ads:
UNESP
Faculdade de Engenharia do Campus de Guaratinguetá
Guaratinguetá
2008
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
1
LUCIANO EUSTÁQUIO CHAVES
ESTIMANDO O DESFECHO NO RECÉM-NASCIDO GRAVE ATRAVÉS DA
LÓGICA FUZZY
Dissertação apresentada à Faculdade de
Engenharia do Campus de Guaratinguetá,
Universidade Estadual Paulista, para a
obtenção do título de Mestre em
Engenharia Mecânica na área de
Engenharia Semiológica.
Orientador: Prof. Dr. Luiz Fernando Costa
Nascimento
Guaratinguetá
2008
ads:
2
C512e
Chaves, Luciano Eustáquio
Estimando o desfecho no recém-nascido grave através da lógica
fuzzy. / Luciano Eustáquio Chaves.- Guaratinguetá : [s.n.], 2008
64f.:
Bibliografia: f. 54-61
Dissertação (mestrado) – Universidade Estadual Paulista, Faculdade
de Engenharia de Guaratinguetá, 2008
Orientador: Prof. Dr. Dr. Luiz Fernando Costa Nascimento
1. Lógica Fuzzy I. Título
CDU 510.6
3
DADOS CURRICULARES
LUCIANO EUSTÁQUIO CHAVES
NASCIMENTO 23.01.1973 – Sete Lagoas / MG
FILIAÇÃO Neide Eustáquio da Silva
Nery Chaves
1996/1999 Universidade Católica de Petrópolis-RJ
Graduado em Fisioterapia
2000/2001
Especialização em Fisioterapia Respiratória,
Irmandade de Misericórdia Santa Casa de São Paulo-SP
2004/2004
2006/2008
Especialização em Fisioterapia Respiratória e Terapia Intensiva,
Sociedade Brasileira de Fisioterapia Respiratória e Terapia
Intensiva-Sobrafir
Curso de Pós-Graduação em Engenharia Semiológica, nível
Mestrado, na Universidade Estadual Paulista – UNESP do
Campus de Guaratinguetá
4
Dedico com muito amor a minha esposa Alline e meu filho
Gabriel; aos meus pais Nery e Neide, irmãos Luciana, Lúcio
Nery e Elen, companheiros de todas as horas.
5
AGRADECIMENTOS
A Deus, pelo dom da vida e pela coragem para a luta, onde sou apenas um
instrumento para que Ele utilize de Sua autoridade para demonstrar seu amor...
Ao Departamento de Engenharia Mecânica da UNESP – FEG, em especial ao
Prof. Dr. Luiz Fernando Costa Nascimento, por suas valiosas orientações e críticas
construtivas.
Aos demais professores, técnicos do laboratório (em especial ao Urbano G.
Oliveira e Walter Luiz Tupinambá) demais funcionários da FEG/UNESP, pois esse
trabalho não é fruto de um só, mas de uma tarefa coletiva, onde de formas diferentes
todos contribuíram de alguma maneira para a obtenção das informações.
À secretária do Departamento de Engenharia Mecânica, Rosiléa Ribeiro de
Matos, pelas informações fornecidas e atenção no seu atendimento.
Aos funcionários da Seção de Pós-Graduação da FEG/UNESP, Regina Célia
Galvão Faria Alves, Elisa Mara de Carvalho Nunes, Maria Cristina Silva de Oliva e
Sidney Eustáquio Ramos Rabelo.
Às funcionárias da biblioteca da FEG/UNESP, em especial a Ana Maria Ramos
Antunes, por sua contribuição no levantamento bibliográfico.
Aos amigos e demais colegas.
Aos meus familiares.
E finalmente, a todos que direta ou indiretamente contribuíram para que esse
trabalho fosse realizado.
6
APOIO FINANCEIRO
Este trabalho contou com o apoio da seguinte entidade:
- Bolsa CAPES.
7
Sonhar o sonho impossível,
Sofrer a angústia implacável,
Pisar onde os bravos não ousam,
Reparar o mal irreparável,
Amar um amor casto à distância,
Enfrentar o inimigo invencível,
Tentar quando as forças se esvaem,
Alcançar a estrela inatingível:
Essa é a minha busca.
Dom Quixote
8
RESUMO
CHAVES, L. E. Estimando o desfecho no recém-nascido grave através da Lógica
Fuzzy. 2008. 64 f. Dissertação (Mestrado em Engenharia Mecânica) – Faculdade de
Engenharia de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2008.
O objetivo deste trabalho foi construir um modelo lingüístico utilizando as
propriedades da lógica fuzzy com 4 variáveis de entrada: peso ao nascer, idade
gestacional, Apgar, fração inspirada de oxigênio e de saída a variável risco de morte.
Foi oferecido uma planilha com dados reais a 4 especialistas para que estes
estimassem a possibilidade de óbito. Os valores fornecidos pelos especialistas foram
correlacionados com os valores fornecidos pelo modelo; o estudo incluiu 100 recém
nascidos e ocorreram 8 óbitos. A possibilidade média de óbito do modelo foi de 49,7%
(dp=29,3%) e para alta a média foi de 24% (dp=17,5%). Estes valores são diferentes
quando comparados pelo teste t Student (t=2,44) mostrando que são diferentes com
significância estatística p< 0,001. A correlação entre os especialistas e o modelo
proposto foi de 80% e a acurácia do modelo foi de 81,9%. Foi notado que o risco de
morte neonatal diminui quando o peso ao nascer, a idade gestacional e o Apgar
aumentam, e a fração de oxigênio diminui. Este modelo preditivo não invasivo e de
baixo custo financeiro pode ser usado em berçários e UTIN, pois é facilmente
utilizado.
PALAVRAS-CHAVE: Modelo lingüístico, lógica fuzzy, recém-nascido, risco de
morte.
9
ABSTRACT
CHAVES, L. E. Estimating outcome in newborns in serious condition using Fuzzy
Logic
. 2008. 64 f. Dissertação (Mestrado em Engenharia Mecânica) – Faculdade de
Engenharia de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2008.
The aim of the present study was to construct a linguistic model using the properties of
fuzzy logic with four input variables (birth weight, gestational age, Apgar and inspired
oxygen fraction) and risk of death as the output variable. A spreadsheet with real data
was given to four specialists to estimate the possibility of death. The values provided
by the specialists were correlated to those provided by the model; the study included
100 and eight deaths occurred. The mean chance of death in the model was 49.7%
(sd=29.3%) and the mean chance of discharge was 24% (sd=17.5%). When compared
using the Student’s t-test (t=2.44), the difference between these values was statistically
significant (p< 0.001). The correlation between the specialists and the proposed model
was 80% and the accuracy of the model was 81.9%. The risk of neonatal death
diminished with an increase in birth weight, gestational age and Apgar as well as a
reduction in oxygen fraction. This non-invasive, low-cost predictive model is easy to
use and may be used in nurseries and NICUs.
KEY WORDS: Linguistic model, fuzzy logic, newborn, risk of death.
10
LISTA DE FIGURAS
FIGURA 1 - Característica da função de um conjunto M e a função de
pertinência do conjunto fuzzy (SCHUH, 2005) ............................ 20
FIGURA 2 - Sistema Fuzzy (TANSCHEIT, 1995) ............................................ 23
FIGURA 3 - SNAP adaptada de Richardson, 1993 ............................................ 31
FIGURA 4 - SNAP PE, adaptada de Richardson 1993 ...................................... 31
FIGURA 5 - CRIB adaptado de The International Neonatal Network, 1993 .... 32
FIGURA 6 - SNAP II e SNAP PE II adaptado de Richardson (2001) .............. 32
FIGURA 7 - Conjunto fuzzy para peso ao nascer (g) (mbp: muito baixo peso, bp:
baixo peso e pn: peso normal) ....................................................... 35
FIGURA 8 - Conjunto fuzzy para idade gestacional (semanas) (mpt: muito
pré-termo, pt: pré-termo e term: termo) ........................................ 36
FIGURA 9 - Conjunto fuzzy para contagem de Apgar (agr: asfixia grave, asfl:
asfixia leve, sem: sem asfixia) ....................................................... 36
FIGURA 10 - Conjunto fuzzy para FiO2 (%) ....................................................... 36
FIGURA 11 - Risco da morte (bx: baixo, médio, ma: médio alto, alto e malto:
muito alto) ..................................................................................... 37
FIGURA 12 - Regras fuzzy ................................................................................... 38
FIGURA 13 - Sistema Fuzzy ............................................................................. 38
FIGURA 14 - Tela capturada do programa MATLAB® versão estudante ....... 42
FIGURA 15 - Tela capturada do programa MATLAB® versão estudante ....... 43
11
LISTA DE GRÁFICOS
GRÁFICO 1 - Função de Pertinência ao conjunto Fuzzy que corresponde aos
pacientes com febre alta (Temperatura axilar por volta de
39 °C ou maior) .......................................................................... 19
GRÁFICO 2 - Correlação entre o risco dos especialistas e o modelo ............... 41
GRÁFICO 3 - Curva ROC ................................................................................ 42
GRÁFICO 4 - Superfície do risco de morte neonatal relativo ao PN x IG ........ 43
GRÁFICO 5 - Superfície do risco de morte neonatal relativo ao PN x Apgar .. 44
GRÁFICO 6 - Superfície de morte neonatal relativo ao PN x FiO2 ................. 44
GRÁFICO 7 - Superfície de risco de morte neonatal relativo a IG x Apgar ..... 45
GRÁFICO 8 - Superfície de risco de morte neonatal relativo a IG x FiO2 ....... 45
GRÁFICO 9 - Superfície do risco de morte relativo ao Apgar x FiO2 ............. 46
GRÁFICO 10 - Análises a) Risco x peso b) Risco x peso ................................. 46
GRÁFICO 11 - Análises a) Risco x IG b) Risco x IG ...................................... 47
12
LISTA DE TABELAS
TABELA 1 - Valores das médias, dp, mínimos e máximos das variáveis:
peso ao nascer, idade gestacional, Apgar, fração inspirada de
oxigênio, segundo tipo de saída alta ou óbito, Taubaté 2008 .... 40
TABELA 2 - Valores médios das variáveis: peso ao nascer, idade gestacional,
Apgar, ração inspirada de oxigênio, segundo tipo de saída alta
ou óbito, Taubaté 2008 ............................................................... 40
13
LISTA DE ABREVIATURAS E SIGLAS
Agr ⎯ Asfixia grave
APACHE ⎯ Acute Physiology And Chronic Health Evaluation
Asfl ⎯ Asfixia leve
bp ⎯ Baixo peso
BPN ⎯ Baixo peso ao nascimento
bx ⎯ Baixo
CRIB ⎯ Clinical Risk for Babies
Dp ⎯ Desvio padrão (dp)
FiO2 ⎯ Fração inspirada de oxigênio
IG ⎯ Idade Gestacional
ma ⎯ Médio alto
malto ⎯ Muito alto
Max ⎯ Máximo
Mbp ⎯ Muito baixo peso
Min ⎯ Mínimo
mpt ⎯ Muito pré-termo
PaCO2 ⎯ Pressão arterial de gás carbônico
PaO2 ⎯ Pressão arterial de oxigênio
pn ⎯ Peso normal
SPSS ⎯ Statiscal Package For the Social Sciences
pt ⎯ Pré-termo
RNPT ⎯ Recém-nascido pré-termo
ROC ⎯ Receive Operator Caracteristic
Sat O
2 ⎯ Saturação de oxigênio
SBP ⎯ Sociedade Brasileira de Pediatria (SBP)
SDRA ⎯ Síndrome do Desconforto Respiratório Agudo
14
SNAP ⎯ Score for Neonatal Acute Physiology – Escore para Fisiologia
Neonatal Aguda
SNAP-PE ⎯ Score for Neonatal Acute Physiology – perinatal Extension –
Escore para Fisiologia Neonatal Aguda – Extensão Perinatal
term ⎯ Termo
UNESP __ Universidade Estadual Paulista
USA ⎯ Estados Unidos da América
UTI ⎯ Unidade de Terapia Intensiva
UTIN ⎯ Unidade de Terapia Intensiva Neonatal
15
LISTA DE SÍMBOLOS
(MR).
⎯ Marca Registrada
°C ⎯ Grau centígrado (Grau Celsius)
g ⎯ Gramas
Kpa ⎯ Kilo-Pascal
mEq/L ⎯ Milequivalente por l Litro
ml/Kg/h ⎯ milímetros por kilogramas por hora
mmHg ⎯ milímetros de mercúrio
pH ⎯ Potencial hidrogeniônico
16
SUMÁRIO
1 INTRODUÇÃO ....................................................................................................... 17
1.1 A LÓGICA FUZZY ................................................................................................. 17
1.1.1 Grau de Pertinência ........................................................................................... 18
1.1.2 Modelos Lingüísticos .......................................................................................... 21
1.1.3 Fuzificação, Inferência Fuzzy e Defuzificação ................................................. 23
1.1.4 Aplicações da Lógica Fuzzy ............................................................................... 24
1.1.4.1 Aplicações da Lógica Fuzzy na Medicina ......................................................... 27
1.2 RISCO DE MORTE NEONATAL ........................................................................ 30
1.2.1 UTI Neonatal ...................................................................................................... 33
1.3 OBJETIVO ............................................................................................................. 34
2 METODOLOGIA ................................................................................................... 35
3 RESULTADOS ....................................................................................................... 40
4 DISCUSSÃO ........................................................................................................... 48
5 CONCLUSÃO ......................................................................................................... 53
REFERÊNCIAS BIBLIOGRÁFICAS ...................................................................... 54
APENDICE A .............................................................................................................. 62
ANEXO A ..................................................................................................................... 63
17
1 INTRODUÇÃO
1.1 A LÓGICA FUZZY
A teoria de lógica fuzzy foi apresentada em 1964 por Lotfi A. Zadeh, professor
no Departamento de Engenharia Elétrica e Ciências da Computação da Universidade
da Califórnia em Berkeley, quando trabalhava com problemas de classificações de
conjuntos que não possuíam fronteiras bem definidas (ZADEH, 1965; KLIR, 1995;
SANDRI, 1999; YEN, 1999; ORTEGA, 2001; MASSAD et al., 2003).
O termo fuzzy significa nebuloso, difuso, impreciso e se refere ao fato de, em
muitos casos, não conhecermos completamente os sistemas que estamos analisando e
também os limites dos conjuntos. Existem inúmeras situações em que a relação de
pertinência não é bem definida e, nestes casos, não sabemos dizer com exatidão se o
elemento pertence ou não a um dado conjunto (ORTEGA, 2001; MASSAD et al.,
2003).
A lógica fuzzy é uma das metodologias atuais de grande sucesso para o
desenvolvimento de sistemas para controlar processos sofisticados (DUBOIS, 1980;
LEE, 1990; DUTTA, 1993; CASTRO, 1995; SANDRI, 1999).
Segundo Karr (1993) com a utilização da lógica fuzzy, requerimentos completos
podem ser implementados em controladores simples, de fácil manutenção e baixo
custo. O uso de sistemas construídos desta maneira, chamados controladores fuzzy, é
especialmente interessante quando o modelo matemático está sujeito a incertezas.
A intenção de Zadeh foi flexibilizar a pertinência de elementos aos conjuntos
criando a idéia de grau de pertinência. Dessa forma, um elemento poderia pertencer
parcialmente a um dado conjunto (ORTEGA, 2001; MASSAD et al., 2003).
18
1.1.1 Grau de Pertinência
A idéia de grau de pertinência da lógica fuzzy nos possibilita agrupar os
elementos de maneira diferente da aplicada na lógica clássica, o que nos permite
reinterpretar antigos conceitos, elaborados segundo esta lógica. Os conceitos de saúde
e doença, por exemplo, são vistos pela comunidade médica como opostos, ou seja, a
doença é a ausência de saúde e vice-versa. Dessa forma, a existência de saúde e
doença em um mesmo indivíduo consiste em uma situação contraditória. No entanto,
na abordagem fuzzy os conceitos de doença e saúde são agora complementares ao
invés de contraditórios. Sendo assim, um novo conceito de doença e saúde pode ser
estabelecido, o que pode provocar transformações em outras construções conceituais
da medicina, como a nosologia, por exemplo, (MASSAD et al., 2003).
O grau de pertinência não deve ser avaliado sob a ótica da teoria da
probabilidade, mas sob a ótica das possibilidades, pois a fuzziness opera com conjuntos
ambíguos, em que a cada elemento associam-se graus de pertinência intermediários,
entre o pertencer completamente (100%) e não pertencer (0%) (LANZILLOTTI e
LANZILLOTTI, 1999).
Como exemplo de Reis (2003), ao considerarmos como “febre alta” a condição
em que a “temperatura axilar está por volta ou superior aos 39,5 °C”, provavelmente
seria unânime a conclusão de que alguém com 36,0 °C não pertenceria ao conjunto dos
pacientes portadores de febre alta. Por outro lado, se um paciente está com 39,0 °C de
temperatura axilar, provavelmente as conclusões não seriam tão iguais, já que é claro a
proximidade desta temperatura à do critério sugerido para febre alta, embora com
menor intensidade do que aquele com 39,5 °C.
Portanto, ao representarmos os diferentes graus de pertinência de um dado
elemento a um conjunto por valores reais variáveis de 0 a 1, sendo a não-pertinência
representada pelo 0 e a pertinência completa por 1, poderíamos então definir
graficamente a situação clínica acima conforme o Gráfico 1.
19
Gráfico 1 – Função de Pertinência ao conjunto Fuzzy que corresponde aos pacientes com febre alta
(Temperatura axilar por volta de 39 °C ou maior)
É importante notar a transição gradual entre a não pertinência (µ=0) e a
pertinência completa (µ=1) como expressão da percepção imprecisa do que se
compreende por “por volta de”, impossível de caracterizar através da teoria clássica
dos conjuntos. Assim sendo, poderíamos afirmar que, três pacientes com temperaturas
axilares de 38,1, 38,9 e 39,9 °C pertenceriam ao conjunto dos pacientes portadores de
febre alta, com graus de pertinência de 0,4, 0,8 e 1,0, respectivamente.
Esta extensão, da função característica da lógica clássica para o intervalo
originou os conjuntos fuzzy e possibilitou, entre outras coisas, a utilização de variáveis
lingüísticas, permitindo a exploração do conhecimento humano no desenvolvimento de
muitos sistemas (MASSAD et al., 2003). Os conjuntos fuzzy e a lógica fuzzy permitem
a modelagem de incertezas relativas ao espaço de hipóteses. Na Figura 1 são
mostradas as diferenças entre a lógica clássica e a lógica fuzzy.
20
Figura 1 - Característica da função de um conjunto M e a função de pertinência do conjunto fuzzy
(SCHUH, 2005).
Quando se raciocina com base na teoria clássica dos conjuntos, o conceito de
pertinência de um elemento a um conjunto fica bem definido. Os elementos de um
conjunto A em um determinado universo X simplesmente pertencem ou não pertencem
àquele conjunto. Isto pode ser expresso pela função característica f
M :
F
M (X)=
O conceito fuzzy é introduzido generalizando-se a função característica de modo
que ela possa assumir um número infinito de valores diferentes no intervalo [0,1].
Assim, um conjunto fuzzy A em X é um conjunto de pares ordenados
A={µ
A(x) /x} x X (1)
onde µ (x) A é a função de pertinência de x em A e é definida como o mapeamento de
X no intervalo fechado [0,1]:
µ
A (x): X→ [0,1] (2)
21
A função de pertinência indica o quanto um elemento pertence a um dado
conjunto.
1.1.2 Modelos Lingüísticos
Nos modelos lingüísticos as equações diferenciais são substituídas por um
conjunto de regras cuja construção abrange predicados vagos. Estes modelos são
estruturados sobre uma base de conhecimentos e seu poder de decisão depende da
elaboração das regras e dos mecanismos de raciocínio fuzzy (ORTEGA, 2001).
Para Feitosa (2006), os fenômenos quantitativos são interpretados pelas variáveis
numéricas e, no entanto, essas variáveis não são adequadas para a modelagem de
fenômenos qualitativos. Desse modo, as variáveis lingüísticas se colocam como a
melhor opção de caracterização de fenômenos complexos ou imprecisos, em que seus
valores, em vez de números, são palavras numa linguagem natural ou artificial
qualquer. As variáveis lingüísticas assumem como valor palavras ou sentenças em
certa linguagem. Como ilustração do conceito, consideremos a palavra “idade”.
Apesar de fazer parte de nosso cotidiano, não temos, em ambientes numéricos, uma
noção clara de seu significado. Por meio de conjuntos fuzzy, podemos atribuir noções
aproximadas de “idade” da seguinte maneira: muito jovem, jovem, meia-idade, velho,
muito velho, entre outros. Nesse ambiente, “idade” é uma variável lingüística e os
termos da variável lingüística idade: muito jovem, jovem, meia-idade... são
interpretados por meio de conjuntos fuzzy. Cada termo determina um conjunto fuzzy
cuja função de pertinência seja apropriada ao termo. Essa característica local e
contextualizada da lógica fuzzy a distancia da tradição lógica, centrada entre outros
objetivos na busca da verdade. No mundo fuzzy, as verdades são sempre locais e
aplicadas.
As chamadas variáveis lingüísticas constituem o “vocabulário” da lógica fuzzy,
trazendo toda a incerteza presente no pensamento e na expressão oral do ser humano,
para sistemas de decisão que priorizam o padrão e respeitam determinada metodologia
22
durante o cálculo computacional envolvido. A idéia relacionada à incerteza contida em
uma determinada variável corresponde exatamente ao grau de possibilidade de que a
informação nela contida seja realmente verdadeira ou não (JANÉ, 2004).
Segundo Lanzillotti e Lanzillotti (1999), a lógica fuzzy permite trabalhar com
ambigüidade, abrindo uma perspectiva alternativa de estrutura que substitui a lei do
meio excludente de Aristóteles pela lógica de Bertrand Russel, onde uma afirmativa
ambígua pode ter valores entre zero e 1. A lógica fuzzy permite na prática, computar
com palavras, convertendo os estímulos em respostas ou medidas em ações de
controle.
Para Araújo (2006), o objetivo da lógica fuzzy é modelar aproximadamente o
modo de raciocínio humano, visando desenvolver sistemas computacionais capazes de
tomar decisões racionais em um ambiente de incerteza e imprecisão. A lógica fuzzy
oferece um mecanismo para manipular informações imprecisas, tais como os conceitos
de muito, pouco, pequeno, alto, bom, quente, frio, etc..
Os modelos lingüísticos representam boa parte dos trabalhos realizados com a
teoria de lógica fuzzy nas mais diversas áreas. O sucesso desses modelos se deve
principalmente a sua ampla aplicabilidade nos controladores fuzzy que são os
responsáveis pelo rápido desenvolvimento da teoria de lógica fuzzy e da sua inserção
na indústria e no aprimoramento de produtos de consumo (ORTEGA, 2001).
Em resumo, sabemos que as variáveis lingüísticas, características de conceitos
vagos ou confusos, assumem as sub-variáveis fuzzy como seus valores e que essas são
interpretadas por conjuntos fuzzy, possibilitando o resgate de algum conhecimento
mesmo em termos aproximados ou vagos.
A lógica fuzzy permite criar sistemas especialistas utilizando variáveis
lingüísticas para criar uma base de regras. Expressões lingüísticas são típicas da
natureza humana de tomar decisões. Pessoas diferentes também podem ter diferentes
acepções para o mesmo conceito lingüístico (BAUCHSPIESS, 2004).
23
1.1.3 Fuzificação, Inferência Fuzzy e Defuzificação
Fuzificação é um mapeamento do domínio dos números reais discretos, em geral,
para o domínio fuzzy. Este processo atribui valores lingüísticos, definidos por funções
de pertinência, as variáveis de entrada (SIMÕES, 1999).
Inferência fuzzy é a etapa na qual as regras são definidas e depois são examinadas
paralelamente, engloba a definição e a análise das regras e também a criação da região
resultante.
Defuzificação é o método utilizado para decodificar as variáveis lingüísticas de
saída inferidas pelas regras fuzzy para valores reais. Esta etapa corresponde a ligação
funcional entre as regiões Fuzzy e o valor esperado. Os principais métodos de
defuzzificação são o Centro-da-Área, o Centro-do-Máximo, a Média-do-Máximo e a
Média-Ponderada (SIMÕES, 1999).
Segundo Tanscheit (1995), um sistema fuzzy pode ser descrito conforme a
Figura 2.
Figura 2 - Sistema Fuzzy (TANSCHEIT, 1995)
Um sistema especialista é um exemplo em larga escala e de amplo sucesso
prático para a inteligência artificial. Um sistema especialista é um sistema
24
computacional que toma, em tese, uma decisão em uma limitada área do conhecimento
da mesma forma que um especialista humano poderia fazer como, por exemplo, a
análise do controle de estoque de um supermercado, ou a identificação de uma
determinada doença de pele, entre outras. Um sistema especialista se baseia em um
conjunto de regras do tipo se... então... Um sistema típico pode possuir milhares de
implicações (FEITOSA, 2006).
Conforme descreveu Bauchspiess (2004), sistemas fuzzy são sistemas baseados
em conhecimento (sistemas especialistas). Um expert humano cria a base de
conhecimento na forma de um banco de regras. Um usuário humano consulta o
sistema especialista apresentado fatos à base de fatos.
A máquina de inferência deduz informações novas ao comparar fatos com as
premissas das regras.
1.1.4 Aplicações da Lógica Fuzzy
Descrito por Ortega (2001), Feitosa (2006) o conceito de subconjuntos fuzzy e
lógica fuzzy enfrentaram (e enfrentam) uma resistência cerrada por parte da
comunidade científica tradicional, em especial dos estatísticos norte-americanos. No
entanto, tais conceitos foram muitos bem aceitos nos países de cultura oriental,
especialmente o Japão, em função das características próprias de sua cultura. Para Yen
(1995) por essa razão, vieram do Japão as primeiras aplicações e desenvolvimentos
tecnológicos propiciados pela lógica fuzzy, os quais estão citados a seguir:
• Primeira década (1965 – 1975): pesquisadores em matemática e engenharia
trabalham arduamente para ampliar os conceitos oriundos dos subconjuntos fuzzy,
estabelecem os fundamentos da introduzem conceitos novos e desenvolvem outras
abordagens da teoria, como as relações fuzzy, as variáveis lingüísticas, os processos de
decisão fuzzy, a medida fuzzy, sistemas topológicos, álgebra com números fuzzy, etc.
25
• Em 1972: nasce o primeiro grupo de trabalho sobre sistemas fuzzy, no Japão,
coordenado por pelo professor Toshiro Terano;
• Em 1974: é apresentado o primeiro controlador fuzzy, por E. Mamdani, no
Reino Unido e amplia se o interesse e aplicabilidade dos sistemas fuzzy, sendo um
capítulo importante para o desenvolvimento desta teoria;
• Em 1976: Circle Cemente e SIRA, empresas dinamarquesas, fazem a primeira
aplicação industrial da lógica fuzzy, utilizado-a no controle da temperatura de fornos.
O sistema de controle incorporava características e experiências dos operários;
• Em 1977: surge o primeiro sistema especialista fuzzy, desenvolvido na
Alemanha por Zimmermmann e, nesse mesmo ano, Didie Dubois desenvolve um
extenso trabalho sobre condições de tráfego utilizando-se da teoria de subconjuntos
fuzzy;
• Em 1985: os pesquisadores do laboratório Bell (USA), Masaki Togai e
Hiroyuke Watanabe, constroem o primeiro chip fuzzy e no mesmo ano no Japão
inaugura uma estação de tratamento de água inteiramente controlada por sistemas
fuzzy;
• Em 1986: desenvolve-se o primeiro sistema especialista fuzzy para o
diagnóstico de doenças;
• Em 1987: é inaugurado no Japão o primeiro trem com sistema de controle
totalmente fuzzy, na cidade de Sendai e também no mesmo ano a empresa Yamaha
desenvolve o helicóptero Yamaha-50, não tripulado e totalmente controlado por
controle fuzzy;
• Em 1988: deu-se início ao primeiro sistema de comércio financeiro fuzzy no
Yamaichi Fuzzy Fund;
• Em 1989: é criado o Laboratório para Pesquisa Internacional em Engenharia
Fuzzy, no Japão;
26
• Em 1990: a tecnologia se torna popular e invade os lares japoneses através da
primeira máquina de lavar roupas fuzzy, da Matsushita Electric Industrial Co.,
marcando o início do desenvolvimento dos produtos de consumo.
Hoje as grandes empresas mundiais de tecnologia, tais como Siemens, General
Motors, SGS-Thomson, Motorola, Hewlett-Packard, Daimler-Benz, dentre outras,
possuem grandes laboratórios de pesquisa em lógica fuzzy.
A partir dos anos 90s, a lógica fuzzy tem tido aplicações em sistemas de decisão,
em sistemas de controle e no delineamento de perfis comportamentais de sistemas
operacionais, sobretudo nas áreas onde é necessário lidar com a imprecisão.
Dentre os trabalhos mais recentes pode ser citados:
• Em 2002: Aplicação da lógica fuzzy de controle e do Raciocínio Baseado em
Casos na indústria de processo contínuo (SELLITTO, 2002).
• Em 2003: Aplicação da lógica fuzzy na determinação da presença de camada
interfundida em chapa de aço com revestimento de níquel (SILVA, 2003).
• Em 2004: Controle Automático de Trens Utilizando Lógica Fuzzy Preditiva
(RACHEL, 2004).
• Em 2006: Desenvolvimento de um modelo fuzzy para determinação do calor
latente (SOUZA, 2006).
• Em 2007: Lógica Fuzzy como técnica de apoio ao Zoneamento Ambiental
(PAULA, 2007), e o Modelo de previsão da evolução do biodiesel no Brasil utilizando
lógica fuzzy (COELHO, 2007).
27
1.1.4.1 Aplicações da Lógica Fuzzy na Medicina
A aplicação dessa teoria na área médica tem demonstrado grande capacidade
para aprimorar e desenvolver tanto equipamentos quanto modelos nas mais diversas
atividades hospitalares e de pesquisa (MASSAD et al., 2003).
Segundo Lanzillotti e Lanzillotti (1999), a adoção da sistemática fuzzy é uma
ferramenta útil para flexibilizar procedimentos em análise sensorial. O destaque para
as possibilidades de um uso mais difundido está na vantagem de aplicá-la a amostras
reduzidas de caráter não aleatório, e mais ajustável às circunstâncias nas quais a
alimentação coletiva opera. A sistemática pode autorizar ou não o lançamento de
novos produtos ou a melhoria de processos produtivos, mostrando através de um
processo decisório a viabilidade da aceitabilidade destes.
Assim, a principal vantagem da sistemática fuzzy é que o avaliador não é forçado
a uma formulação rígida, podendo manifestar sua satisfação com o produto de forma
coloquial, escapando das regras habituais da análise sensorial.
Talvez em nenhum outro campo da biociência a necessidade de estruturas
matemáticas e computacionais, que possibilitem lidar com as imprecisões e incertezas
de forma mais crítica e realista, seja tão evidente quanto na medicina.
O diagnóstico de doenças envolve vários níveis de imprecisão e incerteza. Uma
única doença pode se manifestar de forma totalmente diferente em diferentes
pacientes, e com vários graus de severidade. Além disso, um único sintoma pode ser
indicativo de várias doenças distintas, e a presença de outras doenças em um mesmo
indivíduo pode alterar completamente o padrão sintomático esperado para qualquer
uma delas. Estes efeitos costumam serem geradores de muitas incertezas e imprecisões
afetando as interpretações dos exames e o diagnóstico.
28
Tem-se ainda, que as doenças são geralmente descritas com a utilização de
termos lingüísticos, que são intrinsecamente vagos, e que muitas são as variáveis
qualitativas em medicina, o que apresenta dificuldades na utilização de métodos
quantitativos (MASSAD et al., 2003).
Em medicina a incerteza não se restringe apenas a variações aleatórias. Nessa
área podem-se agrupar as incertezas em duas classes: a variabilidade, originada da
heterogeneidade da população ou de estocasticidade; e a ignorância parcial, que resulta
de erros sistemáticos de medida (imprecisão) ou do desconhecimento de parte do
processo considerado (subjetividade). Portanto, variabilidade e ignorância devem ser
tratados com diferentes e apropriados métodos (MASSAD et al., 2003).
No caso da variabilidade a Teoria de Probabilidades (estatística) é em geral o
método mais indicado, porém, a mesma não consegue, na maioria das vezes, abordar o
problema da ignorância e da subjetividade. Esses últimos podem ser tratados, entre
outros métodos, com a análise bayesiana e com a teoria de lógica fuzzy.
Isto vai ao encontro do pensamento de Ortega (2001), para quem os sistemas
biológicos, médicos e epidêmicos apresentam vários tipos de incertezas inerentes aos
seus processos. Muitas dessas incertezas têm sido tratadas de forma eficiente com
modelos estatísticos e Bayesianos.
Todavia, essas áreas ainda carecem de estruturas matemáticas que possibilitem o
tratamento das incertezas não-estatísticas típicas de alguns desses sistemas. Além
disso, a utilização de termos lingüísticos para expressar quantitativamente as variáveis
é muito comum em algumas dessas áreas.
Os primeiros estudos médicos aplicando lógica fuzzy se deram na década de 80.
Nos últimos anos tem havido um número significativo de pesquisas na área da saúde
com a aplicação da lógica fuzzy, dentre as quais podemos citar:
• Em 1992: Gorzalczany realizou a combinação de redes neurais e lógica fuzzy
como base para sistemas médicos especialistas
.
29
• Em 1998: Helgason realizou um estudo sobre acidente cerebrovascular e
conjuntos fuzzy associados à medicina baseada em evidências (HELGASON, 1999).
• Em 2002: Nascimento e Ortega com o trabalho Modelo Fuzzy para estimação
do risco de morte neonatal (NASCIMENTO; ORTEGA, 2002).
• Em 2004: Reis (2004) com o estudo sobre sistema especialista fuzzy na
predição da ressuscitação neonatal. Pereira (2004) com o estudo sobre os sinais
clínicos da pneumonia nas crianças utilizando associação e predição do diagnóstico
pela teoria de conjuntos fuzzy. Em 2004 Wong utilizou sistemas pré-clínicos para
diagnosticar a Síndrome do Desconforto Respiratório Agudo (SDRA) utilizando lógica
fuzzy.
• Em 2005: Schuh (2005) descreve em seu trabalho os conjuntos fuzzy e suas
aplicações em medicina. Nascimento (2005) com o estudo dos fatores associados ao
comprometimento neurológico do lactente com baixo peso ao nascer, a idade
gestacional e as situações de asfixia neonatal e perinatal.
• Em 2006: Sousa (2006) com a utilização da lógica fuzzy na regressão logística
na decisão para prática de Cintilografia das paratireóides. Em 2006 Zaghetto usou a
lógica fuzzy para codificar imagens de ecocardiogramas; no mesmo ano Ellingson
(2006) realizou análises morfométricas combinando imagens tradicionais da coluna
dorsal humana e lógica fuzzy e Villeger (2006) desenvolveu um método utilizando
imagem de ressonância magnética e lógica fuzzy para estimular áreas cerebrais.
Marques (2006) realizou um estudo com um sistema de inferência fuzzy para
interpretação da freqüência cardíaca fetal em exames Cardiotocográficos; Mattos (s.d.)
utilizou a lógica fuzzy no desenvolvimento de um sistema para controle da assistência
respiratória em neonatos; Lopes (2006) fez um modelo baseado em lógica fuzzy para o
diagnóstico diferencial de enfermagem em alterações na eliminação urinária.
• Em 2007: Castanho (2007) aplicou um sistema neuro-fuzzy para prognóstico
de câncer de próstata. Huang (2007) desenvolveu um sistema de diagnóstico para
imagem através de medicina nuclear e lógica fuzzy
; Younesi (2007) utilizou entropia
30
fuzzy e imagem digitalizada para descobrir massa em mamogramas. Estas pesquisas
deixam clara a importância que a aplicação da lógica fuzzy tem nos dias atuais na área
da saúde.
1.2 RISCO DE MORTE NEONATAL
De acordo com Reis (2003) as definições de risco incluem sempre a
probabilidade ou chance de ocorrência de conseqüências adversas, denotando uma
tendência implicitamente negativa, de perda. Com o advento dos conceitos do
gerenciamento de riscos na década de 1980, o risco passou a ser definido como a
probabilidade de ocorrência de um evento particular durante um período definido ou
como conseqüência de um estímulo particular (ADAMS, 2001).
Esforços também têm sido concentrados na identificação de gravidade de doença
neonatal, com a criação de sistemas para a predição de morbidade e mortalidade
neonatais, também conhecidos como “sistemas de escores de risco neonatal”, tais
como:
• O SNAP (Score for Neonatal Acute Physiology – Escore para Fisiologia
Neonatal Aguda) é baseado em 34 variáveis, conforme Figura 3, avaliadas no pior
momento das primeiras 24 horas após a internação do paciente (RICHARDSON,
1993; ZARDO, 2003). De acordo com Garcia (2001) o SNAP é um escore para recém-
nascidos inspirado no escore APACHE, utilizado em UTI adulto, tendo a vantagem de
considerar e pontuar valores para reserva fisiológica, permitindo assim, ser utilizado
em todos os recém-nascidos, não levando em consideração a idade gestacional e/ou
peso ao nascer.
31
Figura 3 - SNAP adaptada de Richardson, 1993
• O SNAP-PE (Score for Neonatal Acute Physiology – perinatal Extension –
Escore para Fisiologia Neonatal Aguda – Extensão Perinatal), demonstrado na Figura
4, acrescenta ao SNAP o peso de nascimento, a classificação de pequeno para a IG e o
escore de Apgar no 5
o
minuto de vida (RICHARDSON, 1993).
Figura 4 - SNAP PE, adaptada de Richardson 1993
• O CRIB (Clinical Risk for Babies) Richardson (1993); Richardson (2001)
avalia 6 fatores nas primeiras 24 horas de vida, sendo somente apropriado para recém
nascido com menos de 31 semanas de IG e/ou com peso de nascimento de até 1.500g,
32
mostrada na Figura 5 abaixo. Para Garcia (2001), este escore não permite a avaliação
do recém-nascido a termo criticamente enfermo.
Figura 5 - CRIB adaptado de The International Neonatal Network, 1993
• Recentemente, Richarson et al. (2001), desenvolveram e validaram o SNAP II
e o SNAP PE II que podem nos responder o que procuramos através de teste simples
aplicados para diagnóstico neonatal. O SNAP II, conforme visualizado na Figura 6
diminuiu o número de itens a serem avaliados para apenas seis, já o SNAP PE II
(Figura 6), aumentou sua pontuação atribuída às variáveis perinatal, ficando assim,
mais semelhantes às variáveis fisiológicas no final do escore. As avaliações das
variáveis são nas primeiras 12 horas de vida, diminuindo a interferência do tratamento
no escore.
Figura 6 - SNAP II e SNAP PE II adaptado de Richardson (2001)
33
Esses sistemas têm se mostrado especialmente úteis para a correção por
morbidade na comparação de resultados de diferentes unidades neonatais
(RICHARDSON, 1999).
Apesar de estes sistemas serem muito úteis alguns utilizam exames
laboratoriais, tornando-os invasivos, o que acaba tornando-os mais um fator de risco
para os prematuros.
Para a OMS a mortalidade neonatal está definida como a morte que acontece
até 28 dias de vida e é um importante indicador de saúde de população. Este indicador
provê informação sobre bem-estar social e aspectos éticos e políticos de uma
população sob certas condições.
Baixo peso ao nascimento (BPN), recém-nascido pré-termo (RNPT), hipóxia
neonatal, relacionando com o nascimento de criança morta são as causas principais de
mortalidade neonatal.
Há uma classificação para pré-termo, hipóxia neonatal e crianças de baixo peso
ao nascer. Crianças com menos que 2.500g são consideradas baixo peso ao nascer, e
entre elas, aquelas pesando menos que 1.500g são consideradas muito baixo peso ao
nascer (ABRAMS, 1991). Correspondentemente, crianças que nascem antes de ter
completado 37 semanas de gestação são consideradas pré-termo. A vitalidade
neonatal é avaliada pelo escore Apgar abaixo de 7, o escore varia de zero a 10 pontos.
A hipoxemia é a deficiência anormal de oxigênio no sangue arterial e a asfixia é a
interrupção da ventilação que leva a hipoxia com diminuição do pH sangüíneo e
comprometimento neurológico como também de outros órgãos.
1.2.1 UTI Neonatal
A Unidade de Terapia Intensiva Neonatal (UTIN) é o local que concentra os
principais recursos, humanos e materiais, necessários para dar suporte ininterrupto às
funções vitais dos recém nascidos ali internados.
34
Nela há equipes especializadas de médicos, enfermeiros, fonoaudiólogos,
fisioterapeutas, psicólogos, nutricionistas, além de outros profissionais de saúde e
pessoal de apoio, contando com a retaguarda de exames complementares, laboratoriais
e radiológicos, tudo funcionando 24 horas por dia.
Equipamentos modernos como incubadoras de última geração, respiradores
artificiais, monitores cardíacos e de oxigenação, entre muitos outros, são obrigatórios
neste ambiente, de modo a garantir todos os cuidados para o recém nascido.
Quanto mais prematuro e baixo peso for o recém nascido, maior a chance de
ocorrências indesejáveis. Os problemas de saúde mais freqüentes no recém nascido
prematuro são a asfixia perinatal, os distúrbios respiratórios, cardiocirculatórios,
neurológicos, metabólicos, as infecções, dentre outros, relacionados na maioria das
vezes, com o desenvolvimento imaturo do recém nascido.
O risco de óbito desses prematuros pode ser muito elevado, tornando-os um
grupo particular para o estudo de avaliação de desempenho das UTIN.
1.3 OBJETIVO
O objetivo deste trabalho é desenvolver um modelo para avaliar o risco de óbito
em recém nascidos internados em uma UTIN utilizando técnicas de uma abordagem
fuzzy.
35
2 METODOLOGIA
Estudo longitudinal, propondo um modelo computacional usando um modelo
lingüístico fuzzy para avaliar o risco de morte neonatal em UTIN.
Foram incluídos os recém-nascidos admitidos na UTIN de um hospital terciário e
privado da cidade de Taubaté-SP, no período de 01 de janeiro de 2005 a 31 de
dezembro de 2006.
Este modelo é baseado na fuzificação das variáveis: peso ao nascer (PN), idade
gestacional (IG), escore de Apgar no 5° minuto e a fração inspirada de oxigênio
(FiO
2).
Foram incluídos todos os recém-nascidos que tinham, em seus prontuários,
anotados os seguintes dados: peso ao nascer, idade gestacional, escore de Apgar 5’e a
fração inspirada de oxigênio. Foram excluídos aqueles que não apresentavam uma ou
mais variáveis. Estes dados foram obtidos nas primeiras horas após a internação na
UTIN.
O modelo foi desenvolvido com o auxilio de especialista que elaborou 3
conjuntos fuzzy para a variável peso ao nascer (Figura 7): muito baixo peso, baixo
peso e peso normal; 3 conjuntos fuzzy para a variável idade gestacional (IG) (Figura
8): muito pré-termo, pré-termo e termo; 3 conjuntos fuzzy para a contagem Apgar
(Figura 9): baixo, médio e alto; e 2 conjuntos fuzzy para a variável FiO
2 (Figura 10):
baixa e alta. A saída é o risco de morte com as 5 variáveis (Figura 11): muito alto, alto,
médio alto, médio e baixo.
Figura 7 - Conjunto fuzzy para peso ao nascer (g) (mbp: muito baixo peso, bp: baixo peso e pn: peso
normal)
36
Figura 8 - Conjunto fuzzy para idade gestacional (semanas) (mpt: muito pré-termo, pt: pré-termo e
term: termo)
Figura 9 - Conjunto fuzzy para contagem de Apgar (agr: asfixia grave, asfl: asfixia leve, sem: sem
asfixia)
Figura 10 - Conjunto fuzzy para FiO2 (%)
37
Figura 11 - Risco da morte (bx: baixo, médio, ma: médio alto, alto e malto: muito alto)
Ao se combinarem todas as possíveis entradas, foi possível a construção de 54
regras, destas 14 foram excluídas, restando assim, 40 regras de entrada. As regras
excluídas não apresentarem coerência com as situações clínicas, como por exemplo:
neonato nascido com idade gestacional muito pré-termo, com peso ao nascer normal,
asfixia grave e fração inspirada de oxigênio baixa. Algumas regras são apresentadas na
Figura 12.
O procedimento do modelo lingüístico fuzzy dadas as entradas acima para todos
os recém nascidos, consiste em calcular o grau de pertinência destes valores em todos
os conjuntos fuzzy do peso ao nascer, IG, escore de Apgar e da FiO
2. Em seguida, o
risco da morte neonatal é determinado pela defuzificação dos conjuntos fuzzy das
regras, usando a inferência de Mamdani e a defuzificação da saída fuzzy (Figura 13),
usando o centro de área.
38
Figura 12 - Regras fuzzy
Figura 13 – Sistema Fuzzy
39
Para validar o modelo foram oferecidos 25 casos, situações reais, para 4
especialistas em neonatologia, todos com mais de 10 anos de experiência e titulados
pela Sociedade Brasileira de Pediatria (SBP) para que estimassem o risco de óbito na
UTIN; em seguida foram estimadas as médias entre os 4 especialistas para estes 25
casos. As situações foram analisadas pelo modelo construído. Os valores obtidos em
ambas as situações, modelo e especialistas, foram correlacionados através da
correlação de Pearson, obtendo-se o coeficiente de correlação (r) e a significância
estatística desta correlação.
Os dados das variáveis: peso ao nascer, idade gestacional, Apgar e fração
inspirada de oxigênio foram inseridos em uma planilha Excel e através de uma rotina
do programa MATLAB®, foi importada para o modelo fuzzy fornecendo os riscos de
óbito para cada caso.
A acurácia juntamente com seu intervalo de confiança de 95% foi estimada
utilizando-se a curva ROC fornecida pelo programa SPSS versão estudante
(MR).
O estudo foi aprovado pela Comissão de Ética do hospital para a sua realização
na data de 08 de novembro de 2006, conforme ANEXO A.
Foi utilizada uma ficha (APÊNDICE A) para a coleta dos dados que permitiu
obter as informações contidas no prontuário que seriam relevantes à pesquisa. Essa
ficha continha dados de interesse referente ao número do prontuário, peso ao nascer,
IG, Apgar 5’, FiO
2, Saturação de oxigênio (SatO2) e a variável de saída, alta ou óbito.
40
3 RESULTADOS
O Modelo Fuzzy forneceu o risco de óbito em uma UTIN de um hospital de
atendimento privado.
Durante o período de estudo, 100 RN preencheram os critérios de inclusão. Deste
total, 8 crianças foram a óbito (8%).
A média, desvio padrão (dp), mínimo e máximo das variáveis peso, IG, Apgar,
FiO
2 e risco de morte estão demonstradas na tabela 1 .
Tabela 1 - Valores das médias, dp, mínimos e máximos das variáveis: peso ao nascer, idade
gestacional, Apgar, fração inspirada de oxigênio, segundo tipo de saída alta ou óbito, Taubaté 2008
Média dp Mínimo Máximo
Peso (g) 2158,8 758,7 425,0 4260
IG (semanas) 34,1 3,3 20,0 41,0
Apgar 8,5 1,5 2,0 10,0
FiO
2 (%) 54,9 28,5 21,0 100,0
Risco(%) 26,1 19,7 3,0 89,4
Na tabela 2 são apresentados os valores médios das variáveis peso ao nascer, IG,
Apgar, FiO
2 e do modelo, em relação a alta e óbito e os respectivos valores -p.
Tabela 2 - Valores médios das variáveis: peso ao nascer, idade gestacional, Apgar, fração inspirada de
oxigênio, segundo tipo de saída alta ou óbito, Taubaté 2008
Alta (92) Óbito (8) p*
Peso ao nascer(g) 2233,0 1301,0 0,001
IG(semanas) 34,4 30,0 <0,001
Apgar 8,6 6,4 <0,001
FiO
2(%) 53,4 72,0 0,08
Risco Modelo(%) 24,0 49,7 <0,001
*Obtidas pelo teste t Student
As possibilidades médias para alta foi de 24% (dp=17,5%) e para óbito foi de
49,7% (dp=29,3%).
41
Estes valores são diferentes quando comparados pelo teste t Student (t = 2,44)
mostrou que são diferentes com significância estatística p< 0,001.
Pode-se observar que as variáveis peso ao nascer, idade gestacional e Apgar são
significantemente maiores para alta ao contrário da variável FiO
2.
A correlação entre a média dos valores fornecidos por 4 especialistas de 25 casos
reais desta UTIN e os valores fornecidos pelo modelo estão no Gráfico 2.
Gráfico 2 - Correlação entre o risco dos especialistas e o modelo
Pode ser observada uma boa correlação (r=0,80) entre os valores fornecidos pelo
modelo e os valores médios dos 4 especialistas.
Em relação à correlação entre os riscos fornecidos por cada um dos 4
especialistas e o fornecido pelo modelo proposto os valores do coeficiente de
correlação de Pearson foram a correlação (r) de 0.76, 0.78, 0.80 e 0.76.
42
1 - Especificidade
A curva ROC é mostrada em seguida no Gráfico 3. Foi obtido uma acurácia de
81,9% com intervalo de confiança de 95% entre 63,4% e 100% (p = 0,003). Este
intervalo grande se deve ao fato de terem sido relatados 8 óbitos (8% da amostra) e
explica também o formato da curva ROC em saltos.
Gráfico 3 - Curva ROC
Em algumas situações particulares, como no caso demonstrado na Figura 14,
considerando-se a variável peso ao nascer de 1245g, idade gestacional de 28 semanas,
Apgar de 9 e fração inspirada de oxigênio de 70%; o modelo previu um alto risco de
morte de 60%.
Figura 14 - Tela capturada do programa MATLAB® versão estudante
43
Já com o peso ao nascer de 2750 g, idade gestacional de 31 semanas, Apgar de
5 e a fração inspirada de oxigênio de 50%, o risco foi de apenas 11% , Figura 15.
Figura 15 - Tela capturada do programa MATLAB® versão estudante
O software Matlab também fornece, baseado no modelo fuzzy proposto, os
gráficos de superfície nos 3 eixos, sendo o eixo z representando a variável de saída
risco de morte e os eixos x, y representando as variáveis de entrada: peso ao nascer,
idade gestacional, Apgar e fração inspirada de oxigênio.
O gráfico de superfície do risco de morte neonatal, peso ao nascer e a idade
gestacional é mostrado no Gráfico 4, onde pode ser notado que quanto menor o peso
ao nascer e a idade gestacional, maior é o risco de morte estimado pelo modelo. A
superfície apresenta um comportamento de variação suave, monotônico.
Gráfico 4 - Superfície do risco de morte neonatal relativo ao PN x IG.
44
No Gráfico 5, vê-se a superfície obtida pelas variáveis peso ao nascer, Apgar e
risco de morte onde pode ser notado que quanto menor o peso ao nascer e o Apgar
maior será o risco de morte. O comportamento também é suave.
Gráfico 5 - Superfície do risco de morte neonatal relativo ao PN x Apgar
O Gráfico 6 mostra a superfície entre o risco de morte, peso ao nascer e a FiO
2,
onde pode ser notado que o risco de morte diminui quando o peso ao nascer aumenta e
fração de oxigênio diminui.
Gráfico 6 - Superfície de morte neonatal relativo ao PN x FiO2
45
No Gráfico 7 é demonstrada a superfície do risco de morte neonatal relativo a
idade gestacional e o Apgar, onde pode ser notado que o risco de morte aumenta
quando a idade gestacional e o Apgar diminuem.
Gráfico 7 - Superfície de risco de morte neonatal relativo a IG x Apgar
O gráfico da superfície do risco neonatal relativo a IG e a FiO2 está representado
abaixo, Gráfico 8, onde o risco de morte aumenta quando a idade gestacional é menor
e a fração de oxigênio é maior.
Gráfico 8 - Superfície de risco de morte neonatal relativo a IG x FiO2
46
No Gráfico 9 está demonstrada a superfície do risco de morte neonatal relativo ao
Apgar e a FiO
2, onde quanto menor o Apgar e maior a fração inspirada de oxigênio,
maior fica o risco de morte.
Gráfico 9 - Superfície do risco de morte relativo ao Apgar x FiO2
Os gráficos 10 e 11 com as análises com 2 variáveis, entrada versas saída, são
demonstrados a seguir.
Gráfico 10 – Análises a) Risco x peso b) Risco x peso
No Gráfico 10 (a) pode ser notado que o risco de morte é menor com um maior
peso ao nascer, com valores para IG de 31 semanas, Apgar de 5 e FiO
2 de 50%,
a b
47
enquanto que no gráfico 11 (b) o risco também é menor com um peso ao nascer maior,
a IG é de 31 semanas, Apgar de 9 e FiO
2 de 21%.
Gráfico 11 – Análises a) Risco x IG b) Risco x IG
O Gráfico 11(a) mostra que o risco de morte é menor quando a IG é maior, para
o peso ao nascer de 2550g, Apgar de 5 e FiO
2 de 50%. O risco de morte também fica
menor quando maior IG para o peso ao nascer de 2550g, Apgar de 9 e FiO
2 de 21%,
gráfico 11(b).
a b
48
4 DISCUSSÃO
A interpretação dos índices de mortalidade deve ser feita considerando as
condições clínicas dos recém-nascidos, a qualidade dos cuidados prestados, a
disponibilidade de recursos e as modificações dos enfoques terapêuticos usados no
momento do nascimento e que diferem entre países, cidades, hospitais e UTINs
(WEIRICH, 2005).
Os sistemas de inferência fuzzy são ferramentas muito utilizadas para modelagem
de problemas de Engenharia Biomédica, dada a natureza nebulosa das variáveis
normalmente envolvidas nestes problemas.
Este modelo pode constituir-se num aliado aos médicos pediatras intensivistas ou
nas cidades onde não há um especialista disponível, podendo vir a ser usado no apoio
ao cuidado do recém-nascido.
O modelo como um sistema fuzzy voltado à área da saúde constitui-se num
instrumento que demonstra a aplicabilidade das técnicas da inteligência artificial, neste
caso dos conjuntos fuzzy, que possibilitam uma adequada modelagem do raciocínio
médico com presença de imprecisão.
Nos últimos 20 anos, os médicos que atuam com terapia intensiva têm se
dedicado a desenvolver e validar escores preditivos. Com este procedimento, vários
objetivos podem ser atingidos, sendo o principal a avaliação com precisão mais
acurada do prognóstico de um grupo de pacientes quanto à mortalidade e à morbidade,
(GARCIA, 2001; DRUMOND, 2007).
Escores que foram desenvolvidos especificamente para recém-nascidos de muito
baixo peso e/ou muito baixa idade gestacional, como é o caso do CRIB (Clinical Risk
Index for Babies), (SARQUIS, 2002), estudo com 812 recém-nascidos, não permitem
a avaliação do recém-nascido a termo criticamente enfermo.
A prematuridade, na maioria dos estudos, é relacionada como uma das causas
que contribuem para o baixo-peso ao nascer e Apgar no5°minuto menor que sete.
49
O conceito de prematuridade baseava-se apenas no peso, mas a partir de 1970, a
OMS (Organização Mundial de Saúde) estabeleceu como prematuro todo recém-
nascido vivo que nasce antes da 37ª semana de gestação. Dentre as razões que levam
ao parto prematuro, destacam-se as relacionadas aos fatores maternos, fetais,
placentários (hemorragias e descolamento prematuro da placenta), iatrogênicos e
antecipação do parto (HOUGUE, 2002).
Geralmente, verifica-se que um bebê a termo com asfixia apresenta um risco de
morte de 10% e um comprometimento e disfunção neurológica de 10% a 45%. Mas se
o recém-nascido for pré-termo, os riscos aumentam em cerca de 80% a 95%
(MARAN, 2006).
Os estudos de mortalidade neonatal têm verificado que quanto menor o escore de
Apgar no quinto minuto de vida, menor é também a chance de sobrevivência
(ARAUJO, 2000).
Baixo peso ao nascer e prematuridade são reconhecidos universalmente como os
fatores de risco mais importantes para mortalidade neonatal (ALMEIDA, 2002).
Assim como já era esperado, neste estudo foi encontrada uma associação significativa
para o baixo peso ao nascer, idade gestacional baixa, escore de Apgar menor que 7 e
fração de oxigênio maior que 70%.
A prevalência de baixo peso ao nascer (<2.500g) tem sido associada a condições
socioeconômicas desfavoráveis, atenção pré-natal inadequada, mães adolescentes ou
mães idosas, paridade elevada, intervalo interpartal reduzido, presença de desnutrição
materna e hábito de fumar, entre outras (doenças maternas e fetais), (ARAUJO, 2000).
Para o estudo de Araujo (2000), ter baixo peso ao nascer associa-se a uma
condição socioeconômica desfavorável, o que deixa o neonato mais vulnerável a
condições como prematuridade. Além disso, pode-se observar uma associação entre o
aumento da freqüência de baixo peso ao nascer em mães multíparas, geralmente em
decorrência dos pequenos intervalos interpartais.
50
O importante é ponderar que os fatores acima citados não devem ser
considerados isoladamente, mas sim como fatores que atuam em diversas
determinantes e condicionantes da mortalidade. Também se observou fortes
associações ou apenas possíveis relações já interpretadas por outros autores, mas que
permitem colocar o resultado do modelo final como características que predizem os
riscos de mortalidade neonatal.
O SNAP (Score for Neonatal Acute Physiology – Escore para Fisiologia Neonatal
Aguda) proposto por Richardson et al., em 1993, é um escore para recém-nascidos
inspirado no APACHE.. Esse escore é realizado na admissão, baseado na fisiologia do
recém-nascido, sem considerar os diagnósticos ou tratamentos instituídos. Este estudo
foi uma regressão logística com análise de 1621 recém-nascidos.
O SNAP-PE (Score for Neonatal Acute Physiology - Perinatal Extension - Escore
para Fisiologia Neonatal Aguda – Extensão Perinatal) inclui alguns parâmetros
antropométricos no escore, mas, ao invés de simplificá-lo, o torna ainda mais extenso,
com 29 parâmetros com pontuação de 0 a 168. Recentemente, os mesmos autores do
SNAP propuseram novos escores, o SNAP II e o SNAP PE II, que podem dar a
resposta que se procura através de testes simples e acurados na área de prognóstico
neonatal. Estes novos escores são mais simples pois possuem um número menor de
variáveis.
No ano de 2001, Richardson revalidou o SNAP num estudo com participação de
58 UTIN e 10439 recém-nascidos.
A grande limitação desses escores é o fato de sua realização ser difícil ou
elaborada, ocasionando uma excessiva demanda de tempo. Estes escores utilizam
análises laboratoriais, que são invasivas.
Os estudos dos escores apresentados anteriormente trabalham com regressão
logística, com análises posteriores dos recém-nascidos, obtendo assim grande número
de dados que são extraídos de uma rede de hospitais.
O modelo fuzzy trabalhou com 100 casos a priori.
51
Na literatura existente há poucas referências de estudos sobre este assunto no
contexto da lógica fuzzy.
Neste estudo foi proposto um modelo lingüístico fuzzy para avaliar o risco de
morte neonatal baseado no peso ao nascer, idade gestacional, escore de Apgar no
quinto minuto e a fração inspirada de oxigênio. O modelo é de fácil aplicação e não
invasivo, não levando nenhum risco ao recém-nascido e pouco tempo para ser
aplicado.
O modelo apresentado neste estudo mostrou resultados satisfatórios quando
comparado com os valores médios obtidos pelos especialistas e confirmou sua
capacidade preditiva para a ocorrência de óbito hospitalar, com área sob a curva ROC
de 81,9%.
A vantagem do preditor de risco de morte neonatal é que os valores do modelo
não mudam com o passar do tempo, o mesmo não pode ser dito para as opiniões dos
especialistas e mesmo quando eles foram comparados separadamente. Este modelo
evita as variações na análise das condições dos recém-nascidos por profissionais de
saúde diferentes que poderiam utilizar tratamentos diferentes para um mesmo caso
(ORTEGA, 2001).
A correlação entre o modelo e os especialistas é melhor em situações extremas,
onde existem menos incertezas, como por exemplo nos casos em que o peso ao
nascer, a idade gestacional, o Apgar e a fração de oxigênio estão ótimas ou quando
estas variáveis estão críticas o resultado esperado deixa poucas dúvidas. Por outro
lado, quando as variáveis são intermediárias, os especialistas têm opiniões diferentes o
que pode ser resultado de experiências de cada um ou relacionado aos seus
sentimentos. Estimadores baseados em avaliações subjetivas podem variar a depender
das condições em que se encontram os especialistas no momento de responder os
dados relacionados, por exemplo, se estão sobre estresse, cansaço, intercorrências na
UTIN.
52
Alguns meios para identificar o risco de morte neonatal podem oferecer
informações adicionais para que a equipe médica que cuida destes recém-nascidos
possa entrar em ação e prevenir complicações não desejáveis (NASCIMENTO, 2007).
O modelo apresentado poderia oferecer uma padronização do processo de
classificação.
Este estudo mostra um caminho a ser seguido na área médica, com abordagem
fuzzy, que pode trazer muitos benefícios tanto para os médicos como para os pacientes,
contribuindo-se para um maior aprofundamento do conhecimento no processo de
diagnóstico e tratamento, bem como para controle de processos médico.
Um prognóstico acurado é crítico para os melhoramentos nesta área da
neonatologia, que utiliza e aprimora técnicas de salvar vidas. Utilizar um bom índice
prognóstico permite identificar os componentes da estrutura da unidade relacionados
ao desfecho, assim como poderá, no futuro, ajudar a equipe médica a tomar decisões
éticas e a identificar pacientes e situações clínicas onde o benefício da terapia intensiva
é muito baixo e o custo, muito alto.
O modelo fuzzy é muito simples e de baixo custo financeiro, tornando-o assim,
possível de implantação fácil e barato. Um modelo com uma estrutura simples como
esta pode ser facilmente convertido em um programa computacional, que possa ser
usado até mesmo em computadores portáteis de mão.
53
5 CONCLUSÃO
Foi possível construir o modelo, utilizando-se da lógica fuzzy, com uma boa
acurácia que pela popularização do uso de computadores, pode ser uma ferramenta útil
em berçários e UTIN.
54
REFERÊNCIAS BIBLIOGRÁFICAS
ABRAMS, B.; NEWMAN, V. Small for gestational age birth: maternal predictors and
comparison with risk factors of spontaneous preterm delivery in the same cohort. Am.
J. Obstet Gynecol. n.164,p.785-90. 1991
ADAMS, A.M.; SMITH, A.F. Risk perception and communication: recent
developments and implications for anaesthesia. Anaesthesia, v. 56, n. 8, p.745-55,
2001.
ALMEIDA, M.F; et al. Mortalidade Neonatal no Município de São Paulo: Influência
do peso ao nascer e de fatores sócio-demográficos e assistenciais. Revista Brasileira
de Epidemiologia, v.5, n.1, p.200-206, 2002.
ARAÚJO, A.V. de. Árvores de decisão fuzzy na mineração de imagens do sistema
footscanage. Universidade Federal do Paraná, Curitiba, 2006. Disponível em:
http://dspace.c3sl.ufpr.br/dspace/bitstream/1884/3778/1/dissertacaoAnderson.pdf.
Acesso em: 7 jul. 2007.
ARAUJO, B.F. Mortalidade neonatal precoce no município de Caxias do Sul: um
estudo de coorte. Jornal de Pediatria, v.76, n.3, 2000.
BAUCHSPIESS, A. (2004). Introdução dos Sistemas Inteligentes: Aplicações em
Engenharia de Redes neurais Artificiais, Lógica Fuzzy e Sistemas neuro-Fuzzy.
Universidade de Brasília. Engenharia Elétrica, Minicurso. Disponível em
htpp://www.ene.unb.br/sdolfo/ISI. Acesso em jan. 2008.
CASTANHO, M.J.P. Sistema neuro-fuzzy para prognóstico de câncer de próstata.
Biomatemática, Campinas/SP, v. 17, p. 11-20, 2007. (IMECC), UNICAMP,
CAMPINAS-SP, ISSN: 1679-365X, Impresso.
55
CASTRO, J.L. Fuzzy Logic Controllers are Universal Aproximators. IEEE
Transactions on Systems, Man. And Cybernetics, v.25, n.4, p.629-635, apr.1995.
COELHO, B. F. V.M. Modelo de Previsão da Evolução do Biodiesel no Brasil
Utilizando Lógica. Dissertação (Mestrado) - Faculdade de Economia e Finanças
IBMEC, Rio de Janeiro, 2007.
DUBOIS, D.; PRADE, H. Book Reviews: Fuzzy sets and systems: Theory and
applications. Mathematics in Science and Engineering. v. 14. New: York: Academic
Press. 1980, xvii. 393 p.
DRUMOND, E. F. et al. Óbitos neonatais precoces: análise de causas múltiplas de
morte pelo método Grade of Membership. Cad. Saúde Pública, Rio de Janeiro, v.23,
n.1, p.157-166, jan.2007.
DUTTA, S. Fuzzy logic applications: Technological an strategic issues. IEEE
Transactions on Engineering Management, v. 40, n.3, p.237-254, Ago. 1993.
ELLINGSON, B.M.; ULMER, J.L.; PROST, R.W.; SCHMIT, B.D. Morphology
and Morphometry in Chronic Spinal Cord Injury Assessed Using Diffusion Tensor
Imaging and Fuzzy Logic. Engineering in Medicine and Biology Society, 2006.
EMBS '06. 28th Annual International Conference of the IEEE. p.1885-1888, aug.
2006. New York, NY. ISBN: 1-4244-003303. INSPEC Accession Number: 9230852.
Digital Object Identifier: 10.1109/IEMBS.2006.259379
FEITOSA H.A.; ALMEIDA, E.L.B. Mini-curso sobre os conjuntos Fuzzy.
Universidade Estadual Paulista “Júlio de Mesquita Filho”. Faculdade de Ciências.
Departamento de Matemática. In: II Encontro de Bauru e Região de Educação
Matemática. XVIII Semana da Licenciatura em Matemática. Bauru, 2006.
GARCIA; P.C.R. A chegada dos índices prognósticos na neonatologia. Jornal de
Pediatria. v.77, n.6, 2001.
56
HELGASON C.M., JOBE, T.H. Causal Interactions, Fuzzy Sets and Cerebrovascular
'Accident': The Limits of Evidence-Based Medicine and the Advent of Complexity-
Based Medicine. Neuroepidemiology. v.18, p.64-74, 1999. (DOI:
10.1159/000069409)
HOGUE, A.R.; VASQUEZ, C.; Toward a Strategic Approach for Reducing
Disparities in Infant Mortality. American Journal of Public Health, v.92, Apr. 2002.
HUANG, J.Y.; KAO, P.F. CHEN, Y.S. A Set of Image Processing Algorithms for
Computer-Aided Diagnosis in Nuclear Medicine Whole Body Bone Scan Images.
IEEE Transactions on Nuclear Science, v.54, n.3, june. 2007.
JANÉ, D.A. Uma introdução ao estudo da Lógica Fuzzy. Hórus – Revista de
Humanidades e Ciências Sociais Aplicadas. n.2, Ourinhos/SP, 2004.
KARR, C.L. Fuzzy Control of pH Using Genetic Algorithms. IEEE Transactions on
fuzzy systems. v.1, n.1, p.46-53, feb. 1993.
KLIR, G.J. Fuzzy Logic: Unearthing its meaning and significance. IEEE Potentials.
p.10-15, oct./nov. 1995.
LANZILLOTTI, R. S.; LANZILLOTTI, H. S. Análise sensorial sob o enfoque da
decisão fuzzy. Rev. Nutr., Campinas, v.12, n.2, p.145-157, mai/ago. 1999. Disponível
em: http://www.scielo.br/pdf/rn/v12n2/v12n2a04.pdf
. Acesso em: 1 abr. 2007.
LEE, C.C. Fuzzy Logic in Control Systems: Fuzzy Logic Controller, Part II. IEEE
Transactions on Systems. Man. And Cybernetics. v.20, n.2, p. 419-435, mar/apr.
1990.
LEE, C.C. Fuzzy logic in Control Systems: Fuzzy Logic Controller. Part I. IEEE
Transactions on Systems, Man and Cybernetics. v.20, n.2, p. 404-418, mar/apr
1990. Digital Object Identifier 10.1109/21.52551.
57
LOPES, M.H.B.M. et al. Modelo Baseado em Lógica Fuzzy para o Diagnóstico
Diferencial de Enfermagem em Alterações na Eliminação Urinária. In: X Congresso
Brasileiro de Informática em Saúde CBIs’2006, Florianópolis, 2006.
MARAN, E.; Mortalidade Neonatal: fatores de risco no município de Maringá-PR
em 2003 e 2004. Dissertação (Mestrado) Universidade Estadual de Maringá, Paraná,
2006.
MARQUES, J. A. L.; BARRETO, G. A. A.; CORTEZ, P. C. S.; FEITOSA, F. E. L.
Sistema de Inferência Fuzzy para Interpretação da Freqüência Cardíaca Fetal em
Exames Cardiotocográficos; Congresso Brasileiro de Informática em Saúde (CBIS):
Anais do X Congresso Brasileiro de Informática em Saúde (CBIS´2006), 1, ISBN:
Português, Meio digital.
MASSAD, E.; MARIN, H. F.; AZEVEDO NETO, R. S. de. LIRA, A. C. O. (col.) O
prontuário eletrônico do paciente na assistência, informação e conhecimento
médico. OPAS/OMS. São Paulo: H. de F. Marin, 2003. 213p. Disponível em:
<http://www.med.fm.usp.br/dim/livrosdim/prontuario.pdf>. Acesso em: 10 jul. 2007.
MATTOS, M.C. et al. O Raciocínio Fuzzy no Desenvolvimento de um Sistema
para Controle de Assistência Respiratória em Neonatos - SARE. Universidade
Federal de Santa Catarina. s.d.
NASCIMENTO, L.F.C.; RIZOL, P.M.S.R.; ABIUZI, L.B. Laptec 2007. Fuzzy
Approach to Establish the Risk of Neonatal Death. In: VI Congress of Logic Applied
to Technology. Santos/SP, Brasil, nov. 2007.
NASCIMENTO, L.F.C.; SERAFIM, A.; FURTADO, P.; CIRVIDIU, D.C.;
QUEIROZ, C.F. Modelo preditivo para avaliar possibilidade de comprometimento
neurológico em lactentes, 2005. Disponível em: <
http://www.oxfordeventos.com.br/slaip2005/tabela_arquivos/posternovo.htm >.
Acesso em: 3 jun. 2007.
58
NASCIMENTO, L.F.C; ORTEGA, N.R.S. Modelo lingüístico Fuzzy para estimação
do risco de morte neonatal. Rev. Saúde Pública, v.36, n.6, p.686-92, São Paulo, 2002.
ISSN 0034-8910.
ORTEGA, N.R.S. Aplicação da Teoria dos Conjuntos Fuzzy a Problemas de
Biomedicina. Tese (Doutorado) Universidade de São Paulo, Instituto de Física, SP:
2001. Disponível em http://www.ime.usp.br/~tonelli/verao-fuzzy/neli/principal.pdf.
PAULA, E. M. S.; SOUZA, M. J. N. Lógica Fuzzy como técnica de apoio ao
Zoneamento Ambiental. In: XIII Simpósio Brasileiro de Sensoriamento Remoto,
Florianópolis-SC. Anais..., Florianópolis-SC. Brasil, 21-26 abr. 2007, São José dos
Campos, SP: INPE, 2007, p. 2979-2984.
PEREIRA, J.C.R.; TONELLI, P.A.; BARROS, L.C.; ORTEGA, N.R.S. Clinical signs
of pneumonia in children: association with and prediction of diagnosis by Fuzzy sets
theory. Brazilian Journal of Medical and Biological Research. n.37, p. 701-709,
2004.
RACHEL, F.M; Controle Automático de trens utilizando lógica nebulosa (fuzzy)
preditiva, II Seminário de pesquisa GAS (Grupo de Análise de Segurança), 2004.
REIS, M.A.M. Predição da necessidade de reanimação neonatal segundo uma
abordagem da teoria de conjuntos Fuzzy. Tese (Doutorado). Faculdade de Medicina
da Universidade de São Paulo. São Paulo, 2003.
REIS, M.A.M.; ORTEGA, N.R.S.; SILVEIRA, P.S.P. Fuzzy expert system in the
prediction of neonatal resuscitation. Braz J Med Biol Res. n.37, p. 755-764, 2004.
ISSN 0100-879X.
RICHARDSON, D.K.; CINZA, J.E. McCORMICK, M.C. O Trabalhador K &
Goldmann D.A. (1993). Contagem para neonatal fisiologia aguda: um índice de
59
severidade fisiológico para neonatal cuidado intensivo. Pediatria, n.91, p.617-623.
[Medline].
RICHARDSON, D.K; TARNOW-MORDI, W.O; LEE, S.K. Risk adjustment for
quality improvement. Pediatrics, v.103, n.1, p. 255-65, 1999.
RICHARSON et al., SNAP-II and SNAPPE-II: simplified newborn ilness severity and
mortality risk scores. Journal of Pediatrics, v.138, n.1, p.92-100, 2001.
SANDRI, S.; CORREA, C. Lógica Nebulosa. V Escola de Redes, Promoção:
Conselho Nacional de Redes Neurais. PP. C073-c090. São José dos Campos: ITA. 19
de jul. 1999.
SARQUIS, A.L.F.; MIYAKI, M.; CAT; M.N.L. Aplicação do escore CRIB para
avaliar o risco de mortalidade neonatal. Rio de Janeiro: Jornal de Pediatria. v.78, n.3,
p.225-229, 2002.
SCHUH, Ch. Fuzzy Sets and their Application in Medicine. NAFIPS 2005 Annual
Meeting of the North American Fuzzy Information Processing Society. 2005.
SELLITTO, M. A. Inteligência Artificial: uma aplicação em uma indústria de
processo contínuo. Gestão e Produção (UFSCar), São Carlos, v. 9, n. 3, p. 283-296,
2002. (DOI: 10.1590/S0104-530X2002000300010)
SERDAL, U.; What is the Apgar Score. Kids Healts, October 2004. Disponível em:
http://kidshealts.orq (online). Acesso em 04 abr. 2008.
SILVA, I. C.; FARIAS, C. T.T.; CARNEVAL, R. O.; DAES, M. T. P.; REBELLO,
J.M.A. Aplicação de Lógica Fuzzy na determinação da presença de camada
interdifundida em chapa de aço com revestimento de níquel. In: PAN-AMERICAN
CONFERENCE FOR NONDESTRUCTIVE TESTING, 2003, Rio de Janeiro.
60
SIMÕES, M.G.; SHAW, I.A. Controle e modelagem Fuzzy, São Paulo: Edgar
Blücher/FAPESP, 1999, 165p.
SOUSA, C. A. de; DUARTE, P. S.; PEREIRA, J. C. R. Lógica fuzzy e regressão
logística na decisão para prática de cintilografia das paratiróides. Rev. Saúde Pública,
São Paulo, v.40, n.5, p. 898-906, 2006.
SOUZA, O.T.L. de; CAGNON, J.A. Desenvolvimento de um modelo Fuzzy para
determinação do calor latente. Energ. Agric. Botucatu. v.21, n.3, p.66-84, 2006.
TANSCHEIT, R. Sistemas Fuzzy. Disponível em: <http://www.ica.ele.pucrio.
br/cursos/download/ICA-Sistemas%20Fuzzy.pdf>. Acesso em 04 abr. 2008.
THE INTERNATIONAL Neonatal Network. In: The CRIB (Clinical Risk Index for
Babies) score: a tool for assessing initial neonatal risk and comparing performance of
neonatal intensive care units. Lancet 1993; 342: 193-98
VILLEGER, A.; OUCHCHANE, L.; LEMAIRE, J.J.; BOIRE, J.Y. Assistance to
Planning in Deep Brain Stimulation: Data Fusion Method for Locating Anatomical
Targets in MRI. Engineering in Medicine and Biology Society, 2006. EMBS '06.
28th Annual International Conference of the IEEE. v. supplement, p.144-147. aug.
30 2006-sept. 3 2006. New York: NY. ISSN: 1557-170X. ISBN: 1-4244-003303.
Digital Object Identifier: 10.1109/IEMBS.2006.260928
WEIRICH, C. F, ANDRADE, A. L.S S, TURCHI, M. D. et al. Mortalidade neonatal
em unidades de cuidados intensivos no Brasil Central. Rev. Saúde Pública. v.39, n.5,
p.775-781, out. 2005. ISSN 0034-8910.
WONG, K.W.; GEDEON, T. KÓCZY, L. Construction of Fuzzy Signature from Data:
Na Example of SARS Pre-clinical diagnosis System. IEEE International Conference
on Fuzzy Systems, 2004. Proceedings. 2004 .
Budapest: Hungary. v.3. n.1, p. 1649-
1654, 25-29 jul. 2004.
61
YEN, J.; LANGARI, R.; ZADEH, L.A. Industrial Applications of Fuzzy Logic
and Intelligent Systems. IEEE CS Press, 1995.
YEN, J. Fuzzy logic-a modern perspective. IEEE Transactions on Knowledge and
Data Engineering. v.11, n.1, p.153-165, jan./feb. 1999.
DOI Bookmark:
10.1109/69.755624
YOUNESI, F.; ALAM, R.; ZOROOFI, R.A.; AHMADIAN, A.; GUITI, M. Computer-
Aided Mass Detection on Digitized Mammograms Using Adaptive Thresholding and
Fuzzy Entropy. Conf Proc IEEE Eng Med Biol Soc. n.1, p.5638-5640a, 2007.
18003291.
ZADEH, L. A. Fuzzy Sets. Information Control. v.8, p.338-353, 1965.
ZAGHETTO, A. NASCIMENTO, F.A.O.; SANTOS, I. dos; ROCHA, A.F. da.
Coding of Echocardiographic by Selection of the Normalization Matrix Using Fuzzy
Logic. Engineering in Medicine and Biology Society, 2006. EMBS apos;06. 28th
Annual International Conference of the IEEE. p.1089-1092, aug. 2006.
Digital Object Identifier 10.1109/IEMBS.2006.259626.
ZARDO, M.S.; PROCIANOY, R.S. Comparação entre diferentes escores de risco de
mortalidade em unidade de tratamento intensivo neonatal. Rev. Saúde Pública, v.37,
n.5. São Paulo, out. 2003.
62
APENDICE A
FICHA PARA COLHETA DE DADOS DE RECÉM-NASCIDOS
Número do Prontuário:
Data de Nascimento:
Peso(g): Idade Gestacional(IG):
Apgar(5`): FiO2:
Data da Alta:
Data de Óbito:
63
ANEXO A
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
