sistemas de informação em medicina stefan schulz grupo de informática médica universidade de...

Sistemas de Informação

em Medicina

Stefan Schulz

Grupo de Informática Médica

Universidade de Freiburg (Alemanha)

Recife 31 / 10 / 07

Introdução Texto Estrutura Codificação Text Mining Conclusão

Informática

em Saúde

Introdução Texto Estrutura Codificação Text Mining Conclusão

Cenários típicos de sistemas de informação

Introdução Texto Estrutura Codificação Text Mining Conclusão

"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

Pesquisa de documentos no prontuário eletrônico

Cenários típicos de métodos de informação

Introdução Texto Estrutura Codificação Text Mining Conclusão

"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

Controle de gestão em Saúde

Pesquisa de documentos no prontuário

Cenários típicos de métodos de informação

Introdução Texto Estrutura Codificação Text Mining Conclusão

"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

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

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

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

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

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

Introdução Texto Estrutura Codificação Text Mining Conclusão

Informação Não-Estruturada

Informação Estruturada

Introdução Texto Estrutura Codificação Text Mining Conclusão

Linguagem Natural (Texto)

Introdução Texto Estrutura Codificação Text Mining Conclusão

Introdução Texto Estrutura Codificação Text Mining Conclusão

Introdução Texto Estrutura Codificação Text Mining Conclusão

Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

e.g. Hospital Universitário Freiburg (p.a.)

280.000 Sumários de Alta 140.000 Laudos de imagem

55.000 Laudos anatomopatológicos 40.000 Laudos de imagens

70.000 Outros textos

600.000 documentos textuais por ano.

Linguagem Natural (Texto)

Introdução Texto Estrutura Codificação Text Mining Conclusão

Informação Estruturada

Introdução Texto Estrutura Codificação Text Mining Conclusão

…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

…requer sistemas terminológicos

CID MeSH /DeCS UMLS LOINC SNOMED CT etc., etc.

Informação Estruturada

Introdução Texto Estrutura Codificação Text Mining Conclusão

CID (Classificação Internacional de Doenças

Introdução Texto Estrutura Codificação Text Mining Conclusão

MeSH / DESC (Descritores em Ciências da Saúde)

Introdução Texto Estrutura Codificação Text Mining Conclusão

Informação Estruturada

Linguagem Natural (Texto)

Introdução Texto Estrutura Codificação Text Mining Conclusão

- +

+ -

Linguagem Natural (Texto)

Informação Estruturada

QualidadeCusto

Introdução Texto Estrutura Codificação Text Mining Conclusão

Produção de Informação

Análise de Informação

-+

+- Qualidade

Custo

Linguagem Natural (Texto)

Informação Estruturada

Introdução Texto Estrutura Codificação Text Mining Conclusão

Informação Estruturada levantada rotineiramente:

insuficiente !- escopo - granularidade- qualidade

Problema de análise de Informação estruturada

Introdução Texto Estrutura Codificação Text Mining Conclusão

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

Introdução Texto Estrutura Codificação Text Mining Conclusão

aprimorar os processos e recursos de codificação

Extrair códigos de textos livres

Dois caminhos…

Introdução Texto Estrutura Codificação Text Mining Conclusão

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

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

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 350 000 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

SNOMED CT

Hierarquias:

Introdução Texto Estrutura Codificação Text Mining Conclusão

SNOMED CT: Definições

Introdução Texto Estrutura Codificação Text Mining Conclusão

http://www.ihtsdo.org/

Introdução Texto Estrutura Codificação Text Mining Conclusão

aprimorar os processos e recursos de codificação

Extrair códigos de textos livres

Dois caminhos…

Informação Estruturada

Linguagem Natural (Texto)

Introdução Texto Estrutura Codificação Text Mining Conclusão

aaaa

ce

sq

wr h

k

ce

sq

wr i

oc

es

e

er h

h

ce

eq

gtr i

jde

swr h

Hsd

eo

ro

ee

rh

w sdoo

es

or h

he

wro

ee

rh

w p

aa

a abaa

Jw g h aDbf fasgba

ac esq

wr h

kc

esq

w

r ioce

se

er h

hc

eeq

gtsd

rjd

esw r h

Hsd

eo

roe e

rhw

sdooe

so

r hhe

Wdd h W

Wf r

o

ee

rh

w paAg jj k fg a aba

aasd

Dbf fasgjjf

bdfjggbnm

aeeeqseogghhfw

Informação Estruturada

Linguagem Natural (Texto)

Introdução Texto Estrutura Codificação Text Mining Conclusão

Text mining

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

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

Dataadmissão

Data alta

Medicação

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.

www.morphosaurus.net

Text Mining: Alguns desafios

AmbigüidadeECG = EletrocardiogramaECG = 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

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

Exemplo: Text Mining em Google News

Introdução Texto Estrutura Codificação Text Mining Conclusão

http://biocaster.nii.ac.jp

Introdução Texto Estrutura Codificação Text Mining Conclusão

Text mining

Síntese

Codificação

Qualidade

Datenqualität

2007

2010

20??

Introdução Texto Estrutura Codificação Text Mining Conclusão

Prognóstico…

Volume de dados

motivação alta

motivação média

motivação baixa

Padrão Ouro

Introdução Texto Estrutura Codificação Text Mining Conclusão

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.

Contato:Stefan Schulz

stschulz@uni-freiburg.de

Slides: http://morphine.medinf.uni-freiburg.de/~schulz/temp/si.ppt