OpMM - FERRAMENTA PARA EXTRAÇÃO DE CONHECIMENTO UTILIZANDO PRIMITIVAS TEMPORAIS: UM ESTUDO DE CASO EM PACIENTES INTERNADOS EM UTI

  • Karla Haryanna Moura Universidade do Estado do Rio Grande do Norte.
  • Maximilliano Araújo da Silva Lopes
  • Ana Maria Guimarães Guerreiro
  • Cicilia Raquel Maia Leite

Resumo

A quantidade de informações armazenadas em banco de dados está crescendo em uma velocidade maior que a capacidade computacional e humana de interpretar esses dados. Logo, à medida que o uso de sistemas de banco de dados cresce, os usuários exigem funcionalidades adicionais, com a finalidade de facilitar a implementação de aplicações de usuário mais avançadas e mais complexas. A busca por informações contidas em bancos de dados tem acontecido de forma ampla e generalizada e, mais especificamente nos banco de dados médicos, foco deste trabalho, tem sido alvo de muitas pesquisas, como: mineração de dados, segurança, ética e/ou sigilo dos dados, modelo de predição, sistemas de apoio a decisão, utilização de técnicas inteligentes, entre outros. Diante do exposto, o objetivo deste trabalho é o desenvolvimento de uma ferramenta para extração de conhecimento utilizando primitivas temporais, intitulada OpMM (Open Medical Mining), baseado nas etapas do Knowledge Discovery Database (KDD), a fim de subsidiar profissionais da área médica para auxílio ao seu diagnóstico. A ferramenta está baseada em técnicas e algoritmos de mineração de dados, através do algoritmo de árvore de decisão. O OpMM tem como princípio a transformação dos dados em informações, por meio do conhecimento dos especialistas e dos parâmetros de normalidade dos sinais vitais de pacientes. Para validação da ferramenta utilizou-se um estudo de caso em pacientes internados em UTI através do banco dados público Multiparameter Intelligent Monitoring in Intensive Clinical (MIMIC II).

Downloads

Não há dados estatísticos.

Biografia do Autor

Karla Haryanna Moura, Universidade do Estado do Rio Grande do Norte.
Mestrado em Ciência da Computação pela Universidade do Estado do Rio Grande do Norte - Universidade Federal Rural do Semi-Árido. Especialista pela Faculdade de Natal em Gerência de Projetos em Tecnologia da Informação. Graduada em Ciência da Computação pela Universidade do Estado do Rio Grande do Norte. Experiência na área de Ciência da Computação, desenvolvimento de sistemas, com ênfase em Sistemas de Informação. Atuando principalmente nos seguintes temas: Banco de Dados, Mineração de Dados, Inteligência Artificial. Atualmente Coordenadora de Tecnologia da Informação no Centro de Oncologia e Hematologia de Mossoró e Gerente de Projetos na implantação do Sistema de Gestão Hospitalar, com experiência em saúde hospitalar. Professora Universitária de Sistemas de Informação na Faculdade de Ciências e Tecnologia Mater Christi.
Maximilliano Araújo da Silva Lopes
Mestrado em Ciência da Computação pela Universidade do Estado do Rio Grande do Norte - Universidade Federal Rural do Semi-Árido. Possui graduação em Ciência da Computação pela Universidade Federal do Rio Grande do Norte (1998) e mestrado em Ciência da Computação - Uern - Ufersa pela Universidade do Estado do Rio Grande do Norte (2011). Atualmente é professor da Universidade do Estado do Rio Grande do Norte. Tem experiência na área de Ciência da Computação, atuando principalmente nos seguintes temas: engenharia de software e Controle de Concorrência em Banco de Dados.
Ana Maria Guimarães Guerreiro
Possui graduação em Engenharia Eletrica pela Universidade Federal do Rio Grande do Norte (1997), mestrado em Engenharia Elétrica pela Universidade Federal do Rio Grande do Norte (1999) e doutorado em Engenharia Elétrica pela University Of Colorado at Colorado Springs (2004). Atualmente é professor adjunto III da Universidade Federal do Rio Grande do Norte. Tem experiência e formação básica em Engenharia Elétrica, atualmente com atuação e interesse nas seguintes áreas: Processamento de Sinais Biológicos, Redes Neurais Artificiais, Criptografia e Sistemas de Identificação por Rádio Frequência (RFId) e Processamento Inteligente da Informação aplicado na área Biomédica.
Cicilia Raquel Maia Leite
Pós-doutorado no Massachusetts Institute of Technology (MIT) no Laboratory of Computational Physiology, Harvard-MIT Division of Health Science and Technology. Doutorado em Engenharia Elétrica e de Computação pela Universidade Federal do Rio Grande do Norte (2011). Mestrado em Engenharia Elétrica pela Universidade Federal de Campina Grande (2005). Graduação em Ciência da Computação pela Universidade do Estado do Rio Grande do Norte - UERN (2003). Desde de 2006 - Professora da UERN, Adjunto IV, no Departamento de Informática. Professora Permanente do Programa de Pós-Graduação em Ciência da Computação -Associação Ampla UERN/UFERSA. Tem experiência na área de Ciência da Computação, com ênfase em Engenharia de Software, Interação Homem-Máquina, Informática Médica e Tecnologias Assistivas. Representante Institucional da Sociedade Brasileira de Computação (SBC). É líder do grupo de pesquisa em Engenharia de Software. Membro Associada da IEEE Engineering e IEEE Engineering in Medicine & Biology Society.

Referências

Boaz, D., Shahar, Y. A framework for distributed mediation of temporal-abstraction queries to clinical databases. Journal - Artificial Intelligence in Medicine. ISSN 0933-3657, 2005.

Carvalho, J. S. Verificação Automatizada de Sistemas de Tempo Real Críticos. Dissertação de Mestrado. Universidade da Beira Interior, 2009.

Eckel, B. Thinking in Java. 3rd. ed. 2002. Available in web, http://www.bruceeckel.com. Acesso em 02 maio, 2013.

Eclipse. [Available online at: http://www.eclipse.org/downloads]. Acesso em 20 out 2012.

Elmasri, R.; Navathe, S. B. Sistemas de Banco de Dados. 6º. ed. São Paulo: Pearson Addison Wesley, 2011.

Fayyad, U. M., Piatesky-Shapiro,G.; Smyth, P. e Uthurusamy, R., From Data Mining to Knowledge Discovery in Database. Cambridge, American Association for Artificial Intelligence/MIT Press, 1996.

Fernandes, Y. Y. M. P. Técnica de Controle de Concorrência Semântico para Sistemas de Gerenciamento de Banco de Dados em Tempo-Real. Dissertação de Mestrado, UFCG. Campina Grande, 2005.

Galvão, N. D.; Marin, H. de F. Técnica de Mineração de Dados: uma revisão da literatura. Actapaul. enferm., São Paulo, v. 22, n. 5, Oct. 2009. http://www.scielo.br/scielo.php?script=sci_arttext&pid=S010321002009000500014&lng=en&nrm=iso>. Acesso em 12 Jan. 2012.

Java. [Available online at: http://www.java.com/pt_BR/download/faq/whatis_java.xml]. Acesso em 20 dez. 2012.

Leite, C.R.M., “Linguagem de Consulta para aplicações em Tempo-Real.” Dissertação de Mestrado, Campina Grande, PB, 2005.

Malucelli, Andreia et al . Classificação de microáreas de risco com uso de Mineração de Dados. Rev. Saúde Pública, São Paulo, v.44, n.2, Apr. 2010. Disponível em:<http://www.scielosp.org/scielo.php?script=sci_arttext&pid=S0034-89102010000200009&lng=en&nrm=iso>. Acesso em 16 jan 2012.

Minnie, D; Srinivasan S., "Application of Knowledge Discovery in Database to Blood Cell Counter Data to Improve Quality Control in Clinical Pathology,", 2011 Sixth International Conference on Bio-Inspired Computing: Theories and Applications, pp.338-342, 2011.

Moura, K.H. S. OpMM – Ferramenta para extração de conhecimento utilizando primitivas temporais: Um estudo de caso em pacientes internados em UTI. Dissertação de Mestrado, Mossoró, RN, 2013.

Neto, P. R. et al. Uma aplicação de bancos de dados em tempo-real para redes de sensores. VI Workshop de Tempo Real(WTR) - SBRC, p. 45_52, 2004.

Oliveira, S. P.; Garcia, A. C. P. Variáveis e indicadores para análise de recursos humanos em saúde no Brasil – Rio de Janeiro: ENSP/FIOCRUZ. 2006.

PhysioNet/MIMIC II - Multi-parameter Intelligent Monitoring for Intensive Care (MIMIC II) Database [Available online at:http://www.physionet.org/physiobank/database/mimic2db/] Acesso em 12 dez. 2011.

PostgreSQL. [Available online at: http://www.postgresql.org.br/downloads]. Acesso em 20 dez 2012.

Tsumoto, S.; Yokoyama, S.; Matsuoka, K., "Mining Risk Information in Hospital Information Systems as Risk Mining," Complex Medical Engineering, 2007. CME 2007. IEEE/ICME International Conference on , vol., no., pp.1917,1921, 23-27 May 2007 doi: 10.1109/ICCME.2007.4382082.

Witten, I. H. & Frank, E. Data Mining: Practical Machine Learning Tools and Techniques, second edition, Elsevier: San Francisco, ISBN 0-12-088407-0, 2005.

Publicado
04-04-2014
Como Citar
Moura, K. H., Lopes, M. A. da S., Guerreiro, A. M. G., & Leite, C. R. M. (2014). OpMM - FERRAMENTA PARA EXTRAÇÃO DE CONHECIMENTO UTILIZANDO PRIMITIVAS TEMPORAIS: UM ESTUDO DE CASO EM PACIENTES INTERNADOS EM UTI. Revista Brasileira De Inovação Tecnológica Em Saúde - ISSN:2236-1103, 4(1). https://doi.org/10.18816/r-bits.v4i1.5025
Seção
Artigos Premiados