

Santos, M.F., Portela, F., Vilas-Boas, M., Machado, J., Abelha, A., Neves, J., Silva, A., Rua,
F., Salazar, M., Quintas, C., Cabral, A. (2009): Intelligent Decision Support in Intensive Care
Units - Nursing Information Requirements. In: Springer (ed.),

Portela, F., Santos, M., Vilas-Boas, M., Rua, F., Silva, Á., Neves, J. (2010) : Real-time
Intelligent decision support in intensive medicine. KMIS 2010- International Conference on
Knowledge Management and Information Sharing, pp. 7, Valência, Espanha

Vilas-Boas, M., Santos, M.F. , Portela, F., Silva, Á., Rua, F. (2010): Hourly prediction of
organ failure and outcome in intensive care based on data mining techniques. In: Springer
(ed.) 12th International Conference on Enterprise Information Systems, pp. 9, Funchal,
Madeira, Portugal

Portela, F., Vilas-Boas, M., Santos, M.F., Fernando, R. (2010): Improvements in data quality
for decision support in Intensive Care. Electronic Healthcare for the 21st century, pp. 8,
accepted for publication, Casablanca, Morroco

Villas Boas, M., Gago, P., Portela, F., Rua, F., Silva, Á., Santos, M.F. (2010): Distributed and
real time Data Mining in the Intensive Care Unit. 19th European Conference on Artificial
Intelligence - ECAI 2010, pp. 5, Lisbon, Portugal

Santos, M. F., Portela, F., Vilas-Boas, M., Machado, J., Abelha, A., Neves, J. (2011).
INTCARE - Multi-agent approach for real-time Intelligent Decision Support in Intensive
Medicine. Paper accepted to the 3rd International Conference on Agents and Artificial
Intelligence (ICAART).
Obrigado!