sistemas de informação em medicina stefan schulz grupo de informática médica universidade de...
TRANSCRIPT
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
Slides: http://morphine.medinf.uni-freiburg.de/~schulz/temp/si.ppt