ANÁLISE DE SINAIS FISIOLÓGICOS UTILIZANDO MÉTODOS DE INTELIGÊNCIA ARTIFICIAL PARA DETERMINAR PRÉ-DIAGNÓSTICOS

Resumo

Este trabalho propõe o desenvolvimento de um sistema para auxílio de profissionais de saúde, em relação ao monitoramento de pacientes que devem permanecer em regime de observação por determinado período. Este monitoramento é feito através da leitura de sinais fisiológicos, como por exemplo, temperatura corporal, frequência cardíaca, frequência respiratória, pressão arterial e saturação do oxigênio, capturadas por dispositivos vestíveis. Tais dados permitem determinar qual o pré-diagnóstico atual no momento em que as medições são realizadas, assim como determinar qual a provável evolução deste diagnóstico. Para chegar a este diagnóstico atual (curto prazo) será aplicada uma metodologia que envolve aprendizado de máquina, juntamente com algoritmo Naive Bayes. Com este diagnóstico, será realizada uma segunda etapa, que consiste na metodologia de associação, propondo o algoritmo Generalized Sequential Pattern, no qual analisará as últimas medições (longo prazo) que possuem diagnósticos determinados, para então prever em porcentagem qual a probabilidade deste diagnóstico estar correto (para evitar erros devido à má leitura). Por fim, será determinada a evolução do quadro deste paciente caso se mantenha as mesmas frequências de medições/leituras. Para este pré-diagnóstico optou-se por dividir em três etapas. A primeira determina uma metodologia para tempo de leitura de sinais, ou seja, a partir de cinco sinais diferentes é necessário acompanhar o tempo médio de medição para cada sinal, de forma separada a fim de economizar energia sem perder dados. Desta forma, é proposto um estudo de caso denominado Score, sendo que esta metodologia envolve um cálculo simples no formato em que, quanto maior o valor (score) maior será a frequência de medições para cada sinal. Em contrapartida, quanto menor o valor obtido menor é a necessidade de acompanhar em curto prazo este sinal. A segunda etapa consiste em análise de dados, na qual estará utilizando metodologias de treinamento/aprendizado juntamente com algoritmos de inteligência artificial. Este trabalho será abordado e efetuado no contexto do projeto Computação Wearable Aplicada no Monitoramento e Análise de Pacientes em Pós-Consulta, no qual estas metodologias estão sendo testadas para então, posteriormente, serem implementadas junto ao projeto. Com este pressuposto, os dados/sinais utilizados provem de um banco de dados denominado PhysioNet, esta uma comunidade internacional que possui dados de mais de 65 mil pacientes desde recém-nascidos a idosos. A terceira etapa consiste em demonstrar na ferramenta os resultados obtidos, tanto em tempo real (curto prazo), bem como o quadro futuro (longo prazo) de cada paciente. Este resultado será apresentado em formato diferenciado por cores, auxiliando ao médico/especialista na tomada de decisões em relação, por exemplo, à administração de medicamentos, definição de períodos de observação e/ou como a liberação deste cliente.