ads:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ
CENTRO DE CIÊNCIAS BIOLÓGICAS E DA SAÚDE
CAROLINE LEITÃO RIELLA
SISTEMA DE APOIO À DECISÃO NA MONITORAÇÃO
DO PACIENTE EM ASSISTÊNCIA VENTILATÓRIA INVASIVA
PÓS-GRADUAÇÃO EM TECNOLOGIA EM SAÚDE
DISSERTAÇÃO DE MESTRADO
CURITIBA
2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ii
CAROLINE LEITÃO RIELLA
SISTEMA DE APOIO À DECISÃO NA MONITORAÇÃO
DO PACIENTE EM ASSISTÊNCIA VENTILATÓRIA INVASIVA
Dissertação apresentada ao Curso de Pós-graduação em
Tecnologia em Saúde da Pontifícia Universidade Católica
do Paraná – Centro de Ciências Biológicas e da Saúde,
como parte dos requisitos para a obtenção do título de
Mestre em Tecnologia em Saúde.
Área de Concentração: Sistema de Apoio à Decisão
Orientador(a): Prof(a). Dr(a). Vera Lucia Israel
Co - Orientador: Prof. Dr. João da Silva Dias
CURITIBA
2007
ads:
iii
FICHA CATALOGRÁFICA
RIELLA, Caroline Leitão. SISTEMA DE APOIO À DECISÃO NA MONITORAÇÃO
DO PACIENTE EM ASSISTÊNCIA VENTILATÓRIA INVASIVA. Curitiba, 2007.//
(Dissertação – Mestrado – Tecnologia em Saúde – Pontifícia Universidade
Católica do Paraná – Centro de Ciências Biológicas e da Saúde).
ORIENTADOR: Vera Lucia Israel
DESCRITORES: 1. Sistema de Apoio à Decisão. 2. Redes Bayesianas.
3. Ventilação mecânica. 4. Monitoração ventilatória. I. Israel, Vera Lucia,
orient. II. Pontifícia Universidade Católica do Paraná, Tecnologia em Saúde.
III. Título.
iv
FOLHA DE APROVAÇÃO
Caroline Leitão Riella
SISTEMA DE APOIO À DECISÃO NA MONITORAÇÃO DO PACIENTE EM ASSISTÊNCIA
VENTILATÓRIA INVASIVA
Dissertação apresentada ao Programa de Pós-Graduação em
Tecnologia em Saúde da Pontifícia Universidade Católica do
Paraná, como pré-requisito para a obtenção do título de mestre
em Tecnologia em Saúde.
Banca examinadora
Prof. Dr. _________________________ Instituição: ___________________
Julgamento: ______________________ Assinatura: ___________________
Prof. Dr. _________________________ Instituição: ___________________
Julgamento: ______________________ Assinatura: __________________
Prof. Dr. _________________________ Instituição: ___________________
Julgamento: ______________________ Assinatura: ___________________
v
“Teus pensamentos e vontades são a
chave de teus atos e atitudes.
São as fontes de atração e repulsão na tua
jornada vivência.
Não reclames nem te faças de vítima.
A mudança está em tuas mãos.
Embora ninguém possa voltar e fazer um
novo começo, qualquer um pode começar
agora e fazer um novo final.”
(Chico Xavier)
vi
Dedicatória
A meus pais e irmão; meus alicerces.
A minha avó (in memorian); minha
guia.
Ao Rafael Oechsler; minha inspiração
contínua.
A Ana Amélia; meu melhor presente.
A Deus; o grande sentido da vida.
vii
AGRADECIMENTOS
A minha família, por me proporcionar o lar que preciso, ancorado em valores justos e
íntegros para seguir minha caminhada. A minha mãe, Janice, minhas memórias mais
deliciosas vêm de você. Obrigada por fazer-me desapaixonar dos medos, por nunca
deixar-me só. A meu pai, Humberto, meu exemplo. Obrigada por fazer-me acreditar
num projeto de vida, por fazer-me apaixonada pela dança da vida.
Ao Rafael Oechsler, por deixar um pouco de si mesmo e levar o muito de mim.
Obrigada pelas evidências de que duas almas não se encontram por acaso, mesmo
distantes.
Aos meus amigos incansáveis, alguns que se destacam como almas que atraí,
conforme afinidades, Carol Pereira; a minha estrela mais brilhante. Ana Amélia
Prestes; palavras são desnecessárias. Muito obrigada.
Aos demais amigos e similarmente indispensáveis, Lucelene Lopes, Andreane
Barbosa, Regiane Vidal. Obrigada pela paciência e aprendizado diários.
A Professora e amiga Ana Paula Cunha Loureiro. Obrigada por recolher-me, eleger-
me, compreender-me, abraçar minhas causas e por modificar tudo aquilo que nos
rodeia a profissão.
Aos meus orientadores, Profa. Dra. Vera Lucia Israel e Prof. Dr. João da Silva, na
intersecção de seus conhecimentos. Obrigada pelas orientações, mesmo perante
tantas adversidades durante a pesquisa.
Aos amigos da PUCPR.
A Professora Raquel Stasiu. Obrigada pelo tempo dispendido para comigo, pelas
risadas em meio ao desespero.
Aos profissionais que dispuseram parcela de seu tempo para a validação desta
pesquisa.
A vida, por tornar-se única aos meus olhos a cada novo desafio conquistado.
viii
SUMÁRIO
Listas.............................................................................................................. iix
1. INTRODUÇÃO........................................................................................................1
1.1. OBJETIVO GERAL ..............................................................................................3
1.2. OBJETIVOS ESPECÍFICOS................................................................................3
2. REVISÃO DE LITERATURA ..................................................................................4
2.1. PRINCÍPIOS BÁSICOS DOS VENTILADORES MECÂNICOS.............................5
2.1.1 Modos Básicos...................................................................................................7
2.1.2. Parâmetros........................................................................................................9
2.2. AVANÇOS NA VENTILAÇÃO MECÂNICA ........................................................11
2.3 A MONITORAÇÃO DURANTE A ASSISTÊNCIA VENTILATÓRIA.....................12
2.3.1 Parâmetros Gerais e Específicos de Monitoração Ventilatória.........................15
2.4. A MONITORAÇÃO DURANTE O PROCESSO DE DESMAME..........................17
2.5. VARIÁVEIS DETERMINANTES NO CONTROLE BÁSICO DO VENTILADOR.18
2.6 A MONITORAÇÃO SEGUNDO DIFERENTES PATOLOGIAS............................19
2.7 SISTEMA DE APOIO À DECISÃO.......................................................................20
2.8 INTELIGÊNCIA ARTIFICIAL...............................................................................22
2.9 SISTEMA ESPECIALISTA..................................................................................24
2.9.1 Aquisição do Conhecimento.............................................................................26
2.9.2 Teorema de Bayes...........................................................................................26
2.10 REDES BAYESIANAS ......................................................................................28
2.10.1 Ferramentas...................................................................................................30
2.11 SISTEMAS DE APOIO À DECISÃO EM VENTILAÇÃO MECÂNICA................33
3. METODOLOGIA...................................................................................................35
3.1 O PROCESSO ....................................................................................................35
3.2 SELEÇÃO DAS VARIÁVEIS...............................................................................37
3.3 FORMAÇÃO DA BASE DE CASOS....................................................................40
3.4 ESCOLHA DA TÉCNICA DE REPRESENTAÇÃO DO CONHECIMENTO -
INTELIGÊNCIA ARTIFICIAL.....................................................................................41
3.5 SHELL NETICA...................................................................................................42
3.6 AVALIAÇÃO DO SISTEMA.................................................................................44
4. RESULTADOS E DISCUSSÃO............................................................................48
4.1 GERAÇÃO DOS ALERTAS POR ÁRVORE DE DECISÃO.................................50
4.2 AVALIAÇÃO DO SISTEMA.................................................................................54
4.3 SENSIBILIDADE DA SAÍDA PARA CADA UMA DAS ENTRADAS ....................63
5. CONCLUSÕES.....................................................................................................65
5.1 LIMITAÇÃO DO ESTUDO...................................................................................67
5.2 TRABALHOS FUTUROS ....................................................................................67
5.3 PUBLICAÇÕES...................................................................................................68
REFERÊNCIAS.........................................................................................................69
ANEXOS...................................................................................................................76
ix
Lista de Figuras
Figura 1 Representação esquemática de um
ventilador conectado ao paciente.................................
Figura 2 Representação dos modos ventilatórios.........
Figura 3 Classificação do Sistema de Apoio à
Decisão..........................................................................
Figura 4 Sentido das conexões da Rede
Bayesiana......................................................................
Figura 5 Representação gráfica dos nós e arcos que
compõem uma Rede Bayesiana...................................
Figura 6 Diagrama de atividades no processo de
monitoração ventilatória................................................
Figura 7 Parte qualitativa da RB....................................
Figura 8 Parte quantitativa da RB.................................
Figura 9 Ilustração da geração de alertas na presença
da gasometria................................................................
Figura 10 Ilustração da geração de alertas na
presença das variáveis FR, Pmax, SatO
2
.....................
Figura 11 Ilustração da geração de alertas na
presença das variáveis FR, VC, SatO
2
........................
Figura 12 Rede Bayesiana............................................
Figura 13 Curva ROC
paraALERTA_INESPECÍFICO......................................
Figura 14 Curva ROC para ALERTA_A1......................
Figura 15 Curva ROC para ALERTA_NAOGERA.........
6
9
22
28
29
37
43
44
51
52
53
54
56
58
60
Listas
x
Lista de Quadros
Quadro 1 Variáveis na monitoração ventilatória............
Quadro 2 Variáveis previamente selecionadas na
literatura como atributos da classe Mecânica
Respiratória...................................................................
Quadro 3 Variáveis previamente selecionadas na
literatura como atributos da classe Troca
Gasosa..........................................................................
Quadro 4 Variáveis previamente selecionadas na
literatura como atributos da classe Sinais
Vitais..............................................................................
Quadro 5 Variáveis previamente selecionadas na
literatura como atributos da classe Função
Ventilatória.....................................................................
Quadro 6 Registro dos parâmetros e variáveis
trazidos pelos especialistas...........................................
Quadro 7 Resultados das variáveis mediante literatura
e entrevista....................................................................
19
39
39
39
39
40
49
xi
Lista de Tabelas
Tabela 1 Tabela 2X2.....................................................
Tabela 2 Tabela 2X2 modelo
ALERTA_INESPECÍFICO.............................................
Tabela 3 Tabela 2X2 modelo
ALERTA_A1..................................................................
Tabela 4 Tabela 2X2 modelo
ALERTA_NAOGERA.....................................................
Tabela 5 Sensibilidade do alerta a cada uma das
variáveis de entrada......................................................
45
55
57
59
63
xii
GLOSSÁRIO
PaO
2
: Pressão arterial de oxigênio
PaCO
2
: Pressão arterial de gás carbônico
FiO
2
: Fração inspirada de oxigênio
PaO
2
/FiO
2
: Índice de Tobin
PaO
2
[(A-a)2]: Diferença alvéolo-arterial
PEEP: Pressão Positiva Expiratória final
PIC: Pressão Intracraniana
pH: Relação ácido-básico
PA: Pressão Arterial
Pressão cuff: Pressão do cuff
Glasgow: Escala de coma
FR: Freqüência Respiratória
FC: Freqüência Cardíaca
Vce: Volume Corrente espontâneo
P
max
: Pressão Máxima
Pe
max
: Pressão expiratória máxima
Pi
max
: Pressão inspiratória máxima
Te: Tempo expiratório
Ti: Tempo inspiratório
I:E: Relação inspiração/expiração.
xiii
RESUMO
A ventilação mecânica do paciente é uma prática rotineira em diversas
Unidades de Terapia Intensiva e inspira decisões importantes quanto à sua correta
execução. Na área da saúde, a monitoração do paciente em assistência ventilatória
constitui um importante problema, haja vista que as informações que se têm são
freqüentemente subjetivas. Desta forma o processo de monitoração e a tomada de
decisão não são tomados com a posse de todo o conjunto de informações
necessárias ao sucesso. A falta de informação associada à complexidade do
processo exige a busca pela aquisição de informações complementares. O objetivo
do trabalho foi garantir um apoio tecnológico, a partir da validação de um sistema de
apoio à decisão, que auxilie o profissional da saúde a monitorar pacientes críticos
em assistência ventilatória invasiva, ajudando-os a determinar as variáveis do
processo de monitoração e a efetividade da prática na tomada de decisão. Modelou-
se um Sistema de Apoio à Decisão (SAD), tendo como técnica de Inteligência
Artificial as Redes
Bayesianas, por trabalhar satisfatoriamente com a incerteza,
domínio de conhecimento do presente estudo. A avaliação e levantamento das
variáveis necessárias ao processo de tomada de decisão antecederam a
modelagem do SAD. Caracterizou-se um fluxo de atividades envolvidas na
monitoração. No processo de treinamento e avaliação do sistema utilizou-se uma
base com 50 casos, criados a partir de um conjunto de cenários e variáveis
selecionadas em entrevistas com os profissionais. Dos 50 casos da base, 10 casos
compuseram o grupo_PADRÃO OURO e os demais 40 casos foram utilizados no
treinamento da rede. O sistema obteve um desempenho nos testes de validade,
sensibilidade e especificidade elevadas (100%). O SAD foi capaz de alertar o
profissional quanto à mudança de parâmetros, de modalidade ou ambos, servindo
ainda, como um importante controlador de falhas no processo de monitoração
ventilatória.
Palavras-chave: Sistema de Apoio à Decisão, Redes Bayesianas, Ventilação
Mecânica, Monitoração Ventilatória.
xiv
ABSTRACT
The mechanical ventilation is a routine practice in several Intensive Therapy
Units and it inspires important decisions with relationship to your correct execution. In
the area of the health, the electric outlet of monitorization consists of an important
problem, have seen that the medical information is frequently subjective.
Monitorization and decision outlet are rarely made with the ownership of the whole
group of necessary information to the success. The lack of information associated to
the complexity requires to searching of complementary informations. The purpose of
this study was to guarantee support technological, from of the decision support
system, to help health professional at monitoring critical patients in mechanical
ventilation, helping them to determine variables of monitoring process and the
effectiveness of the practice on the decision. A Decision Support System was
modeled (DSS), having Bayesian Network as technique of Artificial Intelligence, once
it works satisfactorily with uncertainty, present inside of the domain knowledge. The
validation and accomplishment of variables necessaries on the decision support
preceding modeling of DSS, distinguishing a flow activities that surrounded the
monitorization. To validation system was used a base of 50 test cases, created
from collection of sceneries and variables selected from interview with professionals.
Of these 50 base of cases, 10 cases constitute the group_GOLD STANDARD. The
system acquired on tests’ validity, high sensibility and specificity (100%). The DSS
was able to alert the professional on change of variable, modality or both, attending
yet as an important control of mistakes on the ventilatory monitoring process.
Key-words: Decision Support System, Baysien Network, Mechanical
Ventilation, Ventilatory Monitorization.
1
O ato de monitorar o paciente é um processo sistemático de observação e
interpretação da evolução das condições do paciente, com o objetivo de manter a
condição atual ou modificá-la com base nos achados clínicos considerados ótimos para
o paciente (BLOM, 2004).
A assistência ventilatória mecânica corresponde a uma das intervenções mais
comuns dentro das Unidades de Terapia Intensiva, e um terço dos pacientes apresenta
dificuldades no estabelecimento e manutenção adequados ao suporte ventilatório
(FRAZIER et al., 2006).
Aproximadamente 96% dos pacientes internados em Unidades de Terapia
Intensiva, fazem uso da ventilação mecânica durante o período de hospitalização e
30% dos pacientes em assistência ventilatória invasiva experimentam dificuldades na
descontinuidade do suporte ventilatório (FRAZIER et al., 2006).
Variáveis habituais, como freqüência respiratória, saturação de oxigênio, pressão
arterial de gás carbônico, volume corrente são conhecidas na monitoração de pacientes
em assistência ventilátoria e estendem-se, principalmente, a pacientes com hipoxemia,
hipercapnia, e/ou distúrbios cardiorrespiratórios. O sucesso é definido conforme a
condição clínica dos pacientes e análise das variáveis. Porém, muitas vezes, estas
variáveis falham em prever o sucesso na descontinuidade do paciente da ventilação
mecânica (INC, 1999).
Diversos parâmetros podem, ainda, ser usados para monitorar pacientes em
uma unidade de terapia intensiva. Dentre eles destacam-se a monitoração das trocas
gasosas, capacidade neuromuscular respiratória, mecânica respiratória e esforço
respiratório durante a ventilação mecânica (JUBRAN,1999).
A monitoração dos mesmos torna-se, portanto, dependente de um processo de
realimentação e mensuração de variáveis, na interpretação das mesmas e na escolha
da terapia, constituindo-se de um processo decisório e de ajustes da terapia
1. Introdução
2
selecionada, conforme a patologia e as características clínicas e físicas do paciente
(NOZAWA, 2003; BLOM, 2004).
O processo de instalação da ventilação mecânica e seu período de manutenção
passam por constantes revisões e sistematizações consensuais, mediante uma gama
de patologias e uma variedade de técnicas consideradas essenciais como recursos de
suporte ventilatório (II Consenso Brasileiro de Ventilação Mecânica, 2000).
Resultados mostram que não existe uma decisão concreta quanto à definição de
ferramentas simples e eficientes na monitoração dos pacientes. Estas evidências
corroboram com a necessidade de estudos e protocolos de monitoração em pacientes
críticos de Unidades de Terapia Intensiva (GOODMAN, 2006).
O diagnóstico clínico constitui-se de um processo, exigindo, desta forma, uma
continuidade, haja vista que as condições dos pacientes não são eventos contínuos e
estáveis no tempo e sim, um processo dinâmico (BLOM, 2004).
Evidências denotam que a implementação de condutas padronizadas durante a
ventilação mecânica, bem como rotinas e protocolos guiados por profissionais da
saúde, são medidas efetivas na abreviação do tempo de ventilação mecânica
(SCHETTINO, 2004).
Acredita-se, portanto, que a falta de uma rotina e padronização das variáveis
para monitoração dos pacientes seja capaz de prolongar a duração deste processo, ou
até mesmo impedir o sucesso na retirada do paciente do ventilador mecânico.
Utilizando-se da informática médica no ato de monitorar, é possível contribuir,
significativamente, neste conjunto de métodos, objetivando a demonstração das
alterações funcionais, de maneira idealmente contínua e precoce. Por meio do apoio ao
processo decisório, é possível assegurar que os objetivos da ventilação mecânica
sejam atendidos, auxiliando na definição de técnicas de ventilação e parâmetros de
ajuste, visando a prevenção de complicações (II Consenso Brasileiro de Ventilação
Mecânica, 2000).
Os Sistemas de Apoio à Decisão (SAD) são sistemas informatizados interativos,
constituindo-se de ferramentas de apoio ao profissional ou gestor nas atividades de
tomada de decisão, sem, porém, substituir o tomador da decisão (ADRATT, 2006).
3
Na medicina, a utilização de sistemas de apoio à decisão pode contribuir no
auxílio à decisão durante a assistência ventilatória mecânica de pacientes críticos e/ou
condições específicas dentro de Unidades de Terapia Intensiva.
1.1. OBJETIVO GERAL
O objetivo geral desta dissertação consiste na concepção de um sistema de
monitoração por meio de um Sistema Especialista que auxilie os profissionais da saúde
de Unidades de Terapia Intensiva no acompanhamento, monitoração e tomada de
decisão na assistência ventilatória mecânica invasiva.
1.2. OBJETIVOS ESPECÍFICOS
Os objetivos específicos são:
estudar e definir um conjunto de variáveis na monitoração do paciente em
assistência ventilatória invasiva;
estudar e definir o processo de tomada de decisão em ventilação mecânica;
especificar e implementar um sistema de apoio à decisão que represente
adequadamente o tratamento da incerteza no processo de decisão do
profissional da saúde;
elaborar uma base de casos com as variáveis monitoradas durante a
ventilação mecânica, por meio de entrevistas, para posterior validação, a fim
de se ter subsídios para comparar o desempenho do sistema em relação aos
especialistas.
4
A aplicação de técnicas de Inteligência Artificial no auxílio a problemas médicos é
um grande desafio tanto para especialistas como para os profissionais da saúde (AIM,
2002). O conhecimento médico, tratando-se da ventilação mecânica é vasto e está em
constante mudança.
A modelagem de um sistema de apoio à decisão é uma tarefa complexa; dentre
seus objetivos está a busca por evidências científicas que condizem com a prática
clínica. O desenvolvimento de um conhecimento computacional de apoio à decisão
durante a assistência ventilatória mecânica em pacientes críticos faz parte deste
objetivo, ou seja, faz parte da busca por retratar um consenso que não corrobora com o
cotidiano clínico.
Os temas relacionados à ventilação mecânica invasiva são de suma importância
para a ciência, uma vez que apresentam os elementos principais para a uniformização
de terminologias e melhoria no embasamento teórico-prático sobre o controle do
paciente em assistência ventilatória.
Apresentam-se, neste capítulo, tópicos importantes para o entendimento e
compreensão do estudo em questão. Temas relacionados ao processo de ventilar,
como ventiladores artificiais, ventilação mecânica, monitoração ventilatória, são tratados
na estrutura deste trabalho. Sistemas de apoio à decisão, inteligência artificial e
sistemas especialistas, bem como a utilização da inteligência artificial no auxílio e apoio
à monitoração do paciente durante a assistência ventilatória invasiva compõem os
tópicos pertinentes à tecnologia do estudo.
2. Revisão de Literatura
5
2.1. PRINCÍPIOS BÁSICOS DOS VENTILADORES MECÂNICOS
As indicações primárias de um paciente internado para ventilação artificial são
divididas em categorias conforme as doenças consideradas mais complexas e mais
severas, como falência respiratória aguda (66% dos pacientes), coma (15% dos
pacientes), doença pulmonar obstrutiva crônica exacerbada (13% dos pacientes),
disfunções neuromusculares (5% do pacientes) e problemas cardíacos (MARTIN, 2002;
PEIGANG, 2002; HOFFMAN et al., 2005).
O objetivo primordial da ventilação mecânica é diminuir o trabalho respiratório e
reverter a hipoxemia ou a progressão de uma acidose respiratória aguda, aliviando total
ou completamente o trabalho respiratório do paciente (BONASA, 2000; MARTIN, 2002;
PEIGANG, 2002).
Conectando-se o ventilador ao paciente, o mesmo passa a ser controlado pelos
painéis de controle e monitorado pelos transdutores de pressão e fluxo. As válvulas de
fluxo e exalação são controladas pela CPU do ventilador, e, conectadas aos ramos
inspiratório e expiratório, responsáveis pela inalação e exalação. Assim, na fase
inspiratória do paciente, a válvula de fluxo se abre, fechando-se, consecutivamente,
durante a exalação (BONASA, 2000).
A representação esquemática do funcionamento de um ventilador conectado ao
paciente está mostrada na Figura 1.
6
Figura 1: Representação esquemática de um ventilador conectado ao paciente.
Fonte: BONASA, 2000.
Onde:
Rte – Resistência do tubo endotraqueal. Representa a resistência que o paciente entubado deve vencer,
ou seja, resistência, esta, exercida pelo tubo do ventilador.
Rva - Resistência da via aérea do paciente.
Cct - Complacência estática do pulmão do paciente. É a medida da elasticidade do pulmão e da caixa
torácica em situação de repouso (LÓPES-HERCE, 2003).
Cp - Complacência dinâmica do pulmão do paciente. E a medida da elasticidade do pulmão e da parede
torácica mais a resistência das vias aéreas (LÓPES-HERCE, 2003).
Os ventiladores, em geral estão ficando cada vez mais compactos e
tecnologicamente complexos. Usuários que manipulam os mesmos vêm preferindo
representações gráficas que permitem observações e análises visuais que representem
a interação paciente-ventilador e as curvas respiratórias. Os ventiladores, por fim, têm
respondido às exigências trazidas pelos profissionais, a fim de se chegar a execuções
mais corretas e próximas do ideal de ventilação para o paciente (MATHEWS, 2000).
7
2.1.1 Modos Básicos
Os pacientes que recebem suporte ventilatório geralmente são ventilados em
modos básicos conhecidos como: assistido-controlado, ventilação intermitente
sincronizada ou pressão de suporte. As duas últimas modalidades podem ser usadas
simultaneamente.
No modo controlado, o ventilador inicia um ciclo controlado a cada janela de
tempo, dada uma freqüência respiratória já programada (BONASA, 2000).
A ventilação assisto-controlada é a mais amplamente utilizada. Nesta
modalidade o ventilador oferece um volume determinado de oxigênio quando o paciente
se encontra sob esforço inspiratório ou de maneira independente, se o esforço não
acontecer dentro do tempo pré-determinado (MARTIN, 2002).
Dessa forma, o ventilador oferece ciclos controlados e assistidos, já que na
ausência de esforço inspiratório do paciente, o ventilador pode manter os ciclos
controlados na freqüência programada (BONASA, 2000).
Um aspecto importante neste modo ventilatório é que se faz necessária uma
freqüência respiratória e a programação do nível de sensibilidade assistida ou “trigger”
do ventilador para que seja possível o reconhecimento do esforço inspiratório do
paciente (BONASA, 2000).
No modo de ventilação intermitente sincronizada (SIMV), o ventilador
disponibiliza ciclos controlados, assistidos e espontâneos, também fazendo uso de
janelas de tempo. A diferença do modo assistido para o controlado é que a janela de
tempo não é reiniciada a cada ciclo, assim as janelas de tempo mantêm-se fixas
(BONASA, 2000).
Neste modo, o profissional da saúde controla o número de respirações de acordo
com um volume fixo disponibilizado pelo ventilador, entre as respirações, o paciente é
capaz de respirar espontaneamente (MARTIN, 2002).
A modalidade de ventilação de pressão suporte oferece assistência ventilatória,
porém, difere das demais por disponibilizar um nível de pressão (menor do que volume)
capaz de garantir um esforço respiratório espontâneo ao paciente. O nível de pressão
8
disponibilizado pelo ventilador é geralmente ajustado de acordo com as mudanças na
freqüência respiratória do paciente. Assim, a freqüência determina o nível de pressão
satisfatório para o descanso da musculatura respiratória, em níveis recomendados de
16 a 30 respirações por minuto (MARTIN, 2002).
A pressão de suporte visa complementar o esforço do paciente, permitindo que
sejam vencidas as forças resistivas e elásticas do sistema respiratório e da ventilação.
Considerando que a soma do esforço inspiratório e da pressão suporte seja
representada pela força motriz do ciclo, dada uma determinada demanda inspiratória do
paciente. A pressão de suporte pode ser ajustada para propiciar desde um suporte total
até ausência de pressão suporte (BONASA, 2000).
Dentre as modalidades de assistência ventilatória espontânea existem técnicas
que variam desde técnicas tradicionais, como por exemplo, aplicadas de forma rápida e
gradual por tubo T, até técnicas menos convencionais, como por exemplo, a pressão
positiva contínua nas vias aéreas (CPAP) (ELY et al.,1996).
A modalidade de ventilação por pressão positiva contínua (CPAP) tem sido
estudada como uma importante técnica para facilitar o processo de desmame (DEAN
HESS, 2001).
O CPAP é considerado um método terapêutico que proporciona uma diminuição
do trabalho respiratório (AZEREDO, 1997) e representa um importante passo no
desmame de pacientes sob assistência ventilatória (SUTTON et al., 2005).
Nesta modalidade ventilatória o paciente respira de forma espontânea. A pressão
da via aérea eleva-se em relação à pressão atmosférica a fim de aumentar a
capacidade residual funcional. O fluxo é administrado uma única vez até alcançar o
nível pré-determinado de sensibilidade (CELIS, 2006).
A representação gráfica de cada modo ventilatório, de forma geral, bem como as
curvas de pressão exercidas em cada modalidade ventilatória são mostradas na Figura
2.
9
Figura 2: Representação dos modos ventilatórios.
Fonte: BONASA, 2000.
Nota-se que, no modo Controlado, a cada janela de tempo, pré-definida a partir
de uma freqüência respiratória programada, o ventilador inicia um ciclo respiratório
(inspiração – expiração) controlado. Já no modo Assistido – Controlado, o ventilador
inicia um ciclo assistido na ocorrência de esforço respiratório do paciente, definida pela
presença de pressão negativa. Ao final da janela de tempo, na ausência de esforço, um
novo ciclo respiratório é iniciado. Nas modalidades SIMV e CPAP, o primeiro, refere-se
a ciclos assistidos, na presença de esforços inspiratórios, intercalados a ciclos
espontâneos. O modo CPAP permite apenas ciclos espontâneos (sem janelas de
tempo) a uma freqüência respiratória ajustada a zero, ou seja, a freqüência respiratória
é imposta pelo paciente (BONASA, 2000).
2.1.2. Parâmetros
Alguns parâmetros são considerados determinantes no controle básico do
paciente em ventilação mecânica.
É descrito que os parâmetros mais comuns avaliados na assistência ventilatória
são: freqüência respiratória, pressão arterial, saturação de oxigênio e as variáveis
10
relacionadas à análise gasométrica. Porém, deve-se fazer jus a aferição de outros
parâmetros como volume corrente espontâneo, volume minuto e pressão máxima, por
exemplo (REA NETO et al., 2004).
Para que o paciente seja monitorado, o ventilador deve ser configurado para
fornecer as curvas de ventilação do paciente. Os parâmetros apresentados pelo
paciente, como a duração das fases inspiratória e expiratória (relação I:E), o tipo de
forma de onda desejada, o volume de ar disponibilizado, o volume-minuto desejado e o
nível de PEEP (pressão positiva no final da expiração) são variáveis trazidas pelo
próprio ventilador conectado ao paciente(BUTTON, 2002).
Já, através de outros equipamentos como oxímetro de pulso, capnógrafo, tela
para monitoração das curvas fluxo-volume-pressão, monitor de pressão esofágica e
gasometria (exame laboratorial) é possível se obter outros valores que caracterizam a
função respiratória e ventilatória do paciente acometido por uma patologia (INFANTINI,
2006).
A Pressão Positiva Expiratória Final ou no Final da Expiração (PEEP) é um
parâmetro ativo nas respirações controladas ou assistidas, responsável por manter um
nível de pressão positivo ao final da expiração completa do paciente (cmH
2
O) (PEREL,
1994).
Os tempos inspiratório e expiratório é o tempo de inspiração e expiração do
paciente, respectivamente, medido em segundos.
A freqüência respiratória reflete as incursões respiratórias por minuto do
paciente. Admite-se um limiar inferior ou igual a 25-30 respirações por minuto (rpm),
como preditor de normalidade (EMMERICH, 1998; CELIS, 2006).
A pressão máxima é um parâmetro que permite a pressão de ar a ser enviada ao
paciente, geralmente apresentado em cmH
2
O (EMMERICH, 1998).
O volume – minuto fornece informações a respeito da demanda imposta ao
sistema respiratório do paciente, em conjunto com a PaO
2
, ou seja, representa a
demanda de ar que entra nos pulmões do paciente por minuto. Valores limítrofes de
volume minuto para pacientes são de 6 litros a 10 litros/minuto (EMMERICH, 1998).
11
2.2. AVANÇOS NA VENTILAÇÃO MECÂNICA
Novas modalidades de ventilação vêm sendo introduzidas na monitoração da
oferta de oxigênio e do esforço do paciente durante a assistência ventilatória (JUBRAN,
1999; TOBIN, 2001).
Essas modalidades envolvem mais do que a modificação na maneira de ventilar
o paciente com pressão positiva, preocupando-se também com a oferta de oxigênio e
sua relação com o esforço respiratório do paciente. A proposta está em promover o
descanso à musculatura respiratória, garantindo adequada oferta de oxigênio ao
mesmo. A intenção é prevenir danos pulmonares e proporcionar uma melhor interação
entre o paciente e o ventilador, prioridade e desafio dos profissionais envolvidos no
processo de ventilar (TOBIN, 2001).
A redução do esforço respiratório e o perfeito sincronismo com o ritmo
respiratório são possíveis quando o período de insuflação mecânica coincide com a
duração do esforço inspiratório; e o período de inatividade mecânica coincide com o
tempo expiratório do paciente.
As dificuldades no sincronismo e interação paciente-ventilador podem acarretar
num aumento do esforço inspiratório do paciente e no fluxo de oxigênio ofertado pelo
ventilador durante a inspiração, modificando as curvas inspiração-expiração (TOBIN,
2001).
A partir de 1990 começaram a aparecer os resultados da redução de 60% no
índice de mortalidade em pacientes portadores de síndrome do desconforto respiratório
agudo (SARA) ventilados com uma mudança no parâmetro relacionado ao volume tidal.
Em seguida, a ventilação em valores de volume convencionais (12 ml por quilograma
de peso) e em valores reduzidos (menor que 6 ml por quilograma de peso), mostrou
uma redução da mortalidade em 46% com um volume tidal reduzido (TOBIN, 2001).
A discrepância dos resultados mediante novas maneiras de ventilar possibilitou o
aparecimento de outras modalidades ventilatórias na intenção de otimizar a interação
paciente - ventilador (JUBRAN, 1999; TOBIN, 2001).
12
Todas as modalidades são baseadas em uma progressiva redução da
participação do aparelho e um aumento gradativo do esforço respiratório do paciente.
Não existem, porém, até o momento, informações objetivas que consagrem uma
modalidade como método de sucesso, em relação aos outros. Assim, persiste a
controvérsia entre autores e os resultados apresentados em diversas pesquisas
(WERTHER, 1997).
2.3 A MONITORAÇÃO DURANTE A ASSISTÊNCIA VENTILATÓRIA
Para um adequado tratamento do paciente grave ventilado artificialmente é de
fundamental importância o controle do mesmo, e para isso é essencial a sua
monitoração respiratória à beira do leito (II Consenso Brasileiro de Ventilação Mecânica,
2000).
Define-se a monitoração respiratória como a observação contínua e intermitente
do comportamento ou da função do paciente, de extrema importância para traçar uma
conduta e observar a evolução da doença (SARMENTO, 2005).
De uma forma geral, o acompanhamento de tomada de decisão na monitoração
do paciente em assistência ventilatória invasiva, vai do estado inicial do paciente, ou
seja, início na ventilação mecânica, com todos os ínterins deste processo, até a
extubação do paciente.
Os ínterins presentes na ventilação do paciente decorrem das incertezas no
processo de monitoração e são fatores importantes e difíceis de serem gerenciados
pelos profissionais de saúde. As desvantagens que cercam esta incerteza aumentam a
permanência do paciente no ventilador, desenvolvendo o risco de uma pneumonia e
prorrogando o tempo de internação dos pacientes nas Unidades de Terapia Intensiva
(GOODMAN, 2006).
A falência múltipla de órgãos acontece na maioria dos pacientes ventilados
durante um tempo prolongado, resultando em eventos catastróficos de mortes por
hemorragia e embolismo pulmonar (HALL; ROCKER, 2000).
13
Os clínicos devem estar, portanto, conscientes das características e
desempenho dos ventiladores em cada tipo de paciente, e devem saber interagir com o
ventilador e as mudanças dos parâmetros de impedância pulmonar, apresentadas por
seus pacientes. Em situações específicas, por exemplo, como diminuição acentuada da
complacência (pulmão restritivo), ou aumento da resistência das vias aéreas (pulmão
obstrutivo), as falhas ocorrem mais comumente e em maior número (COELHO, 1995).
Quando se trata de pacientes de uma Unidade de Terapia Intensiva é comum
que se diga que o monitor do paciente é o profissional da saúde responsável pelo
controle do paciente (BLOM, 2004). Isto implica na extrema noção que o profissional da
saúde deve ter de suas responsabilidades no completo controle dos estágios de
monitoração do paciente(BLOM, 2004).
Para RINCÓN (2005) o processo de ventilação do paciente deve ser entendido
como um processo completo que demanda um trabalho interdisciplinar e intersetorial,
que não compete somente aos profissionais da saúde tradicionais aos cuidados da
reabilitação, mas também compete a muitos outros profissionais de diferentes setores –
como profissionais da engenharia, tecnologia e demais áreas.
Dentro de uma equipe multiprofissional, as principais responsabilidades de um
profissional são: manter a vigilância contínua e sistemática; execução e elaboração de
planos de cuidados, e cuidados relacionados à via aérea artificial e controle do paciente
(ZUÑIGA, 2005).
Apesar de um estreito limiar entre os papéis exercidos pelos profissionais na
monitoração dos pacientes em assistência ventilatória, o principal objetivo da
monitoração respiratória segundo GAMBAROTO (2005) está em mostrar a oferta de
oxigênio, ventilação alveolar, mecânica respiratória e avaliação da oxigenação
sanguínea.
Uma das mais freqüentes razões para a instituição da ventilação mecânica é
promover a diminuição do trabalho respiratório destes pacientes (TOBIN, 2001).
Entende-se como trabalho respiratório, a capacidade dos pulmões em expandir-se,
vencendo as forças elásticas, a viscosidade, a parede torácica e a resistência imposta
pelas vias aéreas. A monitoração do trabalho respiratório faz-se, principalmente,
14
através da observação dos sinais apresentados pelo paciente e graficamente pela
curva volume-pressão representada no respirador (LÓPEZ-HERCE CID, 2003).
O trabalho respiratório informa o esforço respiratório realizado pelo paciente para
conseguir o volume-minuto e orienta acerca da necessidade de modificação da
assistência ventilatória e/ou parâmetros ventilatórios (LÓPEZ-HERCE CID, 2003).
Assim como o trabalho respiratório, outra medida de controle em relação ao
esforço do paciente é o bloqueio neuromuscular, iniciado a fim de se eliminar qualquer
esforço respiratório através de uma ventilação controlada. Bloqueadores
neuromusculares predispõem o paciente a numerosos riscos, e a determinação das
variáveis na ventilação assistida de maneira correta exige dispêndio de tempo (TOBIN,
2001).
O tempo gasto pelos profissionais na determinação das variáveis e parâmetros
ideais a serem utilizados durante a ventilação mecânica, não permite completo sucesso
na verificação e eminência de possíveis problemas, quando os parâmetros desviam-se
da normalidade, ou seja, dos valores preditos na literatura (BLOM, 2004).
Quando um problema é detectado com 100% de confiabilidade, onde as
possibilidades para resolução dos mesmos são especificadas sem ambigüidades e
executadas com a maior confiança possível, as soluções são automáticas, ou melhor,
os problemas podem ser antecipadamente prevenidos (BLOM, 2004).
O suporte ventilatório insuficiente ou a dissincronia entre paciente-respirador
pode resultar na piora da mecânica respiratória e retardar o período de desmame e
extubação. Além de gerar um desconforto respiratório, promovendo o excesso de
trabalho e aumento no consumo de oxigênio, induzindo a uma hiperinsuflação
(BROCHARD, 1994).
Segundo TOBIN (2001), a interação entre paciente-ventilador exige maiores
estudos a fim de se descobrir e determinar os mecanismos de sincronismo entre o
ventilador e o ritmo respiratório do paciente, a exemplo da monitoração deste
sincronismo em momentos distintos: paciente dormindo e acordado.
15
2.3.1 Parâmetros Gerais e Específicos de Monitoração Ventilatória
A monitoração ventilatória constitui a essência da avaliação do paciente em
assistência ventilatória invasiva, refletindo as causas e problemas durante o suporte
mecânico do paciente.
Existem diversos parâmetros que podem ajudar no controle de uma assistência
ventilatória adequada em pacientes críticos em ventilação mecânica invasiva. Dentre
estes parâmetros estão as complacências estática e dinâmica, Peep, auto-peep,
volumes minuto e corrente, pressão máxima, freqüência respiratória, oximetria de pulso,
gasometria e outras (LÓPEZ-HERCE CID, 2003).
A intenção primária do corpo clínico de uma Unidade de Terapia Intensiva é
resolver ou melhorar a causa da falência respiratória dos pacientes críticos em
assistência ventilatória; suspender, aumentar e/ ou diminuir drogas vasoativas e
bloqueadores neuromusculares; analisar o estado de consciência e a estabilidade
hemodinâmica do paciente e controlar as desordens metabólicas/eletrolíticas
(BORGES, 2002).
a) Oximetria de pulso
O oxímetro de pulso destina-se à monitoração contínua e não invasiva da
saturação de oxigênio funcional da hemoglobina arterial (SpO
2
) e da freqüência de
pulso (medida pelo sensor de SpO
2
) (INC., 1999).
O monitor pode ser utilizado em pacientes adultos, pediátricos e recém-nascidos,
em todas as áreas do hospital, postos médicos ou até mesmo em casa.
Segundo NUNES (1999) o oxímetro de pulso permite uma monitorização
contínua e não invasiva da saturação parcial de oxigênio (SpO
2
), que expressa a
relação entre oxihemoglobina (O
2
Hb) e a soma das concentrações de oxi e
desoxihemoglobina (cHb).
O termo parcial é utilizado porque somente uma porção do total de hemoglobina
é considerada, ou seja, aquela disponível para o transporte de oxigênio, podendo ser
referenciada como saturação funcional.
16
A saturação parcial de oxigênio é expressa pela equação 1 (NUNES, 1999):
cHb)Hb(O
HbO
PsO
2
2
2
(1)
Onde:
O
2
Hb - concentração de oxihemoglobina
cHb - concentração de desoxihemoglobina
A oximetria de pulso constitui uma das técnicas mais avançadas de monitoração
respiratória. A maior contribuição da oximetria está na facilidade de manuseio,
incorporando-se ao diagnóstico e manipulação dos algoritmos que podem aumentar a
eficiência do controle dos pacientes em uma unidade de terapia intensiva (JUBRAN,
1999).
b) Análise Gasométrica
A gasometria é um exame laboratorial que pode ajudar no diagnóstico das
alterações pulmonares e serve para determinar alguns parâmetros que uma
monitoração convencional não é capaz de avaliar. Estes parâmetros referem-se a
medida de PaO
2
(Pressão arterial de oxigênio)
,
PaCO
2
(Pressão arterial de gás
carbônico), pH, SatO
2
(Saturação arterial de oxigênio), BE (Excesso de base), BIC
(Bicarbonato). O exame ajuda na evolução da resposta terapêutica às modificações da
ventilação mecânica de pacientes críticos e à administração de fármacos (LÓPEZ-
HERCE CID, 2003).
O padrão da monitoração da troca gasosa é a medida da PaO
2
e do pH no
sangue arterial. Os gases do sangue e o pH são analisados em amostras colhidas, e
através da gasometria arterial pode-se determinar a PaCO
2
e o pH, cujos valores
normais variam respectivamente de 35 a 45mmHg e de 7,35 a 7,45, respeitadas as
variações individuais de cada paciente (CELIS, 2006; PEREL, 1994; EMMERICH,
1998).
Usualmente, a saturação de oxihemoglobina no sangue arterial varia entre 60 e
100% (PEREL, 1994).
Na prática diária se o valor da PaO
2
for maior ou igual a 60 mmHg na vigência de
uma gasometria com FiO
2
menor ou igual a 0,4 e de um PEEP menor ou igual a 5
17
cmH
2
O ou na presença de índices de PaO
2
/FIO
2
acima de 200, refletem uma boa
oxigenação, podendo-se deduzir que o paciente possui parâmetros e patamares
respiratórios capazes de sustentar o início do desmame e extubação da prótese
ventilatória (EMMERICH,1998).
Estas relações de trocas gasosas são pouco práticas devido à falta de
praticidade na resolução prévia de equações, além de não serem suficientemente
sensíveis e específicas como preditores de sucesso no processo de desmame,
principalmente em se tratando de pacientes graves (BORGES, 2002). As medições da
saturação (SatO
2
) e, principalmente a equação PaO
2
/FIO
2
são medições consideradas
importantes como parâmetros avaliativos das trocas gasosas.
2.4. A MONITORAÇÃO DURANTE O PROCESSO DE DESMAME
O desmame refere-se a “descontinuidade” da ventilação mecânica. O grande
desafio está no tempo de duração do processo até que o paciente seja considerado
capaz de respirar espontaneamente (BROCHARD, 2004; GOODMAN, 2006;
HOFFMAN et al., 2005).
Durante a fase de retirada do paciente da ventilação pulmonar mecânica é
freqüentemente utilizado o termo “desmame” para designar os pacientes que
readquirem progressivamente a capacidade total da função respiratória (WERTHER,
1997).
Este processo representa um importante desafio, por desempenhar-se em
ambos os sentidos – de maneira tardia e gradativa, e/ou precoce e rápida, gerando
respostas na saúde do paciente (CONTI, 2004).
O aumento dos riscos de infecção, extensão no período de internação,
reintubações e mortalidades fazem do desmame um processo dependente de vários
fatores, tornando-o bastante complexo (CONTI, 2004; HOFFMAN et al., 2005).
A necessidade de pesquisas faz-se imprescindível não somente na determinação
sobre quais fatores são mais significativos, mas também sobre a avaliação e a
interação desses fatores durante o desmame. A complexidade desse processo se deve
a grande dificuldade em se prever o sucesso do mesmo (PEREL, 1994).
18
Um estreito limiar de distinção entre a falha de um desmame (incapacidade de
tolerar respirações espontâneas sem o suporte ventilatório) e a falha na extubação
(incapacidade de tolerar a remoção do tubo transtraqueal) promove respostas bastante
importantes no quadro clínico do paciente, por isso vêm tornando-se alvo e objetos de
estudo de diversas pesquisas (CONTI, 2004).
O uso das informações geradas com a monitoração permite que o profissional da
saúde utilize melhor os indicadores do ventilador conforme as necessidades específicas
de cada paciente na intenção de garantir e aumentar seu conforto (JUBRAN, 1999).
A prevalência de uma falha na extubação indica um precedente de falha no
processo de desmame (SARMENTO, 2005).
A monitoração dos parâmetros auxilia na minimização das complicações
induzidas pelo ventilador, otimizando a interação paciente-ventilador e preparando o
paciente para a descontinuidade da assistência ventilatória (JUBRAN, 1999).
2.5. VARIÁVEIS DETERMINANTES NO CONTROLE BÁSICO DO VENTILADOR
Os parâmetros respiratórios mais comuns avaliados na ventilação mecânica
segundo seus critérios, valores normais e respectivas unidades encontram-se no
Quadro 1.
19
Quadro 1 – Variáveis de monitoração ventilatória.
Critério Valor / Unidade
SatO
2
(Saturação de oxi-hemoglobina) 60% a 100%
PaCO
2
(Pressão arterial de Gás Carbônico) 35 a 45 mmHg
FiO
2
(Fração inspirada de oxigênio) menor que 60%
PaO
2
/FiO
2
(índice de Tobin) acima de 200 cmH
2
O/%
PEEP (Pressão Positiva Expiratória Final) menos que 5 cmH
2
O
VCe (Volume corrente espontâneo) 5 a 8 ml/kg de peso
VME (Volume minuto espontâneo) 6 a 10 litros/minuto
Pimax (Pressão inspiratória máxima) Acima de –20 cmH
2
O
FR (Freqüência respiratória) 25 a 30 rpm
Fonte: PEREL, 1994; TOBIN et al., 2001; EMMERICH, 1998; BORGES, 2002; SOARES, 2003; CELIS,
2006 .
1
2.6 A MONITORAÇÃO SEGUNDO DIFERENTES PATOLOGIAS
A forma como se dá a ventilação mecânica depende de vários fatores, como:
modo de ventilação pulmonar mecânica empregado, tipo e característica do aparelho
de ventilação, tempo de uso da ventilação pulmonar mecânica e da patologia de base
(WERTHER, 1997).
Em contraste ainda, existem outros fatores que podem explicar a duração da
assistência ventilatória: a etiologia da doença. É fato que a presença de uma patologia
prévia ou a etiologia da doença interfere de maneira direta no tempo de duração da
ventilação mecânica (BROCHARD, 2004).
1
Pressão Positiva no Final da Expiração (PEEP) ajusta um nível de pressão positiva ao final da
expiração (cmH
2
O).
Tempo Inspiratório (Ti): é tempo de cada inspiração.
Volume-Minuto espontâneo (VME): medida fornece informações a respeito da demanda de ar imposta ao
sistema respiratório do paciente em um minuto.
Freqüência Respiratória (FR): Respirações por minuto.
Volume-Corrente espontâneo (VCe): Volume minuto espontâneo multiplicado pela freqüência respiratória.
Pressão Inspiratória Máxima (Pimax): Pressão da capacidade geradora de estímulo contrátil da
musculatura inspiratória.
20
2.7 SISTEMA DE APOIO À DECISÃO
Atualmente a Informática está cada vez mais presente nas diversas profissões,
servindo como uma ferramenta na coleta, armazenamento e análise das informações
pertinentes à área da saúde. É cada vez mais freqüente o uso de sistemas
computacionais que visem à tomada de decisão (CARDOSO et al., 2005).
Uma decisão dificilmente é tomada com base em todas as informações
necessárias. As incertezas existentes no mundo real são tratadas pela mente humana
de maneira que a tomada de decisão seja possível, porém, baseada em fatos que não
representam uma verdade absoluta (TIBIRIÇÁ; NASSAR, 2003).
A informação médica é freqüentemente imperfeita, subjetiva, ou inespecífica,
envolvendo a criação de uma lista de possíveis estratégias e/ou ações para tomada de
decisão. A decisão, no entanto, raramente é tomada com a posse de todo o conjunto de
informações necessárias à tomada de decisão (DIAS, 2004).
Este raciocínio gera conclusões dúbias ou com diversas alternativas para se
chegar a conclusão de um determinado problema (DIAS, 2004; TIBIRIÇÁ; NASSAR,
2003).
Uma das grandes dificuldades é a apresentação aos profissionais da saúde dos
métodos utilizados para a elucidação do conhecimento e compreensão do
funcionamento de possíveis sistemas a serem construídos, a fim de se obter um
julgamento lúcido na tomada de decisão, com um nível de confiança (SAHEKI et al.,
2003).
Os Sistemas de Apoio à Decisão (SAD) são sistemas criados que vieram na
intenção de auxiliar os profissionais envolvidos na tomada a decisão, a partir de
situações de decisão semiestruturadas, a fim de estender suas capacidades sem
substituir seus julgamentos (TURBAN, 2001).
Um estudo recente nos Estados Unidos mostrou que as informações (livros-
texto) disponíveis aos médicos em seus locais de trabalho têm, em média, mais de 10
21
anos e que o rápido acesso a novas informações é limitado a encontros causais com
colegas nos corredores do hospital (HUBBS et al.,1997).
Por isso, sistemas de auxílio ao diagnóstico são uma alternativa de consulta,
como ferramentas capazes de reduzir os erros e custos, sem, porém, substituir o cargo
do profissional da saúde em tomar a decisão final.
O apoio à decisão pode ser realizado com dados e informações ou com
conhecimento. Esta diferença permite compreender a capacidade e tipo de apoio que
os sistemas de auxílio podem oferecer. Os sistemas de informação trabalham com
dados e informações, ficando a cargo do usuário, a análise e conclusão. Já os sistemas
baseados em conhecimento, por possuírem o conhecimento pertinente ao problema,
podem realizar conclusões sem a participação do usuário.
O sistema de informação não precisa dos sistemas baseados em conhecimento
para existir e realizar suas funções. Já os sistemas baseados em conhecimento
geralmente precisam de um sistema de informação, já que é através dele que os dados
e informações são inseridos.
Num sistema baseado em conhecimento, os dados e informações capturados
processados retornam, como resposta, um resultado ao usuário, cabendo ao mesmo
avaliar a pertinência do resultado apontado. Num nível mais especializado dos sistemas
baseados em conhecimento estão os Sistemas especialistas.
Dentre as técnicas de Inteligência artificial freqüentemente utilizadas na
construção de sistemas baseados em conhecimento e Sistemas especialistas
encontram-se as Redes Bayesianas (RB), utilizadas no tratamento da incerteza com o
auxílio da probabilidade (TIBIRIÇÁ; NASSAR, 2003).
As RB serão objeto de um detalhamento maior devido a sua utilização neste
trabalho.
A figura 3 mostra o relacionamento estabelecido entre os sistemas especialistas,
sistemas de informação e de sistemas de apoio à decisão. Os sistemas de apoio à
decisão são definidos como sistemas que auxiliam na resolução de problemas,
utilizando-se de dados ou conhecimento para tal (SHORTLIFFE, 2001). Na figura 3, a
subdivisão à direita está representado os Sistemas Baseado em Conhecimento (SBC)
que utilizam de técnicas de IA para trabalhar com o conhecimento.
22
Sistema de Apoio
à Decisão
Sistemas de
Informação
Sistemas Baseado
em Conhecimento
(SBC)
Sistemas
Especialistas
(SE)
Sistema de
Informação
Operacional
Sistema de
Informação
Tático
Sistema de
Informação
Georeferenciado
Sistema de
Informação
Operacional
Os SE são um subconjunto contido no conjunto dos SAD. Logo, todo SE é um
sistema de apoio à decisão, mas nem todo SAD é um SE.
Figura 3 - Classificação do Sistema de Apoio à Decisão.
Fonte: DIAS, 2004.
2.8 INTELIGÊNCIA ARTIFICIAL
A dificuldade na manipulação e integração dos dados e informações despertou a
relevância dos Sistemas Baseados em Conhecimento para a conclusão diagnóstica e
sua posterior utilização pela comunidade científica.
Cientistas na área de IA perceberam que para obter um comportamento
inteligente de um sistema fazia-se necessário não somente o desenvolvimento de
métodos de raciocínio, mas também da incorporação de conhecimento pertinente ao
problema no sistema (ADRATT, 2006).
Aa Inteligência Artificial (IA) é “o campo em que a maioria dos cientistas e
disciplinas gostariam de estar” (RUSSEL, 2004), por ser capaz de simular capacidades
inteligentes identificadas nos seres humanos. Capacidades estas como o raciocínio,
compreensão, comunicação de linguagem natural e aprendizagem (SILVIA & SANTOS,
2004).
A área da Inteligência Artificial é responsável pela pesquisa e desenvolvimento
de métodos que modelam e trabalham com o conhecimento. Na presença da incerteza,
a IA é capaz de modelar e trabalhar com estas incertezas do mundo real através de
sistemas computacionais (TIBIRIÇÁ; NASSAR, 2003).
23
A partir de meados do século XX, o desenvolvimento da Inteligência Artificial
ligou-se profundamente à evolução dos computadores, tornando-se possível simular
vários aspectos da inteligência humana, o que levou o homem a questionar se as
máquinas seriam inteligentes, assim como os seres humanos, capazes de aprender. A
história da Inteligência Artificial é marcada por diferentes paradigmas que se
contrapõem, por teorias que são defendidas, abandonadas e, por vezes, retomadas
(POZZEBON, 2004).
Apesar do seu reconhecimento, o objeto de estudo da IA continua nebuloso, pois
o homem ainda não possui uma definição satisfatória de inteligência. Para que seja
possível dominar os conceitos de IA e seu conhecimento, faz-se necessário
compreender os processos de inteligência artificial (POZZEBON, 2004).
Dessa indefinição, surgem diferentes teorias na Inteligência Artificial. A IA pode
ser definida como “o estudo do comportamento inteligente (em homens, animais e
máquinas) e a tentativa de encontrar formas pelas quais esse comportamento possa ser
transformado em qualquer tipo de artefato por meio da engenharia”, com o objetivo de
compreender a maneira como o ser humano raciocina e construir entidades inteligentes
(WHITBY, 2004; RUSSEL, 2004).
Atualmente a IA abrange uma enorme variedade de áreas, desde as de uso geral,
como aprendizado e percepção, até tarefas específicas como jogos de xadrez, e
demonstração de teoremas matemáticos, criação de poesia, e diagnóstico de doenças
(RUSSEL, 2004).
Uma definição bastante objetiva de IA é dada por RABUSKE (1995), como “o
resultado da aplicação de técnicas, recursos, especialmente de natureza não numérica,
viabilizando a solução de problemas que exigiriam, do ser humano, certo grau de
raciocínio e perícia, onde a solução destes problemas, com recursos tipicamente
numéricos, torna-se muito difícil”.
A Inteligência Artificial é uma ciência que procura estudar e compreender o
fenômeno inteligência, ao mesmo tempo, que compreende uma área da engenharia, na
medida em que procura desenvolver instrumentos para apoiar a inteligência humana
(POZZEBON, 2004).
24
A grande atividade da IA é a solução de problemas, usando e manipulando o
conhecimento. Mas para que seja possível resolver um problema, faz-se necessário ter
algum conhecimento do domínio do problema e utilizar alguma técnica de busca da
solução (BARRETO, 1999).
Dentre outras funções, a IA vem sendo utilizada para o reconhecimento de
padrões em imagens médicas, apoio ao diagnóstico médico, sistemas de ensino-
aprendizagem e na robótica, na intenção de desenvolver programas capazes de emular
o raciocínio de especialistas, dentro de um domínio específico (LIMA, 2006).
O desenvolvimento da Inteligência Artificial e de diversos sistemas de apoio ao
diagnóstico médico (SADMs), vêm surgindo voltados a várias especialidades, tais como
medicina interna, doenças bacterianas, doenças renais, entre outras iniciativas
(KULIKOWSKI, 1980).
Muitos programas estão sendo amplamente difundidos, criados e utilizados a fim
de se corrigir problemas e encontrar possíveis soluções para os mesmos,
principalmente na área da saúde (WANG et al., 2002).
Um dos paradigmas relevantes desenvolvidos pela comunidade de
pesquisadores da área de inteligência artificial recebeu a denominação de sistema
especialista.
Assim, os Sistemas de Apoio à Decisão são criados para auxiliar o profissional
no processo de tomada de decisão, podendo ou não, utilizar-se da Inteligência Artificial
(IA), conforme mostrado na figura 3.
2.9 SISTEMA ESPECIALISTA
Sistemas Especialistas (SE) são sistemas de computadores que tomam decisões
ou auxiliam no processo de tomada de decisão, utilizando-se da representação do
conhecimento disponível sob um domínio particular, de forma que estas funções sejam
executadas com base em um conhecimento representado por algum formalismo
(ABEL,1998; ROQUE-SPECHT, 2002).
As aplicações baseadas em SE referem-se freqüentemente ao auxílio à tomada
de decisões envolvendo a dedução de possíveis situações, a partir de observações e
25
informações apresentadas. O sucesso do modelo deve-se à sua simplicidade e
efetividade no tocante a sua construção, e a sua arquitetura estruturada de forma a
facilitar o desenvolvimento e a manutenção.
A estrutura de um SE pode ser melhor descrita pelos blocos básicos que
compõem um SE genérico. De uma forma geral o SE pode ser dividido em 4 blocos: (i)
base de conhecimento é onde o conhecimento disponível sobre o domínio da aplicação
são inseridos e persistidos; (ii) memória de trabalho é onde os fatos são armazenados
durante o processo de inferência. Porém, este componente pode estar ausente
dependendo da técnica de representação do conhecimento utilizado no sistema
(ADRATT, 2006); (iii) máquina de inferência ou motor de inferência, é o módulo que
processa os dados inseridos pelo usuário com base no conhecimento disponível na
base de conhecimento; e (iv) a interface do usuário que corresponde à parte do sistema
que se encontra voltada à interação humano - computador (RABUSKE, 1995).
A aquisição do conhecimento é a parte mais sensível para o desenvolvimento de
um sistema especialista. Trata-se de um processo de modelagem, ou seja, da criação
de uma teoria de problemas e soluções pertinentes a tarefas num domínio específico
(HARNISCH, 2006; BITTENCOURT, 1998).
Para NASSAR (2005) “a representação do conhecimento é a formalização do
conhecimento de um sistema”. Assim, a representação do conhecimento é um processo
sistemático de representar (codificar) e estruturar o conhecimento sobre uma
determinada aplicação (REZENDE, 2003; HARNISCH, 2006).
Sistemas Especialistas vêm ganhando um espaço bastante importante na área
da saúde permitindo a interpretação de patologias com base nos diagnósticos
laboratoriais, auxiliando, portanto, na tomada de decisão do profissional da saúde. Em
muitas investigações diagnósticas, os resultados procedem de diferentes e diversas
análises, assim como de informações específicas e de um conhecimento da terapia,
adquiridos com precisão com base no estado do paciente (SMYTHE, 1997).
Um SE é capaz de atender a uma aplicação determinada e específica do
conhecimento humano, com a capacidade de trabalhar mediante as incertezas,
bastante comuns à realidade da saúde.
26
Além disso, o SE pode oferecer explicações ao usuário, auxiliando no apoio à
decisão e no desempenho de atividades, melhorando, consecutivamente a qualidade
do atendimento à saúde. Possui ainda a capacidade de emitir uma decisão apoiada em
uma base de conhecimento, e a possibilidade de adaptação e extensão a outro
especialista dentro de uma determinada área do conhecimento humano (ADRATT,
2006; DIAS, 2004).
2.9.1 Aquisição do Conhecimento
A arquitetura de um SE baseia-se no fato de que o conhecimento necessário
sobre o problema está contido na base de conhecimento, na tentativa da representação
fiel da seqüência de raciocínios do especialista. Sua construção está baseada na
correta interpretação; no raciocínio embutido na base e no reconhecimento das
explicações dadas ao usuário, de modo que possa ser ampliado ou modificado sem
necessidade de interferência nos métodos (ABEL, 1998).
A intenção de estar especificando um processo é que o mesmo seja expresso da
forma mais natural possível, de forma a ser entendido por todos os usuários envolvidos
no processo.
2.9.2 Teorema de Bayes
Uma ferramenta matemática consistente para a manipulação de incertezas é o
cálculo da probabilidade, que se encontra bem estabelecido. Através dele é possível
obter informações de um conjunto de possíveis soluções (população) a partir de dados
obtidos de um subconjunto (amostra) (DIAS, 2004).
Um dos teoremas mais úteis da teoria da probabilidade é justamente o teorema
de Bayes, que trata a incerteza por meio do cálculo da probabilidade condicional de um
evento, dadas as evidências disponíveis (FLORES; HOHER, 2001).
O tratamento da incerteza possibilitado pelo Teorema de Bayes (TB) tem sido
aplicado em diversos sistemas especialistas (PERAZZO, 2006; RICH, 1993; DIAS,
2004), fornecendo assim uma abordagem para calcular as probabilidades para cada
27
diagnóstico, dado um conjunto de indicadores. Portanto, é uma maneira eficaz de
combinar probabilidades condicionais, produzindo uma probabilidade final.
O Teorema de Bayes é um método de cálculo da probabilidade a posteriori a
partir da probabilidade a priori e da prevalência de determinada doença (SHORTLIFFE,
2001). As probabilidades previamente conhecidas, a priori, para um evento específico
são ajustadas por meio do TB, sempre que uma nova evidência esteja disponível
(ADRATT, 2006). Assim, é possível calcular a probabilidade de sucesso, por exemplo, a
posteriori, com o auxílio do Teorema de Bayes (TB) (PERAZZO, 2006). O Teorema de
Bayes (TB) é apresentado na equação 2.
k
1
|
|
|
j
jj
ii
i
HeΡHΡ
HΡHeΡ
eHΡ
(2)
Onde:
:/eHP
i
probabilidade que a hipótese
i
H seja verdadeira dada a evidência
e
;
:/
i
HeP probabilidade que a evidência
e
seja observada se a hipótese
i
H for verdadeira;
:
i
HP probabilidade a priori que a hipótese
i
H seja verdadeira na ausência de qualquer evidência
específica;
k : número de hipóteses possíveis.
A grande dificuldade na utilização do TB está na complexidade matemática de
problemas com múltiplas causas e conseqüências. Com o aumento do número de
probabilidades necessárias ao cálculo das probabilidades a posteriori há um aumento
maior ainda da complexidade do problema, principalmente na determinação destes
valores (ADRATT, 2006).
Essa complexidade limitou a aplicação do TB até o surgimento das Redes
Bayesianas, e será abordada na sequência.
A presença da incerteza altera o modo como um agente toma decisões. Em
geral, um agente lógico tem uma meta e executa qualquer plano que ofereça a garantia
de atingir esta meta. Porém, quando a incerteza entra no quadro, isto não mais
acontece (RUSSEL, 2004). A magnitude desta incerteza obriga à escolha de técnicas
que tenham a capacidade de manipulá-la.
28
2.10 REDES BAYESIANAS
Redes Bayesianas (RB) são modelos usados em inteligência artificial nas mais
diferentes aplicações, principalmente em problemas onde os dados/informações
necessários ao processo de tomada de decisão apresentam a necessidade da
manipulação de incerteza (PERAZZO, 2006).
Os nós que compõem uma Rede Bayesiana representam as variáveis com
medida de incerteza associada, e os arcos representam a existência causal direta entre
os nós conectados (RUSSEL, 2004; TIBIRIÇÁ; NASSAR, 2003).
A Figura 4 mostra graficamente esta relação causal entre os nós e os arcos.
Assim, um arco ligando as variáveis (Causa 1, Causa 2, Efeito) indica uma relação de
dependência entre os mesmos (RAMOS, 2006).
Figura 4 – Sentido das conexões da Rede Bayesiana.
Fonte: ADRATT, 2006.
As RB aplicadas a problemas médicos facilitam a compreensão, pois são grafos
acíclicos e direcionados utilizados para representar as dependências probabilísticas
entre variáveis aleatórias discretas ou contínuas. Por esse motivo, as RB representam
uma ferramenta da Inteligência Artificial com maior sucesso em aplicações práticas para
a medicina (SAHEKI, 2003).
Enquanto o Teorema de Bayes apresenta uma abordagem para calcular as
probabilidades de cada diagnóstico médico, dado um conjunto de informações pré-
existentes, as RB especificam dependências e independências que compõem o
diagnóstico médico de forma mais simples. Assim, as dependências são expressas
qualitativamente como links entre nós, que correspondem as variáveis do sistema, e
podem estruturar o domínio do conhecimento qualitativamente antes mesmo de
qualquer probabilidade numérica ser determinada e inserida (RAMOS, 2006).
29
Na Figura 5 é apresentado um exemplo com três nós (FiO2, FR e ALERTA). O nó
ALERTA, onde a orientação se processa no sentido contrário a flecha, representa o
efeito, sob a existência da causalidade FR (freqüência respiratória) e FiO2 (fração
inspirada de oxigênio). Assim mediante a relação causal do nó ALERTA com FR e
FiO2, lê-se que a partir das observações referente aos nós FR e FIO2 é gerado o
ALERTA adequado.
Figura 5 – Representação gráfica dos nós e arcos que compõem uma Rede Bayesiana em ventilação
mecânica.
Fonte: autor, 2007.
Esta aplicação das Redes Bayesianas obedece a uma condição, conhecida
como Condição de Markov. Esta condição diz que não existe uma relação de
dependência direta entre quaisquer dois nós, a não ser que tenha um arco entre eles na
rede (FLORES; HOHER, 2001). Assim, se tiver um arco ligando A B, diz-se que o nó
A representa, semanticamente, uma causa de B e nomeia-se A como um dos pais de B.
Na área médica, uma rede é construída para um problema, a direção dos arcos
representa as relações de causa - conseqüência entre as variáveis. Um nó é observado
quando há conhecimento sobre o estado da variável que está representado o nó, e os
nós observados têm importância significativa no processo de inferência realizado na
rede.
No âmbito da saúde, o profissional pode utilizar a prevalência das variáveis na
monitoração de uma população de pacientes em ventilação mecânica para estimar o
risco inicial do paciente ser ventilado adequadamente, por exemplo.
Em muitas ocasiões, o valor exato da probabilidade que no caso da RB é parte
do conhecimento, pode não ser conhecido em função de informações vagas e
insuficientes; ou quando um conjunto de especialistas diverge sobre os parâmetros de
uma rede; ou quando dados experimentais são coletados e não são suficientes para
estimar um único valor de probabilidade (PERAZZO, 2006).
30
Na presença de disparidades sobre os parâmetros de uma rede, a quantidade de
especialistas envolvidos no processo de aquisição do conhecimento pode transformar-
se numa questão complexa. Desta forma, diversos especialistas envolvidos no
processo de formação da base de conhecimento e construção da rede podem
contribuir, mas também, prejudicar, aumentando ainda mais as divergências e
complexidade do processo (TIBIRIÇÁ; NASSAR, 2003).
2.10.1 Ferramentas
Para facilitar a implementação de sistemas especialistas existem ferramentas
que foram desenvolvidas especificamente para este fim. Estas ferramentas são
denominadas de Shell ou “casca” e facilitam o desenvolvimento de sistemas de apoio à
decisão (ADRATT, 2006; BELTRÃO et al., 2004).
Alguns sistemas conhecidos são (ADRATT, 2006):
Netica – Desenvolvido pela Norsys Software Corp. Permite a geração de uma
Rede Bayesiana com facilidade e boa qualidade gráfica, de forma organizada.
Disponível em www.norsys.com.
BNG – Desenvolvido pela Universidade de Wisconsin. Utiliza-se de variáveis
temporais e não temporais para a construção da base de conhecimentos com Rede
Bayesiana. Permite, assim, uma representação de informações que não seriam
possíveis nas RB tradicionais e a vantagem da economia computacional. Disponível em
www.mcw.edu/midas/bng.html.
DxPress – Desenvolvida pela Universidade de Stanford. Utiliza-se da
independência causal com uma economia de tempo tanto para o especialista como
para o engenheiro de conhecimento. Disponível em www.kic.com.
Graphical Belief – Desenvolvido pela Universidade de Whashington. É um
sistema que auxilia na elaboração de diagramas de influência baseados em funções de
crenças. Possui ambiente interativo para construção dos modelos gráficos, na obtenção
de prognósticos. Disponível em bayes.stat.washington.edu/almond/gb/graphical-
belief.html.
31
Hugin – Desenvolvido pela Universidade de Aalborg / Dinamarca. É um sistema
comercial que trabalha com RB e com diagramas de inferência; com a capacidade de
construir modelos levando em consideração a incerteza inerente ao domínio de
conhecimento. Disponível em www.hugin.com.
Microsoft Belief Networks (MSBN) – Desenvolvido na Microsoft, livre para uso
acadêmico ou não comercial. Software escrito em Visual Basic 4.0, destinado à
construção e avaliação de RB. Disponível em
www.research.microsoft.com/adapt/MSBNx.
IDEAL – Desenvolvido pela Rockwell Palo Alto Laboratory. É um sistema de
inferência para RB e de avaliação para diagramas de influência, constituído numa base
de testes, adequada, sobretudo, para implementações experimentais que utilizam RB.
Disponível em rpal.rockwell.com/ideal.html.
SPIRIT - Desenvolvido pela Universidade de Hagen - Alemanha. Sistema gráfico
para a criação de RB, permitindo a utilização de diversos tipos de variáveis. Disponível
em www.xspirit.de.
BayesiaLab - Ferramenta de desenvolvimento e análise de RB, com excelente
interface gráfica. Disponível em www.bayesia.com.
BayesWare Discoverer – Desenvolvido pela Bayesware Limited. É uma
ferramenta para criação de RB a partir de banco de dados. Disponível em
www.bayesware.com.
BOL - Desenvolvido na África do Sul. Sistema de respostas em tempo real e com
conectividade. Possui ferramentas sofisticadas para decisões estratégicas, tanto para
diagnóstico quanto prognóstico, além de análise de decisão e de risco, podendo ser
utilizada também em aplicações de monitoramento. Disponível em
www.kbe.co.za/products/bol.htm.
Outros sistemas muito bons e com grande quantidade de material de apoio são
os sistemas open source. Alguns sistemas open source podem ser utilizados no Matlab,
a exemplo do www.mathworks.com. Outros como: JavaBayes (Bayesian Networks in
Java), BUGS (Bayesian inference Using Gibbs Sampling), PNL (Intel’s Open Source
Probabilistic Networks Library), BNT (Bayes Net Toolbox) encontram-se disponíveis em:
http://www.cs.cmu.edu/~javabayes/
32
http://www.mrc-bsu.cam.ac.uk/bugs/
https://sourceforge.net/projects/openpnl
http://bnt.sourceforge.net/.
Uma vez implementado o SE com base na RB, faz-se necessário a sua
avaliação, visando a obtenção da qualidade do apoio à decisão conferido pelo mesmo.
Com base nisto, a utilização da Curva ROC vem de encontro à qualificação do
SE desenvolvido, tornando-se clássica para qualificar o SE implementado. Há vários
softwares que auxiliam nesta tarefa, mas um software de fácil manuseio é o MedCalc.
MedCalc – O MedCalc é um software estatístico que atende às exigências de
pesquisas na área biomédica, por possuir gráficos fáceis para entrada de dados, dentre
eles a Curva ROC, e comparação de métodos. O programa é compatível com o
Windows 98 SE, Me, Windows 2000, Windows XP, Windows Server 2003 e Windows
Vista. Disponível em www.medcalc.be para teste por 30 dias.
Curva ROC – A Curva ROC corresponde a uma curva obtida através da
aplicação do software MedCalc e representa o par especificidade/sensibilidade,
correspondendo ao limiar de decisão para um determinado estudo. A área abaixo da
curva ROC refere-se a uma medida onde um melhor parâmetro pode ser distinguido
entre dois grupos diagnósticos, ou seja, representa o ponto de maior especificidade e
sensibilidade, representando, então, o valor que maximiza a sensibilidade e a
especificidade.
Uma vez obtido o ponto de corte, todo o conjunto de teste (padrão-ouro) pode
ser representado. Esta representação, porém, não se dá na forma de percentagem do
acerto, mas sim, na posição categórica de sim ou não, sob a condição: acertou (sim) ou
não acertou (não). Baseando-se nesta posição categórica (sim ou não), é possível
montar a tabela 2x2 e seus respectivos testes diagnósticos.
De uma forma mais detalhada, o início do processo se dá pela criação dos nós,
correspondendo à parte qualitativa do sistema. Através da identificação das variáveis e
seus atributos torna-se possível alimentar um Shell e depois inserir as probabilidades
diretamente nas tabelas de probabilidade condicional (TPC).
As TPCs são criadas inicialmente de forma automática, mas ainda permanecem
vazias sob a ausência dos valores das probabilidades.
33
A determinação dos valores de probabilidades para o preenchimento das TPCs
consiste, portanto, em outra etapa, caracterizando a parte quantitativa do processo de
implementação de uma RB (ROQUE-SPECHT, 2002).
2.11 SISTEMAS DE APOIO À DECISÃO EM VENTILAÇÃO MECÂNICA
Os Sistemas de apoio à Decisão em Ventilação Mecânica podem servir de
auxílio na monitoração dos pacientes críticos sob assistência ventilatória mecânica
invasiva.
Considerando que os profissionais da saúde desenvolvem competências e
saberes tecnológicos passíveis de modificações, a construção de novos conhecimentos
e de instrumentos está voltada à prática profissional. A discussão e a apresentação de
propostas que visem à utilização de recursos computacionais torna-se cada vez mais
imprescindível (CARDOSO et al., 2005).
Muitas medidas podem ser obtidas e identificadas como ponto de partida na
monitoração de pacientes. Medidas simples como freqüência respiratória e gasometria,
até métodos mais complexos como a determinação da estabilidade hemodinâmica
gastrointestinal, ou o uso de modelos computadorizados e de suporte e apoio à decisão
(ELY et al.,1996).
Muitos estudos como o de ELY et al. (1996) e MATTOS (2000) já apontam para
o uso de um Sistema de Apoio à Decisão durante o desmame de pacientes em
assistência ventilatória com ótimos resultados.
As técnicas fuzzy parecem adequadas para representar conceitos vagos
inerentes a termos lingüísticos, presentes quando o objeto de estudo é a ventilação
mecânica. Esta imprecisão lingüística de predicados como variáveis “altas”, “menores”,
“próximas”, e a imprecisão do tipo “freqüência respiratória entre 10 e 16 batimentos por
minuto”, e quantificadores imprecisos do tipo “a maioria” representam terminologias que
regem referências destinadas a pacientes em ventilação mecânica (FLORES; HOHER,
2001).
A técnica de algoritmos, na forma de geração de regras pode também ser
estudada em ventilação mecânica, a fim de se obter um melhor sincronismo entre
34
paciente – ventilador, porém, apesar de constituir-se de um procedimento formal, a
mesma apresenta falhas nas respostas e soluções possíveis mediante a falta e/ou
escassez de informações (WATERMAN, 1986).
Algumas técnicas de IA ainda devem ser rigorosamente adaptadas de acordo
com a evolução de cada paciente, a fim de se gerar o status da ventilação mecânica, ou
seja, a qualidade com que este paciente está sendo ventilado (HATZAKIS, 2002;
TOBIN, 2001).
Independente da técnica escolhida e aplicada perante uma gama de recursos
computacionais, é sabido que os sistemas de suporte às decisões clínicas podem
contribuir significativamente na qualidade e consistência dos cuidados ao paciente
crítico (FOX, 2002).
35
A motivação do estudo surgiu da subjetividade que permeia o controle de
pacientes em ventilação mecânica, dada uma gama de patologias, variáveis e
parâmetros bem estruturados na literatura pelos consensos, mas distantes da prática
clínica. Isto compõe um quadro com altos índices de falhas na monitoração dos
pacientes dentro das Unidades de Terapia Intensiva.
Neste capítulo encontra-se a seqüência de passos para o desenvolvimento
deste trabalho. São apresentados os procedimentos de levantamento da base de
casos, e a criação do diagrama de atividades que retrata o processo de monitoração
ventilatória do paciente. Apresenta-se também a proposição do sistema de apoio à
decisão, com a implementação e treinamento da Rede Bayesiana (RB) por meio do
shell Netica.
3.1 O PROCESSO
Antes da avaliação e levantamento das variáveis necessárias ao processo de
tomada de decisão, foi obtido o fluxo das atividades envolvidas na fase de
monitoração do paciente.
O fluxo criado permite esclarecer a maneira com que os profissionais da
saúde iniciam suas decisões e a seqüência com que estas são tomadas.
Assim, inicialmente, o fluxo de atividades, teve por objetivo gerar um modelo
no processo de monitoração ventilatória. A construção deste diagrama está voltada
para o bom acompanhamento ventilatório dos pacientes críticos de Unidades de
Terapia Intensiva. Para tanto, verificou-se a necessidade de algumas considerações
relacionadas ao estado do paciente grave. As variáveis utilizadas na qualificação do
estado do paciente foram:
sinais vitais: FR, FC, PA. Considerando o mínimo de sinais essenciais na
monitoração de um paciente em ventilação mecânica;
3. Metodologia
36
conforto do paciente (padrão respiratório, tiragens intercostais, uso de
musculatura acessória, nível de consciência);
gasometria: PaO
2
, PaCO
2
, pH;
oximetria: SatO
2
; e
parâmetros do ventilador: alerta da modalidade ventilatória (controlada,
assistida, espontânea) e alerta de parâmetros.
Para a qualidade relacionada ao estado do paciente considerou-se que um
paciente em bom estado indica como resposta “SIM”, ou seja, significa que a
decisão tomada gerou um resultado satisfatório na ventilação mediante a
quantificação e observação dos sinais vitais, conforto do paciente, oximetria e
gasometria. Já a resposta “NÃO”, é indicativa de um estado ruim, ou seja, significa
um nível de desempenho abaixo do qual deveria ser a tomada de decisão numa
medida urgente. Desta forma, portanto, não há resultado satisfatório mediante a
quantificação e observação dos sinais vitais, conforto do paciente, oximetria e
gasometria (Figura 6).
A bolinha totalmente preenchida caracteriza o início do processo. Dado que,
inicialmente, não se tem posse de todo o conjunto de variáveis de monitoração para
a tomada de decisão, o mesmo é caracterizado como um sub-conjunto, tendo-se os
sinais vitais e parâmetros do ventilador (variáveis mínimas), já mencionados
anteriormente. As decisões no processo são representadas graficamente na forma
do losango, gerando dois caminhos de resposta: SIM (S) e NÃO (N), orientados pela
flecha.
Cada ação realizada gera resultados expressos em outras ações ou em
decisões.
O processo de monitoração é um processo cíclico e contínuo. Na definição
dos tipos de alerta, retorna-se à verificação do estado do paciente ou encerra-se o
processo seguindo os passos para possível desmame e extubação do paciente.
37
Figura 6 - Diagrama de atividades no processo de monitoração ventilatória.
Fonte: autor, 2007.
3.2 SELEÇÃO DAS VARIÁVEIS
Uma vez definido o processo de monitoração, realizou-se o levantamento das
variáveis de monitoração ventilatória voltadas ao atendimento de pacientes críticos
em Unidades de Terapia Intensiva, visando atender a demanda do fluxo do processo
de monitoração ventilatória. Para isso, foram contatados profissionais que atuam na
38
área de ventilação mecânica, via e-mail e pessoalmente, solicitando o
preenchimento de um questionário que continha todas as variáveis trazidas na
literatura. O objetivo deste questionário é definir um conjunto de variáveis utilizadas
pelos profissionais na monitoração do paciente em assistência ventilatória invasiva,
em corroboração ou não às coletadas na literatura.
Assim, as variáveis puderam ser selecionadas conforme a marcação de um
“x” mediante a apresentação do conjunto de variáveis em diferentes cenários
(patologias).
A metodologia do estudo visou acomodar as variáveis, bem como os
parâmetros pertinentes às mesmas, estabelecendo-se uma comparação entre as
variáveis escolhidas pelos profissionais e a literatura.
Admitiu-se, visando a maior abrangência possível ao estudo, um conjunto de
cenários compostos por pacientes adultos e em assistência ventilatória invasiva,
com diagnósticos de patologias neurológica, cardíaca, respiratória, pós operatório de
cirurgia abdominal e/ou outras. Não fizeram parte dos estudos os neonatos e
crianças.
De trinta e dois (32) profissionais contatados, apenas seis (6) deles
retornaram as solicitações em tempo hábil para a realização deste trabalho. Destes
seis profissionais, todos trabalham em hospitais universitários dentro de Unidades de
Terapia Intensiva. Cinco deles são especialistas, por possuírem uma experiência
profissional de mais de cinco anos na área de terapia intensiva. Um profissional, no
entanto, possuía uma experiência inferior a cinco anos (dois anos), eleito, em função
disto, colaborador na pesquisa. A condição de profissional especialista veio,
portanto, da experiência profissional na área de terapia intensiva superior a cinco
anos sem interrupção, e, da participação direta e/ou indireta na monitoração dos
pacientes críticos, através de prontuários e/ou acompanhamento ventilatório e
estado do paciente.
As variáveis trazidas pela literatura na monitoração ventilatória foram divididas
em quatro classes, com seus respectivos atributos conforme pode ser visto nos
quadros 2, 3, 4 e 5.
39
Quadro 2 – Variáveis previamente selecionadas na literatura como atributos da classe Mecânica
Respiratória.
Classe Atributos
Elastância
Complacência
Resistência nas vias aéreas
Pressão de Suporte
Pressão de Platô
I:E
Capacidades
Volumes
Auto-PEEP
Curvas
Mecânica
Respiratória
Fluxo
Fonte: autor, 2007.
Quadro 3 – Variáveis previamente selecionadas na literatura como atributos da classe Troca Gasosa.
Classe Atributos
PaO
2
PaCO
2
FiO
2
FiO
2
/PaO
2
PaO
2
[(A-a)2]
Troca Gasosa
pH
Fonte: autor, 2007.
Quadro 4 - Variáveis previamente selecionadas na literatura como atributos da classe Sinais Vitais.
Classe Atributos
PA
Pressão cuff
Glasgow
PIC
FR
Sinais Vitais
FC
Fonte: autor, 2007.
Quadro 5 - Variáveis previamente selecionadas na literatura como atributos da classe Função
Ventilatória.
Classe Atributos
VCe
Pe
max
Pi
max
Te
Ti
PEEP
Função Ventilatória
P
max
Fonte: autor, 2007.
40
3.3 FORMAÇÃO DA BASE DE CASOS
A metodologia da pesquisa está centrada na definição e no desenvolvimento
computacional de apoio à decisão no acompanhamento e controle de pacientes de
Unidades de Terapia Intensiva em ventilação mecânica.
O acompanhamento e controle são realizados por meio da monitoração das
variáveis e modalidade ventilatórias acerca do estado do paciente, mediante uma
gama de patologias.
As variáveis selecionadas conforme a usabilidade indicada pelos especialistas
e em corroboração com a literatura compõem o quadro 6:
Quadro 6 - Registro dos parâmetros e variáveis trazidos pelos especialistas.
Classe Especificação Atributos Tipo / Domínio
Mecânica
Respiratória
Valores que determinam a
mecânica respiratória.
I:E Alfanumérico
Contínuo
Troca Gasosa
A manutenção da
viabilidade e função tecidual
é dependente de uma
adequada oferta e consumo
de O2.
SatO
2
FiO
2
PaO
2
PaCO
2
Alfanumérico
Contínuo
Sinais Vitais
Análise dos sinais vitais.
FR
FC
PA
Alfanumérico
Contínuo
Função
Ventilatória
Análise das trocas gasosas
dados os valores inseridos
na interação paciente-
ventilador
VC
Ti
Te
Pmax
Alfanumérico
Contínuo
Fonte: autor, 2007.
A base de casos foi composta por 50 casos, criados a partir do conjunto de
cenários (patologias) e das variáveis previamente selecionadas.
A mesma constituiu situações reais do cotidiano dos profissionais.
Um conjunto parcial de casos clínicos compôs esta base de casos. Os
alertas gerados foram escolhidos conforme as possibilidades de mudanças
sugeridas pelos ventiladores artificiais, definidos como:
A1- mudar parâmetro
A2 – mudar modalidade
A1_E_A2 – mudar ambos
NAOGERA - não gera alerta.
41
Cenário 1: dado um paciente neurológico
E gasometria = normal
E respiração = espontânea
E FiO2 >= 90
E Pmax = de_21_a_23 cmH
2
O
Então alerta = NAOGERA
Cenário 2: dado um paciente pós operatório de cirurgia abdominal
E responsivo = sim
E hemodinamicamente = estável
E FR = maior_25 rpm
E volume corrente espontâneo >= 8 ml/kg
Então alerta = A1_E_A2; A1; A2.
Cenário 3: dado um paciente cardíaco
E PaCO
2
> 35
E PaO
2
< 80
E PEEP <= 5
E PaCO
2
/FiO
2
>= 200
E FiO
2
< 0.4
Então alerta = A1_E_A2; A1; A2.
O diagrama de atividades (Figura 6) mostrado anteriormente leva a um
modelo de processo na monitoração do paciente em assistência ventilatória invasiva.
Dos 50 casos da base, foram escolhidos 10 casos para compor o grupo
PADRÃO OURO, utilizado, posteriormente na avaliação do desempenho do sistema
desenvolvido com base nos demais 40 casos.
Os 10 casos foram escolhidos utilizando-se do método de sorteio aleatório
com distribuição uniforme, por meio do Microsoft Excel.
Portanto, os 50 casos foram divididos em dois grupos, 10 casos para o
PADRÃO OURO e 40 casos para o grupo, denominado de grupo_TREINAMENTO.
3.4 ESCOLHA DA TÉCNICA DE REPRESENTAÇÃO DO CONHECIMENTO -
INTELIGÊNCIA ARTIFICIAL
A monitoração do paciente em assistência ventilatória invasiva é um processo
complexo, baseado em padrões não bem estabelecidos tanto na literatura como no
resultado de suas associações dentro da rotina de cada profissional da saúde.
Considera-se, assim, a monitoração um quadro probabilístico, tendo em vista a
42
patologia, exames laboratoriais e o estado do paciente. A implementação do modelo
proposto exigiu, portanto, uma técnica de representação do conhecimento que
permita trabalhar pelo menos de forma aceitável com a incerteza.
Além da presença da incerteza como problema no processo de tomada de
decisão em ventilação mecânica, existe uma dificuldade ainda mais marcante: a
necessidade de ventilar o paciente no momento imediato em que o mesmo precisa
de suporte sem, contudo, conhecer todas as variáveis necessárias ao processo de
decisão. Algumas variáveis, como as presentes na gasometria, não estão presentes
no momento inicial da monitoração. Assim, em um primeiro momento, a decisão é
tomada com um sub-conjunto das variáveis e somente após a finalização dos
exames laboratoriais (gasometria) é que ajustes finais são realizados nas escolhas,
com base nestas evidências. É por este motivo que se optou, para este trabalho,
pela técnica de RB como técnica de representação do conhecimento.
Desta forma as RBs permitem a manipulação de variáveis, na presença da
incerteza, mediante um sub-conjunto de variáveis. Poucas técnicas de IA permitem
trabalhar adequadamente com o conhecimento, nestas condições, como a RB.
A utilização de RB permite que a subjetividade das informações seja
considerada, haja vista que as variáveis trazidas pelos profissionais da área
qualificam as informações, antes que as mesmas sejam utilizadas.
3.5 SHELL NETICA
A escolha pela Shell Netica Application vem ao encontro das necessidades do
projeto de um ambiente adequado ao desenvolvimento do sistema nas fases de
implementação, avaliação e manutenção.
O presente trabalho relaciona e organiza as variáveis, segundo as
informações disponíveis, caracteriza-as, e gera sinais de alerta, dada a evolução do
paciente no período em que o mesmo se encontra em assistência ventilatória
invasiva.
Assim, avaliando o processo de monitoração e as variáveis no acompanhamento
ventilatório dos pacientes e tendo-se posse da base de casos com suas variações e
condutas de monitoração, modelou-se a parte gráfica ou qualitativa da Rede
43
Bayesiana. Nesta etapa, foram introduzidas as variáveis que constituíram os nós e
as relações entre elas, os arcos direcionados.
O modelo gráfico representa a relação causal entre os 13 nós de entrada e o nó
de saída, ALERTA, totalizando 14 nós, conforme mostra a Figura 7.
Figura 7 – Parte qualitativa da RB.
Fonte: autor, 2007.
O conjunto de probabilidades condicionais a priori associadas aos arcos e a
cada variável de entrada formam as tabelas de probabilidade condicional (TPC). As
44
tabelas de probabilidade condicional precisam ser alimentadas, bem como as
probabilidades de incidência, pertinentes ao nó de saída do sistema.
Assim, as probabilidades necessárias ao preenchimento das tabelas da Rede
Bayesiana
foram adquiridas por meio da base de casos (40 casos), já construída, e
caracterizaram as possibilidades necessárias à emissão do tipo de alerta. Neste
caso, a rede aprendeu com os casos.
A figura 8 apresenta a TPC do nó PEEP, a fim de exemplificar a parte
quantitativa da rede.
Figura 8 – Parte quantitativa da rede.
Fonte: autor, 2007.
A forma de interpretar a TPC exemplificada na Figura 8 é fácil. Assim, a
probabilidade do tipo de Alerta ser A2 dado um PEEP de 10 a 15 é de 6,250%.
Matematicamente a frase é representada da seguinte forma:
P(Alerta=A2/PEEP=”de_10_a_15”) = 6,250%
3.6 AVALIAÇÃO DO SISTEMA
Os resultados apresentados pelas RB são numéricos. Desta forma, para
avaliação dos mesmos optou-se pela Curva ROC como ferramenta. A curva ROC foi
obtida a partir do software MedCalc, que disponibilizou, além do resultado da área
sob a curva, uma proposta do ponte de corte, acima do qual o alerta deverá ocorrer
e qual o tipo de alerta.
O ponto de corte é considerado um ponto ótimo para avaliação do sistema, ou
seja, a escolha do valor de ponto de corte se dá em função do resultado esperado, a
fim de se aumentar a especificidade ou sensibilidade do sistema.
45
Após a obtenção do valor do ponto de corte foi possível construir as tabelas
de contingência, ou tabelas 2x2, para cada tipo de alerta: A1, A2, NÃO GERA,
A1_E_A2, INESPECÍFICO.
Tabela 1 - Tabela 2X2
Padrão Ouro
1 0
Total
1
VP FP
VP + FP
SE
0
FN VN
FN + VN
Total VP + FN FP + VN
VP + FP + FN + VN
Fonte: adaptada de DIAS, 2004.
Onde:
1. Verdadeiro Positivo (VP): resultado do modelo aplicado como sendo “1” para
o alerta x quando o alerta realmente foi “1”;
2. Verdadeiro Negativo (VN): resultado do modelo aplicado como sendo “0”
quando o resultado real do alerta é “0”;
3. Falso Positivo (FP): resultado do modelo aplicado como sendo “1” quando o
resultado real para o alerta é “0”;
4. Falso Negativo (FN): resultado do modelo aplicado como sendo “0” quando na
verdade o resultado do alerta é “1”.
A avaliação dos dados contidos nas tabelas 2X2 segue a metodologia de
cálculo dos “Testes Diagnósticos” (DIAS, 2004). Os cálculos das probabilidades
condicionais são apresentados na seqüência:
A sensibilidade é baseada numa característica encontrada mais em uma
condição (alerta) do que em outra (não alerta), em uma associação não absoluta. O
cálculo da sensibilidade é apresentado na equação 3.
FN
VP
VP
ADESENSIBILID
(3)
Probabilidade de Falso Negativo (PFN): é a probabilidade do resultado do
teste ser negativo para um determinado alerta (0) quando terá alerta (1). O cálculo
da probabilidade de falso negativo é apresentado na equação 4.
46
VP
FN
FN
PFN
(4)
Probabilidade de Falso Positivo (PFP): é a probabilidade do resultado do teste
ser positivo (1) para alerta e o paciente não tiver alerta (0), conforme a equação 5.
VN
FP
FP
PFP
(5)
A especificidade é a busca por um teste que garanta que o alerta seja gerado,
se ele realmente tiver de ser gerado (equação 6).
FP
VN
VN
DADEESPECIFICI
(6)
O Valor Preditivo Positivo (VPP) reflete a capacidade do teste em produzir
decisões corretas, ou seja, é a probabilidade de um tipo de alerta ser resultado do
tipo de alerta gerado pelo teste, representado matematicamente pela equação 7.
FP
VP
VP
VPP
(7)
Já, o Valor Preditivo Negativo reflete a probabilidade do tipo de um tipo de
alerta não ser gerado dado que o tipo de alerta não foi gerado.
FN
VN
VN
VPN
(8)
O trabalho, em questão, faz parte de um projeto do tipo descritivo, como parte
de uma linha de investigação interessada em desenvolver e avaliar o desempenho
de um sistema de apoio à decisão, baseado nas variáveis de monitoração
respiratória, utilizando-se da tecnologia para a assistência ventilatória mecânica dos
pacientes em Unidades de Terapia Intensiva.
47
A construção de um protótipo de sistema de apoio à decisão durante o
processo de assistência ventilatória mecânica visa à emissão de sinais de alerta que
auxiliem na tomada de decisão do profissional da saúde.
Não fizeram parte do estudo a coleta e utilização das variáveis dos pacientes
que não estivessem em ventilação mecânica invasiva, bem como os profissionais
que não trabalhassem em Unidades de Terapia Intensiva e Hospitais.
Os profissionais participantes, após receberem todas as informações
assinaram o Termo de Consentimento Livre e Esclarecido (ANEXO A).
Os instrumentos e procedimentos utilizados e realizados na pesquisa
encontraram-se todos sob responsabilidade do pesquisador, bem como os materiais
utilizados e a base de casos coletada em entrevista (ANEXO B). Para a implantação
do modelo e idéia da pesquisa não tiveram custos adicionais.
48
Neste capítulo são apresentados os resultados e discutidos os valores
obtidos, principalmente os pertinentes a avaliação do sistema implementado.
A monitoração ventilatória decorre de um processo complexo, e
caracterizando a problemática dos profissionais da saúde na tomada de decisão.
Porém, não segue uma padronização no controle ao paciente crítico.
Em primeiro lugar, por várias vezes um quadro de variáveis foi selecionado,
chegou-se a três tentativas de seleção, desde a literatura, àquelas selecionadas
pelos profissionais como úteis, até àquelas dispostas na representação gráfica das
Redes
Bayesianas.
O quadro 7, a seguir, mostra as variáveis conforme suas respectivas divisões
nas classes numa relação de concordância quanto as fontes: entrevista e literatura;
e utilidade: sim ou não.
Poucas variáveis assinaladas pelos profissionais apresentaram discordância
com a literatura quanto à importância e à utilidade. Porém, não corroboraram com a
prática clínica quando aplicadas aos resultados apresentados pelos especialistas na
monitoração ventilatória dos pacientes.
Aos profissionais da saúde cabe o reconhecimento das situações de
anormalidade durante o acompanhamento dos pacientes críticos.
A teoria difere da prática clínica, pois enquanto a literatura traz variáveis
advindas de processos bem definidos e de forma criteriosa, a prática mostra a
manipulação destas variáveis baseada na incerteza, ou seja, baseada no empírico e
na conduta profissional de cada especialista .
4. Resultados e Discussão
49
Quadro 7 – Resultados das variáveis mediante literatura e entrevista.
Fonte: autor, 2007.
Onde: MR – Mecânica Respiratória
TG – Troca Gasosa
SV – Sinais Vitais
FV – Função Ventilatória
S – Sim quanto à utilidade, ou seja, variável útil na tomada de decisão.
N – Não quanto à utilidade, ou seja, variável não é utilizada na tomada de decisão.
Considerando-se a subjetividade que cerca a monitoração de pacientes em
ventilação mecânica, a diferença nas respostas no acompanhamento das variáveis
de monitoração advém de um modelo de UTI que não trabalha com equipes
Classes Fonte da Consulta
Variáveis
MR TG SV FV Entrevista Literatura
UTILIDADE
Complacência Dinâmica
X x N
Complacência Estática
X X N
Pressão de Suporte
X X x N
Pressão de Platô
X X N
Elastância
X X N
Capacidades
X X N
Volumes
X X X S
Auto-PEEP
X X N
Curvas
X X N
Fluxo
X X N
PaO
2
X X X X S
PaCO
2
X X X X S
FiO
2
X X X X S
Pa
2
/Fi
2
X X X S
PaO
2
[(A-a)2]
X X N
PEEP
X X X X S
PIC
X X X N
pH
X X X S
PA
X X X X S
Pressão cuff
X X X N
Glasgow
X X X X N
FR
X X X X S
FC
X X X X S
VCe
X X X S
P
max
X X X S
I:E
X X X X S
50
multidisciplinares. Assim, o desempenho das variáveis na rede seria possivelmente
muito maior do que o observado com equipes mais bem estruturadas dentro do
contexto hospitalar.
A multidisciplinariedade no atendimento ao paciente crítico é parte
fundamental para a otimização de um serviço. Médicos, enfermeiras, fisioterapeutas,
farmacêuticos e bioquímicos participam da monitoração e controle dos pacientes
(BRILLI et al., 2001).
O controle das vias aéreas, respiração, circulação, oxigenioterapia e
monitoração são intervenções que, segundo HUANG (2004) devem ser anônimas e
feitas por, no mínimo, dois profissionais. Estes profissionais tornam-se responsáveis
pela qualidade dos serviços prestados ao paciente antes e durante sua admissão,
bem como nas necessidades apresentadas no decorrer de sua evolução.
A presença de um time de multiprofissionais aumenta a eficiência e diminui o
tempo e os gastos referentes à hospitalização do paciente em ventilação mecânica
(BRILLI et al., 2001; HUANG, 2004).
4.1 GERAÇÃO DOS ALERTAS POR ÁRVORE DE DECISÃO
A base de casos construída por meio da criação de cenários, constituídos a
partir de situações reais do cotidiano dos profissionais, permitiu a geração de alertas
por árvore de decisão.
No conjunto dos cenários que compuseram a base de casos, a intersecção
das informações trazidas por esta base gerou árvores de decisões quanto à emissão
de alertas.
Na presença do alerta, dois caminhos de resposta quanto aos seus tipos de
alerta foram gerados: A1 – MUDAR PARÂMETROS; A2 – MUDAR MODALIDADE;
salientando-se a presença do ou de exclusão, que elimina um dos alertas,
dependendo do cenário, ou a presença do e, que inclui os dois alertas: A1_E_A2.
Na ausência de alerta obtém-se a informação NÃOGERA.
Assim, mediante um cenário de avaliação do estado do paciente com
necessidade de gasometria (FAZ GASOMETRIA) obtém-se como resposta os tipos
de alertas, A1; A2; A1_E_A2; NAOGERA.
51
O alerta NAOGERA aponta para os valores de normalidade, caracterizando
um bom estado ventilatório do paciente, ou seja, significa que a conduta tomada até
o momento está gerando um resultado satisfatório na ventilação do mesmo,
mediante a quantificação e observação dos sinais vitais, conforto do paciente,
oximetria e gasometria e para a não-necessidade de mudança de parâmetros e/ou
modalidade.
Os cenários representados graficamente (Figuras 9, 10 e 11) se aplicam a
situações cotidianas e de caráter de urgência/emergência em Unidades de Terapia
Intensiva.
A Figura 9 representa a situação em que o profissional da saúde dispõe do
exame gasométrico para a tomada de decisão quanto à ventilação mecânica do
paciente crítico.
Figura 9 - Ilustração da geração de alertas na presença da gasometria.
Fonte: autor, 2007.
Os demais cenários (Figuras 10 e 11), porém, estendem-se a situações de
urgência/emergência, onde o profissional da saúde não dispõe, de imediato, do
52
exame gasométrico como parâmetro avaliativo quanto ao estado do paciente e
tomada de decisão.
A intersecção de variáveis de monitoração como freqüência respiratória
(FR), pressão máxima (P
max), saturação de oxigênio (SatO2) e volume corrente (VC)
geram alertas do tipo A1; A2; A1_E_A2; NAOGERA, caracterizando o estado
ventilatório dos pacientes e a conduta do profissional.
Figura 10 – Ilustração da geração de alertas na presença das variáveis FR, Pmax e SatO2.
Fonte: autor, 2007.
53
Figura 11 – Ilustração da geração de alertas na presença das variáveis FR, VC, SatO2.
Fonte: autor, 2007.
Nota-se, portanto, que na ausência da gasometria, as variáveis
determinantes na conduta do profissional dizem respeito à mecânica respiratória,
exigindo, portanto, conhecimento do profissional dos princípios e fundamentos
básicos da mecânica respiratória.
O trabalho de construção dessas árvores permite a visualização das variáveis
e a forma como estas se relacionam.
A facilidade na interpretação e visualização das mesmas advém dos links de
relação estabelecidos entre as variáveis, conforme a presença de cada variável e o
grau de importância da mesma na tomada de apoio à decisão.
Valores probabilísticos foram atribuídos para cada variável. Estes valores
dizem respeito a pertinência de cada caso, caracterizando, assim, a Rede
Bayesiana, RB_ALERTA (Figura 12).
54
Figura 12 – Rede Bayesiana_Alerta.
Fonte: autor, 2007.
4.2 AVALIAÇÃO DO SISTEMA
Para a avaliação do desempenho do SAD comparou-se o encaminhamento
dos especialistas quanto à monitoração ventilatória, verificado em entrevista, com os
resultados de alerta emitidos pelo sistema.
Nesta seção, os modelos de alertas apresentados pelo sistema serão
comparados com o padrão-ouro, criado com base nos 10 casos já previamente
selecionados. Todos os resultados são reais, representando realisticamente o
desfecho dos pacientes monitorados em uma Unidade de Terapia Intensiva.
As respostas dadas pelo sistema referem-se à prevalência do alerta gerado
ser semelhante à conduta do profissional.
55
A. Tipo de ALERTA_INESPECIFICO
Para a variável
inespecífico, segundo a classificação da variável
ALERTA_INESPECÍFICO da amostra de 10 casos, 3 tiveram como resultado final
ALERTA_INESPECIFICO e 7 geraram um tipo de alerta diferente.
Os valores de especificidade e sensibilidade obtidos, assim como o valor da
área abaixo da curva Receiver Operator Characteristic (ROC) e o valor do erro
padrão são representados na Figura 13, dado um ponto de corte indicado
automaticamente pelo
software MedCalc, evidenciado em negrito.
Os valores de sensibilidade e especificidade foram apresentados pelo
MedCalc, que indicou, de forma automática, um valor de critério para o ponto de
corte ótimo, maximizando ao mesmo tempo a sensibilidade e a especificidade.
O ponto de corte, conforme já dito, é considerado o ponto ótimo, ou seja,
refere-se ao valor mínimo de Falso Positivo (1–especificidade) e de Falso Negativo
(1–sensibilidade).
Este ponto classifica os alertas gerados segundo o grau de acerto de cada um
dos tipos de alerta apresentados. A escolha do ponto de corte pode ser outro ao
sugerido pelo MedCalc. Porém neste trabalho foi seguido o mesmo valor sugerido
pelo software, ou seja, a escolha se fez em função do resultado desejado, na
presença do melhor valor para a especificidade ou sensibilidade do sistema.
Baseando-se no ponto de corte escolhido pelo MedCalc e mostrado na Figura 13,
valores de probabilidade acima de 12,7% para o ALERTA_INESPECIFICO foi
atribuído o valor lógico “1”, caso contrário o valor “0”. Após a aplicação deste
procedimento aos 10 casos do padrão-ouro foi possível a organização dos
resultados em tabelas de contingência, tabelas 2x2, mostrada a seguir (Tabela 2).
Tabela 2 - Tabela 2x2 modelo ALERTA_INESPECIFICO
Padrão Ouro
1 0
Total
1
3 0
3
SE
0
0 7
7
Total 3 7
10
Fonte: autor, 2007.
56
Figura 13 – Curva ROC para ALERTA_INESPECIFICO.
Fonte: autor, 2007.
Área abaixo da curva ROC = 1,000
Erro padrão = 0,000
Intervalo de 95% de Confiança = 0,690 para 1,000
—————————————————————————
Critério Sens. (95% C.I.) Spec. (95% C.I.)
>=0,43 100,0 (30,5 - 100,0) 0,0 (0,0 - 41,1)
> 12,7 * 100,0 (30,5 - 100,0) 100,0 (58,9 - 100,0)
> 44,5 0,0 (0,0 - 69,5) 100,0 (58,9 - 100,0)
A tabela 2x2 permite obter os valores da medida de desempenho
(Concordância e Discordância do Teste) para o tipo de ALERTA_INESPECIFICO.
Estes valores foram obtidos conforme as equações de 3 a 8, visando determinar os
valores de Sensibilidade, Especificidade, Valor Preditivo Positivo (VPP), Valor
Preditivo Negativo (VPN), e as Probabilidades de Falso Positivo (PFP) e Falso
Negativo (PFN). Logo, como resultado tem-se:
1
1
1
0
1
1
FN
VP
VP
ADESENSIBILID
1
7
7
0
7
7
FP
VN
VN
DADEESPECIFICI
1
1
1
0
1
1
FP
VP
VP
VPP
57
1
7
7
0
7
7
FN
VN
VN
VPN
0
7
0
7
0
0
VN
FP
FP
PFP
0
3
0
3
0
0
VP
FN
FN
PFN
1
10
10
7
0
0
3
73
VN
FN
FP
VP
VNVP
AcertodeTaxa
0
10
0
7
0
0
3
00
VN
FN
FP
VP
FNFP
ErrodeTaxa
B. Tipo de ALERTA_A1
Para a variável
A1, segundo a classificação da variável ALERTA_A1 na
amostra de 10 casos, 2 casos tiveram como resultado final ALERTA_A1 e 8 geraram
um tipo de alerta diferente. Todos os resultados são reais, representando
realisticamente o desfecho dos pacientes monitorados em uma Unidade de Terapia
Intensiva.
Os valores de especificidade e sensibilidade obtidos, assim como o valor da
área abaixo da curva ROC e o valor do erro padrão são representados na Figura 14,
dado um ponte de corte indicado automaticamente pelo software MedCalc, em
negrito.
Aos valores de probabilidade acima de 53,1% para o ALERTA_A1 foi
atribuído o valor lógico “1”, caso contrário “0”.
A aplicação deste procedimento aos 10 casos do padrão-ouro gerou a tabela
2X2 apresentada na Tabela 3.
Tabela 3 - Tabela 2x2 modelo ALERTA_A1
Padrão Ouro
1 0
Total
1
2 0
2
SE
0
0 8
8
Total 2 8
10
Fonte: autor, 2007.
58
Figura 14 – Curva ROC para ALERTA_A1
Fonte: autor, 2007.
Área abaixo da curva ROC = 1,000
Erro padrão = 0,000
Intervalo de Confiança de 95% = 0,690 para 1,000
—————————————————————————
Critério Sens. (95% C.I.) Spec. (95% C.I.)
>=0,62 100,0 (19,3-100,0) 0,0 (0,0- 37,1)
> 53,1 * 100,0 (19,3-100,0) 100,0 ( 62,9-100,0)
> 78,4 0,0 (0,0- 80,7) 100,0 ( 62,9-100,0)
Os valores da medida de desempenho (Concordância e Discordância do
Teste), de Sensibilidade, Especificidade, Valor Preditivo Positivo (VPP), Valor
Preditivo Negativo (VPN), e as Probabilidades de Falso Positivo (PFP) e Falso
Negativo (PFN) para o ALERTA_A1 assemelha-se aos valores citados acima.
1
FN
VP
VP
ADESENSIBILID
1
FP
VN
VN
DADEESPECIFICI
1
FP
VP
VP
VPP
1
FN
VN
VN
VPN
59
0
VN
FP
FP
PFP
0
VP
FN
FN
PFN
1
VN
FN
FP
VP
VNVP
AcertodeTaxa
0
VN
FN
FP
VP
FNFP
ErrodeTaxa
C. Tipo de ALERTA_NAOGERA
Para a variável
naogera, segundo a classificação da variável
ALERTA_NAOGERA na amostra de 10 casos, 4 tiveram como resultado final
ALERTA_NAOGERA e 6 geraram um tipo de alerta diferente. Todos os resultados
são reais, representando realisticamente o desfecho dos pacientes monitorados em
uma Unidade de Terapia Intensiva.
Os valores de especificidade e sensibilidade obtidos, assim como o valor da
área abaixo da curva ROC e o valor do erro padrão são representados na Figura 15,
dado um ponte de corte indicado automaticamente pelo software MedCalc, em
negrito.
Com base no ponto de corte escolhido pelo MedCalc, para os valores de
probabilidade acima de 12,7% para o ALERTA_NAOGERA foi atribuído o valor
lógico “1”, caso contrário “0”.
A aplicação deste procedimento aos 10 casos do padrão-ouro gerou a tabela
2X2 apresentada na tabela 4.
Tabela 4 - Tabela 2x2 modelo ALERTA_NAOGERA
Padrão Ouro
1 0
Total
1
4 0
4
SE
0
0 6
6
Total 4 6 10
Fonte: autor, 2007.
60
Figura 15 – Curva ROC para ALERTA_NAOGERA
Fonte: autor, 2007.
Área abaixo da curva ROC = 1,000
Erro padrão = 0,000
Intervalo de Confiança de 95% = 0,690 para 1,000
—————————————————————————
Critério Sens. (95% C.I.) Spec. (95% C.I.)
>=2,7 100,0 ( 40,2-100,0) 0,0 ( 0,0- 45,9)
> 12,7 * 100,0 ( 40,2-100,0) 100,0 ( 54,1-100,0)
> 71,9 0,0 (0,0- 59,8) 100,0 (54,1 - 100,0)
Os valores da medida de desempenho (Concordância e Discordância do
Teste), de Sensibilidade, Especificidade, Valor Preditivo Positivo (VPP), Valor
Preditivo Negativo (VPN), e as Probabilidades de Falso Positivo (PFP) e Falso
Negativo (PFN) para o ALERTA_NAOGERA também se assemelham aos demais
valores citados:
1
FN
VP
VP
ADESENSIBILID
1
FP
VN
VN
DADEESPECIFICI
1
FP
VP
VP
VPP
61
1
FN
VN
VN
VPN
0
VN
FP
FP
PFP
0
VP
FN
FN
PFN
1
VN
FN
FP
VP
VNVP
AcertodeTaxa
0
VN
FN
FP
VP
FNFP
ErrodeTaxa
Deve-se salientar que o trabalho dispôs de bases de treinamento e de teste
(padrão-ouro) reduzidas, o que decorreu em dados insuficientes para as variáveis
A2, e A1_E_A2, ALERTA_A2, ALERTA_A1_E_A2, respectivamente. Se as bases
fossem numericamente maiores, o desempenho do sistema poderia apresentar
diferenças em relação ao apresentado. Uma base maior muito provavelmente
apresentaria comportamentos diferentes para uma mesma situação, tendo em vista
as diferenças na tomada de decisão entre os profissionais.
Para HUANG (2004) somente 44% dos pacientes ventilados são monitorados
adequadamente e 78% dos pacientes são monitorados com auxílio da gasometria.
Outro desvio metodológico é o fato dos especialistas consultados terem um
excelente nível técnico, porém suas competências são moldadas pelo
serviço/instituição de saúde. Assim, o fato das melhores práticas e protocolos
acusarem a importância no preenchimento de todas as variáveis para a emissão de
alertas, o mesmo não corrobora com a prática clínica. Os profissionais não
monitoraram muitas das variáveis que estavam dentre as selecionadas e
classificadas por eles próprios como periódicas e importantes, indo de encontro às
condutas trazidas pelo consenso. Tal caso encontra-se documentado neste trabalho,
conforme Quadro 7 mostrado anteriormente.
A exemplo, tornou-se possível observar que os profissionais propunham a
análise gasométrica, com todos os valores que este exame traz (PaO
2
, PaCO
2
, pH,
SatO
2
, PaO
2
/FiO
2
), como sendo de extrema importância. Contudo, logo em seguida
os mesmos profissionais cancelavam o pedido de coleta da variável justificando
62
como observação no questionário, o grau de dependência da análise da gasometria
a fatores externos ao seu trabalho.
A gasometria é um exame laboratorial realizado por intervenção bioquímica
durante todo o período de internação. Segundo BRILLI
et al. (2007) o resultado do
exame interfere na tomada de decisão quanto à administração de drogas,
informações farmacocinéticas do paciente, e reações adversas relacionadas à
conduta. Quando bem interpretada, resulta na diminuição dos custos com drogas.
Dentre os desvios metodológicos deste trabalho, destaca-se, ainda, a falta de
treinamento dos profissionais responsáveis pela coleta de sangue para exame
gasométrico. Algumas das gasometrias estudadas trouxeram como resultados das
variáveis PaO
2
, PaCO
2
, pH, SatO
2
, PaO
2
/FiO
2
valores que apontam para uma coleta
tipicamente venosa. Assim, a amostra de sangue coletado não era procedente de
uma artéria, e sim, de uma veia, o que inviabiliza os valores na interpretação das
variáveis e prejudica, sobremaneira a tomada de decisão.
Nota-se, portanto, que o processo de decisão é significativamente diferente
do que acontece na realidade. Por isso um sistema de apoio à decisão tem um
impacto significante na resolução de problemas à beira do leito (KROTH et al.,
2006).
Um sistema de apoio à decisão deve permitir a entrada de um sub-conjunto
de variáveis sem que seja, no entanto, conivente com condutas erradas. Este dever
ser flexível, a fim de permitir que a ausência de alguma variável não inviabilize o uso
deste sistema e o apoio à decisão.
Outro fator importante e possível de ser conseguido com um SAD é a
padronização dos processos e da tomada de decisão, ou seja, a sistematização.
Desta forma, esta sistematização permite que o emprego de um SAD ajude
na disseminação dos consensos e na garantia e aplicação das boas práticas
profissionais.
No questionário realizado junto aos profissionais, na pergunta sobre as
condutas nos cenários que compuseram o sistema, muitos profissionais
apresentaram dúvidas na investigação dos casos apresentados, por não fazer parte
do cotidiano da UTI do hospital em que trabalham. Na seqüência do levantamento
durante a execução do trabalho, alguns profissionais da saúde não tinham como
experiência profissional o atendimento a pacientes críticos, a exemplo de pacientes
neurológicos.
63
As doenças neurológicas fazem parte do cenário das patologias com
indicações para ventilação mecânica. Estes pacientes constituem uma parcela
significativa de todos os pacientes de UTI e são responsáveis pelos maiores gastos
hospitalares. Os custos elevados advêm do prolongado tempo de permanência
destes pacientes nas unidades intensivas e escassez de dados que permitam prever
a duração dos mesmos na assistência ventilatória (ESTEBAN et al., 2000).
A sistematização do processo de monitoração de pacientes críticos em
ventilação mecânica auxilia na redução de falha do profissional, mesmo perante a
incerteza, e na organização do processo cognitivo que o levam à tomada de
decisão. As técnicas laboratoriais são exames disponíveis em apenas algumas
Unidades de Terapia Intensiva e são empregadas, unicamente, para estudos de
investigação e não como técnicas rotineiras de acompanhamento (LÓPEZ-HERCE
CID, 2003).
4.3 SENSIBILIDADE DA SAÍDA PARA CADA UMA DAS ENTRADAS
A Tabela 5 mostra a sensibilidade do nó de saída 'ALERTA' para cada nó de
entrada, calculado pelo próprio
shell Netica por meio do ganho de informação. As
variáveis são mostradas na ordem decrescente de importância.
Tabela 5 - Sensibilidade do alerta a cada uma das variáveis de entrada.
Variável / Nó Sensibilidade
PaCO2 0,15232
FiO2 0,11651
SatO2 0,10181
PATOLOGIA 0,09696
PaO2 0,09553
Pmax 0,08794
Vce 0,07960
FC 0,07133
FR 0,06571
ph 0,06051
I_E 0,05777
PEEP 0,03971
PaO2_FiO2 0,02740
Fonte: autor, 2007.
64
A PaO
2
/FiO
2
não foi uma variável determinante e decisiva no processo de
ventilação, corroborando com a sensibilidade mostrada pelos nós de entrada em
relação ao nó de saída ALERTA no sistema.
É notória a importância do resultado do exame gasométrico na tomada de
decisão, evidenciada pela sensibilidade do nó PaCO
2
em relação ao nó de saída
ALERTA.
A interferência da gasometria na tomada de decisão ainda se faz presente
mediante a sensibilidade do nó PaO
2
, que apesar de apresentar sensibilidade
inferior ao PaCO
2
, ainda assim se mostra importante em relação a outras variáveis
como Vce, FC, FR, etc.
Na ausência da gasometria e das variáveis que a acompanha, a variável
patologia mostrou-se como a mais sensível em relação ao nó de saída ALERTA,
seguida da P
max
, Vce, FC, FR, I:E e PEEP, parâmetros de controle básico dos
ventiladores artificiais.
65
O conhecimento do estado do paciente é fundamental para a evolução dos
pacientes críticos, sobretudo naqueles submetidos à ventilação mecânica.
O acompanhamento adequado do paciente deve dispor de etapas que iniciam
na mensuração e visualização de sinais vitais, até à disposição de alertas (visuais
e/ou sonoros) na atenção a situações anômalas.
A monitoração das variáveis representa o estado ventilatório do paciente
durante um ciclo respiratório específico. Os sistemas de alerta mediante a
apresentação de um ciclo determinado permitem analisar visualmente o problema e
detectar mudanças no estado clínico do paciente.
Dada a diversidade de modalidades e variáveis ventilatórias, parâmetros e
patologias, tornou-se difícil ao profissional da saúde detectar problemas na
ventilação mecânica. Os consensos que regem a assistência ventilatória são
arbitrários. A literatura denota a eficácia das estratégias, porém a prática clínica se
distancia das experiências encontradas nas bases teóricas.
Os modos ventilatórios utilizados variam consideravelmente de profissional
para profissional, bem como os parâmetros e variáveis monitorados. Porém, as
condições primárias de assistência ventilatória, na seleção de métodos e variáveis
em um paciente crítico não variam proporcionalmente.
Ventilar o paciente não se trata de uma decisão simples. A resposta desta
tomada de decisão repercute positiva e/ou negativamente, podendo colocar em risco
a vida do paciente e/ou prolongar a permanência do mesmo na UTI.
Como pode ser observada, a prática clínica apresenta-se distante dos
consensos e da literatura. Os sistemas de apoio à decisão são ferramentas
importantes neste sentido. O sistema desenvolvido, dentro de um processo de alerta
e tomada de decisão, traz benefícios consideráveis aos profissionais envolvidos.
O trabalho, em questão, serve como um indicador das variáveis necessárias a
tomada de decisão e condutas ventilatórias. O SAD criado foi capaz de alertar o
profissional quanto à mudança de parâmetros, de modalidade ou ambos. O mesmo
ainda foi capaz de utilizar-se de crenças próprias, na geração das melhores
5. Conclusões
66
respostas e desempenhos com os dados que o profissional dispunha, de acordo
com a realidade de cada Unidade de Terapia Intensiva.
Apesar da limitação das informações determinantes no processo de
monitoração ventilatória, as variáveis trazidas, quando interpretadas de forma
isolada foram capazes de potencializar umas às outras.
Na ausência de informações como a análise gasométrica, outras variáveis
puderam ser utilizadas, conforme seu grau de importância, auxiliando na tomada de
decisão mediante o alerta emitido.
Desta forma, o SAD serviu como um importante controlador de falhas no
processo de ventilar, evitando danos ao paciente e problemas legais ao próprio
profissional e instituição envolvidos, perante a escassez de informações.
A pesquisa alcançou os objetivos propostos mediante algumas conclusões.
A definição do conjunto de variáveis na monitoração do paciente em
assistência ventilatória invasiva se deu mediante as melhores respostas do sistema,
dada a subjetividade das informações.
O processo de tomada de decisão em ventilação mecânica foi modelado
através do diagrama de atividades. Desta forma, foi possível que todos os processos
que envolvem a monitoração do paciente em ventilação mecânica fossem
representados, levando-se em consideração as dificuldades, falhas, desafios,
incertezas que envolvem a tomada de decisão.
A modelagem facilitou o levantamento das variáveis necessárias ao processo
de tomada de decisão e permitiu obter uma seqüência de atividades, ou seja, dos
processos envolvidos.
O sistema proposto permite auxiliar o profissional, mesmo sem o conjunto
completo de variáveis, a exemplo da análise gasométrica. O fato de nem todas as
variáveis estarem disponíveis em todos os momentos foi um fator importante para a
escolha das Redes Bayesianas na representação do conhecimento.
Além da capacidade de aceitar conjuntos incompletos de variáveis, elas
trabalham em ambientes baseados na incerteza, ambiente do estudo em questão.
O sistema de apoio à decisão criado representou adequadamente o
tratamento da incerteza no processo de decisão do profissional da saúde, obtendo
um desempenho semelhante ao dos profissionais em relação à tomada de decisão.
67
A base de casos, com as variáveis monitoradas durante a ventilação
mecânica proporcionou um sistema que passou nos testes de validade com uma
sensibilidade e especificidade elevadas em relação ao esperado.
Acredita-se, no entanto, que a aplicação de mais casos aos modelos
propostos, com o intuito de se aumentar a base de casos das Redes Bayesianas
possa contribuir para um aperfeiçoamento e obtenção de melhores resultados.
A falta de informatização das UTIs, aliado ao descumprimento dos consensos
são fatores que justificam, em grande parte, a dificuldade de aplicação com mais
casos.
5.1 LIMITAÇÃO DO ESTUDO
O modelo proposto neste trabalho foi o primeiro passo de uma longa
caminhada. Os resultados encontrados não superaram completamente as
expectativas do escopo do estudo. Porém, não podem ser encarados como
irrelevantes, haja vista que as dificuldades encontradas são anteriores ao processo
de construção metodológica do trabalho, dada a complexidade do tema.
5.2 TRABALHOS FUTUROS
Os resultados sugerem novos trabalhos que incorporem a literatura à prática
clínica na diminuição destas adversidades em espaços menores entre a experiência,
prática profissional e os consensos.
Sugere-se, sobretudo, a utilização de uma amostra maior. O comportamento
da RB, quando implementada e treinada, com um maior número de casos clínicos
possibilitará verificar e analisar o desempenho de forma mais exata e precisa.
Sugere-se, ainda, para trabalhos futuros, que a escolha do ponto de corte
seja diferente do proposto pelo MedCalc no presente estudo, haja vista que é mais
interessante ao profissional da saúde, um sistema mais específico e menos sensível,
na garantia de resposta de apoio à decisão mediante a incerteza e falta de dados.
Um trabalho de extrema importância para a área seria o desenvolvimento de
um sistema integrado ao sistema de informação de uma UTI. Este sistema integrado
68
teria o intuito de criticar as variáveis no momento em que as mesmas fossem
inseridas no sistema.
Desta forma, viabilizar-se-ia um acompanhamento da evolução do paciente e
práticas bem sucedidas para a ventilação e monitoração dos pacientes.
Sugere-se, ainda, um estudo utilizando-se desta mesma base, na definição do
grau de importância de cada variável no processo de tomada de decisão. Na Tabela
6 apresentou-se a seqüência para a base utilizada, porém não se avaliou o impacto
da composição das variáveis de maneira criteriosa, ou seja, a potencialização de
uma variável na presença de outra.
5.3 PUBLICAÇÕES
RIELLA, C.L.; LOPES, L.; SCALABRIN, E.; DIAS, J.S.; KNIESS, C.T.; ISRAEL, V.L.
Methodology for patients monitoring in mechanical ventilation. Submetido em
02/08/2007 a International Journal of Medical Informatics.
RIELLA, C.L.; LOPES, L.; SCALABRIN, E.; DIAS, J.S.; KNIESS, C.T.; ISRAEL, V.L.
Metodologia para implementação de um sistema inteligente de monitorização
(SIMON) de pacientes em ventilação mecânica. Submetido em 21/08/2007 a
Revista Multiciência.
CHI, A.; RIELLA, C.L.; CAMILOTTI, B.M.; ISRAEL, V.L. PEP: Critérios de avaliação
fisioterapêutica em UTI, Congresso Brasileiro de Informática em Saúde, 2006.
RIELLA, C.L.; CAMILOTTI, B.M.; ISRAEL, V.L. Analysis of the muscular stretch of
hamstrings using conventional passive method and association with superficial and
deep heat. 11
th
Brazilian Congress of Thermal Sciences and Engineering, 2006,
Curitiba. CIT 06, Curitiba: ENCIT, 11, 26, 2006.
RIELLA, C.L.; CAMILOTTI, B.M.; ISRAEL, V.L. Análise da influência da respiração
frenolabial em exercícios na posição sentada, utilizando princípios do Isso Stretching
sobre o comportamento mecânico dos discos intervertebrais e função pulmonar.
Revista Brasileira de Fisioterapia, São Carlos, 52-52, 2006.
69
ABEL, M. Sistemas Especialistas. Rio Grande do Sul: Instituto de Informática, 1998
ADRATT, E. Sistema Especialista para Avaliação Antropométrica em pediatria:
Investigação, Diagnóstico, Orientação e Encaminhamento.
(Mestrado). Ciências
Biológicas e da Saúde, Pontifícia Universidade Católica do Paraná, Curitiba, 2006.
AZEREDO, C.A.C.
Bom senso em Ventilação Mecânica. Rio de
Janeiro,Revinter,1997.
BARRETO, J.M.
Inteligência Artificial no Limiar do Século XXI. Florianópolis,
1999
BELTRÃO, C.J.; DIAS, J.S.; MOTTA, F.A.; ANDRADE, P.F.; PACHECO, A.P.O.
Sistema especialista para calculo do potencial risco de infecção hospitalar em UTI-
Neonatal. In: CONGRESSO BRASILEIRO DE INFORMÁTICA EM SAÚDE, IX, 2004,
Ribeirão Preto.
Anais eletrônicos do IX Congresso Brasileiro de Informática em
Saúde. Disponível em: <http://www.sbis.org.br/cbis9/anais.htm> Acesso em:
20/07/2007.
BITTENCOURT, G.
Inteligência Artificial: Ferramentas e
Teorias
.Florianópolis,UFSC,57-86,257-278,1998.
BLOM, J.A. Monitoring of Respiration and Circulation. USA - United States of
America: CRC Press,2004
BONASA, J. Principios Básicos dos Ventiladores Artificiais. Revista Brasileira de
Anestesiologia,São Paulo,4,69-124,2000.
BORGES, V.C.A.J.; LOPES, A.C. Desmame da ventilação mecânica, 2002.
BRILLI, R.J.; SPEVETZ, A.; BRANSON, R.; CAMPBELL, G.;COHEN, H.;DASTA, J.;
HARVEY, M.A.; KELLEY, M.; KELLY, K.M.; RUDIS, M.I.; ANDRE, A.C.St; STONE,
J.R.; TERES, D.; WELED, B.J.; PERUZZI, W. Critical care delivery in the intensive
care unit: Defining clinical roles and the best practice model. Crit Care Med,29,10-
19,2007.
BROCHARD, L.R.; BENITO, S.; CONTI, G.; MANCEBO, J.; REKIK, N.;
GASPARETTO, A.; LEMAIRE, F. Comparison of three methods of gradual
withdrawal from ventilatory support during weaning from Mechanical Ventilation. Am
J Respir Crit Care Med,150, 896-903,1994.
Referências
70
BROCHARD, L.S.; APEZTEGUFA, C.; TOBIN, M.J.; NIGHTINGALEI, P.; MATAMIS,
D.; PIMENTEL, J.; ABROUG, F. Outcome of older patients receiving mechanical
ventilation.
Intensive Care,30,639-46,2004.
BUTTON, V.L.S.N. Ventiladores Pulmonares. In: Calil, S.J.,
Equipamentos médico
- hospitalares e o gerenciamento da manutenção. Brasília, DF: Ministério da
Saúde, 683-720, 2002.
CALVIN, S.H.S; YIM, A.P.C.; ARIFI, A.A. Pulmonary disfuction after cardiac surgery.
Chest,121,1269-1277,2002.
CARDOSO, J.P., LOPES, C.R.S.; QUEIROZ, R.S.; ROSA, V.A.; VILELA, A.B.A. O
uso de sistemas especialistas para apoio à sistematização em exames ortopédicos
do quadril, joelho e tornozelo. Rev.Saúde.Com, 1(1), 24-34, 2005.
CELIS, E.G. From Principios de ventilación mecánica. In:GUIAS PARA MANEJO
DE URGÊNCIAS,610-6,2006.
COELHO, R.B.A. Sistema de Avaliação de Ventiladores Pulmonares. Revista
Brasileira de Engenharia / Caderno de Engenharia Biomédica,11,17-39,1995.
CONTI, G.M.L.; PENNISI, M.A.; CAVALIERI, F.; ARCANGELI, A.; BOCCI, M.G.;
PROIETTI, R.; ANTONIEELI, M. A prospective, blinded evaluation of indexes
proposed to predict weaning from mechanical ventilation. Intensive Care
Med,30,830-836,2004.
DEAN HESS, R.R.T. Other issues in Weaning. Chest,120(6),474-76,2001.
DIAS, J.S. Raciocínio médico e a abordagem Bayesiana. (Tese professor titular),
Programa de Pós Graduação em Informática Aplicada, Pontifícia Universidade
Católica do Paraná, Curitiba, 86, 2004.
ELY, E.W.; DUNAGAN, D.P.; BURKE, H.L. Effect on the duration of mechanical
ventilation of identifying patients capable of breathing spontaneously.The New
England J Med,335,25,864-1869,1996.
EMMERICH, J. Suporte Ventilatório - Conceitos Atuais. Rio de
Janeiro,Revinter,1998.
ESTEBAN, A.; ANZUETO, A.; ALÍA, I.; GORDO, F.; APEZTEGUÍA, C.; PÁLIZAS, F.;
CIDE, D.;GOLDWASER, R.; SOTO, L.; BUGEDO, G.; RODRIGO, C.; PIMENTEL, J.;
RAIMONDI, G.; TOBIN, M. How is mechanical ventilation employed in the intensive
care unit? An Internacional Utilization Review. Am J Respir Crit Care
Med,161,1450-58,2000.
FLORES, C.D.; PEROTTO, F.; VIÇAR, R.M. Sistemas Baseados em
Conhecimento para a Área da Saúde. Disponível em:
http://www.sirc.unifra.br/artigos2002/artigo06.pdf
71
FLORES, C.D.; HOHER, C.L. Uma experiência do uso de redes probabilísticas no
diagnóstico médico.Simpósio Argentino de Informática y Salud – SADIO,[JAIA 2001].
Jornada de Atualização em Inteligência Artificial. Disponível em:
http://www.lia.ufc.br/~sbc2001/eventos/jaia/resumo-jaia2.html
FLORES, R., GLUZ, J.; SEIXAS, L.; COELHO, H.
Projeto AMPLIA – uso da
informática na educação médica. Disponível em:
http://www.inf.ufrgs.br/~dflores/publicacoes/wim2003_AMPLIA.PDF
FOX, J.T. Clinical decision support systems: A discussion of quality, safety and legal
liability issues. Proceedings of the AMIA: Annual Symposium,265-269,2002.
FRAZIER, S.K.; STONE, K.S.; MOSER, D.; SCHLANGER, R.; CARLE, C.; PENDER,
L.; WIDENER, J.; BROM, H. Hemodynamic changes during discontinuation of
mechanical ventilation in medical intensive care unit patients. American Journal of
Critical Care, 15(6), 580-93, 2006.
GAMBAROTO, G. Fisioterapia Respiratória em uma unidade de terapia
intensiva,São Paulo,Atheneu,2006.
GALINA, A.; PEREZ, P.S.; COSTA, T.M.; FURLONI, A.L.F.; PONCIANO, M.; PISA,
I.T.; ROQUE, A.C. Lepidus R2: Implementação do Sistema de Apoio à Decisão
Médica Lepidus usando Arquitetura Web. Disponível em:
http://www.sbis.org.br/cbis9/arquivos/209.pdf.
GOODMAN, S. Implementing a protocol for weaning patients off mechanical
ventilation. British Association of Critical Care Nurses, Nursing in Critical
Care,11(1),23-26, 2006.
HALL, R.; ROCKER, G.M. End-of-Life Care in the ICU: Treatmentes provided when
life support was or was not withdrawn. Clinical Investigations in Critical
Care,1424-1430,2003.
HARNISCH, B.Z. Contribuição a um Sistema de Apoio à Decisão para Desmame em
Ventilação Mecânica. (Mestrado). Ciências Biológicas e da Saúde, Pontifícia
Universidade Católica do Paraná, Curitiba, 2007.
HATZAKIS, G.E.D. Fuzzy logic controller for weaning neonates from mechanical
ventilation. Proc AMIA Symp,315-9,2002.
HOFFMAN, L.A.; TASOTA, F.J.; ZULLO, T.G.; SCHARFENBERG, C.; DONAHOE,
M.P. Outcomes of Care Managed by an Acute Care Nurse Practitioner/Attending
Physician Team in a Subacute Medical Intesive Care Unit. American Journal of
Critical Care,14(2),121-130,2005.
HUANG, D.T. Clinical review:Impact of emergency department care on intensive care
units costs. Critical Care,8(6),498-502,2004.
HUBBS, P.R.; TSAII, E.E.M.; PARVATI, D.; GODIN, P.; OLYARCHUK, J.G.; NAG,
D.; LINDER, G.; RINDFLEISCH, T.C. The Stanford Health information network for
72
education: integrated information for decision making and learning. J Am Med Inf
Assoc Sympos,505-508,1997.
_______________II Consenso Brasileiro de Ventilação Mecânica.J
Pneumol,26(2)1-68,2000.
_______________[AIM 2002]. Editorial,Lessons learnt from bringing
knowledgebased decision support into routine use.
Artificial Intelligence in
Medicine
,24,195-203, 2002.
_______________. Ministério da Saúde - Núcleo Estadual no Rio de Janeiro
(NERJ). Disponível em: file:///e:custo_gasometria.htm. Acesso em 28/10/2007,08:21.
INC, M. Manual do operador: Oxímetro de pulso NPB-190. 035964C-0699C.
0123,1999.
INFANTINI, B.N.B. Monitorização Respiratória e Ventilatória na SDRA. In:
GAMBAROTO. Fisioterapia Respiratória em Unidade de Terapia Intensiva,São
Paulo,Atheneu,Monitorização Respiratória e Ventilatória na SDRA, 235-38,2006.
ISAACSON, J.S.; CLANCY, R.L.; PIERCE, J.D. Effects of pressure support
ventilation and continuous positive airway pressure on diaphragm performance.
Journal of Advanced Nursing,32(6)442-1449,2000.
JUBRAN, A. Advances in respiratory monitoring during mechanical ventilation.
Chest,116(5),1416-1425,1999.
KROTH, P.J.; DEXTER, P.R.; OVERHAGE, J.M.; KMIPE, C.; HUI, S.L.;BELSITO, A.;
McDONALD, C. A Computadorized decision support system improves the accuracy
of temperature capture from nursing personnel at the bedside. AMIA Symposium
Proceedings,444,2006.
KULLIKOWSKI, C.A. Artificial Intelligence methods and systems for medical
consultation. IEEE Trans. Patt. Anal. Mach. Recogn,2,464-4765,1980.
LIMA, D.S.P. Critérios de Elegibilidade em Home-Care - Sistema de Apoio à
Decisão na eleição do paciente para a atenção domiciliar.(Mestrado),Ciências
Biológicas e da Saúde, Pontifícia Universidade Católica do Paraná, Curitiba, 2006.
LÓPEZ-HERCE CID, J. Monitorización de la función respiratoria en el niño con
ventilatión mecánica (II): complianza, resistencia, hiperinsuflación, dinámica, espacio
muerto y trabajo respiratorio. An Pediatric,59(3),252-85,2003.
MARTIN, A.D.D.; FRANCHESCHI, A.C. Use of inspiratory muscle strenght training to
facilitate ventilator weaning. Chest,122,1192-6,2002.
MATHEWS, P. Nursing and respiratory: Partners in care. Nursing management.
31(12),50-52,2000.
73
MATTOS, M.C. Sistema Fuzzy para assistência respiratória em neonatos,São
Paulo,2000.
MEIRELLES, F.S. Informática: Novas aplicações com microcomputadores.São
Paulo,Makron Books,428-438,1994.
NUNES, W.A.T. Oximetria de pulso na avaliação do transporte de oxigênio em
pacientes críticos.
Rev.latino-am. enfermagem,7(2),79-85,1999.
PEIGANG, Y.M. Ventilation in asthma and chronic obstrutive pulmonary disease.
Crit
Care,8,70-76,2002.
PERAZZO, M.J.C.
Derivadas em redes bayesianas usando eliminação de
variáveis
.
PEREL, A.S. Manual de Mecanismos de Suporte Ventilatório,São
Paulo,Medsi,1994.
POZZEBON, E.F.; BITTENCOURT, G. Inteligência artificial na educação
universitária: quais as contribuições? Rev. CCEI,8,33-40,2004.
RABUSKE, R.A. Inteligência Artifical.Florianópolis,UFSC,1995.
RAMOS, M.R. Concepção de um Sistema de Apoio à Decisão para
acompanhamento nutricional de pacientes submetidos a cirurgia bariátrica.
(Mestrado). Ciências Biológicas e da Saúde, Pontifícia Universidade Católica do
Paraná, Curitiba, 2006.REA NETO,A.M.; REZENDE,E.A.C.; DIAS,F.S.
Monitorização em UTI. Rio de Janeiro,Revinter,2004.
REZENDE, S.O. Sistemas Inteligentes - Fundamentos e Aplicações.São
Paulo,Manole,525,2003.
RICH, E. K. Artificial Intelligence: McGraw Hill. 1993.
RINCÓN, A.M.R.C.; OSORIO, D.M.P. Sistema de Iinformación en tecnología de
asistencia para Bogotá. Revista Ciencias de la Salud, Bogotá,3,17-24,2005.
ROQUE-SPECHT, V.F. Desenvolvimento de um Mmodelo de gerenciamento de
riscos para aumento da segurança alimentar. (Doutorado),Programa de Pós-
Graduação em Engenharia de Produção, Universidade do Estado de Santa Catarina
- UFSC, Florianópolis, 2002.
RUSSELL, S.N. Inteligência Artificial.Rio de Janeiro,Elsevier,2004.
SAHEKI, A.H.; SHAROVSKY, R.; COZMAN, F.G.; COUPÉ, V.M.H. Construção de
uma Rede Bayesiana aplicada ao diagnóstico de doenças cardíacas. Encontro
Nacional de Inteligência Artificial, 2003.
SARMENTO, G.J.V. Fisioterapia respiratória no paciente crítico - Rotinas
clínicas,São Paulo,Manole,582,2005.
74
SHORTLIFFE, E.H.P. Medical Informatics,New York,2001.
SILVIA, R.P.; SANTOS, E.F. Aplicação do raciocínio baseado em casos num
sistema de apoio à educação e diagnóstico médico. III CLAEB, João Pessoa, 609-
12, 2004.
SMYTHE, G.A.D. REPCAT: Desktop expert system for interpreting and validation
laboratory data for pheochromocytoma diagnosis with database application Omnis 7.
Clinical Chemistry,43(1),134-140,1997.
SOARES, S.M.T.P. Estudo comparativo do perfil respiratório com dois modos
de ventilação mecânica não invasiva em voluntários sadios: pressão de
suporte e pressão positiva continua nas vias aéreas. Faculdade de Ciências
Médicas da Universidade Estadual de Campinas, Universidade Estadual de
Campinas, São Paulo, 2003.
SOO HOO, G.W.P. Variations in the Measurement of Weaning Parameters.
Chest,121(6),1947-1954,2002.
SUTTON, P.J.P.; GILES, S.P.; McAULEY, D.F.; GAO, F. Randomized controlled
cross-over comparison of continuous positive airway pressure through the Hamilton
Galileo ventilator with Grager CF 800 device. Anaesthesia, 60,72-6,2005.
TIBIRIÇÁ, A.G.; NASSAR, S.M. Desenvolvimento de uma abordagem híbrida
difuso-probabilítica para a modelagem da incerteza, 2003.
TOBIN, M.J.J. Patient - Ventilator Interaction. Am J Respir Crit Care Med,163,1059-
1063,2001.
TURBAN, E.A. Decision support systems and intelligent systems.Hong
Kong,Prentice Hall,2001
WANG, L.J.; KOGAN, S.L.; BOXWALA, A.A. Expert system for determination of
elegibility for health insurance programs. Annual Symposium: Proceedings of
AMIA,1194,2002.
WATERMAN, D.A. A guide to Expert Systems, Massachusetts, Addison-Wesley, 3-
33, 1986.
WERTHER, B.C.B.; CARVALHO, C.R.R.; AMARAL, J.L.G.; BEPPU, O.S.; AULER,
J.C. Atualização em Ventilação Pulmonar Mecânica,São Paulo,Atheneu,141-
200,1997.
WHITBY, B. Inteligência Artificial: Um guia para iniciantes, São Paulo,Madras,
13-17,2004.
VICARI, R.; FLORES, C.; CASA, M.; RIBEIRO, A. Representação do
conhecimento incerto aplicado a sistemas educacionais na Web. Disponível em:
http://www.inf.ufrgs.br/~dflores/publicacoes/Educar_.PDF
75
ZERBINATTI, L.; ASSIS, L.A. Fuzzy e Bayes no Apoio a Decisão Médica.
Disponível em: http://www.sbis.org.br/cbis/arquivos/760.pdf
ZUÑIGA, Q.G.P. Ventilação mecânica básica para enfermagem, São
Paulo,Atheneu,92,2005.
76
ANEXO A - TERMO DE CONSENTIMENTO LIVRE E ESCLARECIDO
a) Venho por meio deste documento deixar o (a) senhor (a), ciente dos objetivos da pesquisa a ser
realizada neste estabelecimento e torná-lo de acordo com a realização da mesma, pois somente
através das pesquisas clínicas e experimentais que se tornam possíveis os avanços nas áreas da
saúde e da tecnologia, para isso sua autorização é de fundamental importância.
b) O objetivo desta pesquisa é utilizar a Inteligência Artificial como ferramenta tecnológica para
caracterizar as variáveis registradas durante a monitoração contínua de pacientes em assistência
ventilatória invasiva, a fim de se obter informações mais independentes mediante a escolha das
modalidades ventilatórias e os parâmetros disponíveis pelo ventilador. Nessas condições, o que se
busca em primeira instância, é garantir informações para soluções e resultados viáveis.
c) Caso esteja de acordo com a pesquisa, será necessário que responda a algumas perguntas
realizadas sob forma de entrevista em formulário e que antecipadamente assine ou rubrique o
documento no final do mesmo.
d) Como em qualquer pesquisa o (a) senhor (a) poderá desistir de sua autorização e recorrer à
interrupção da mesma imediatamente.
e) Os riscos que envolvem são nulos e/ou mínimos.
g) Contudo, os benefícios esperados são baseados em propostas e demais estudos internacionais e
nacionais na área.
h) A pesquisadora responsável, Caroline Leitão Riella, é estudante do Programa de Pós Graduação
strictu sensu da Pontificia Universidade Católica do Paraná - PUCPR e se encontra sob as
orientações da Profa. Dra. Vera Lucia Israel e Prof. Dr. João da Silva Dias;
i) Está garantida a confidencialidade de quaisquer informações que o(a) senhor(a) queira, antes,
durante e depois do estudo.
j) Neste estudo não
ocorrerá qualquer tipo de intervenção sobre o protocolo e rotina de tratamento
dos profissionais envolvidos;
l) A participação do(a) mesmo(a) neste estudo é voluntária. O(a) senhor(a) tem a liberdade de recusar
a realização da pesquisa, ou se aceitar, retirar seu consentimento a qualquer momento. Este fato não
implicará na interrupção de quaisquer rotinas realizadas no seu local de trabalho.
m) As informações relacionadas ao estudo poderão ser analisadas pelos envolvidos na pesquisa e
pelas autoridades legais, no entanto, se qualquer informação for divulgada em relatório ou
publicação, isto será feito sob forma codificada, para que a confidencialidade seja mantida.
n) Todas as despesas necessárias para a realização da pesquisa não
são da responsabilidade da
instituição.
Anexos
77
o) Pela participação da instituição no estudo, a mesma não receberá qualquer valor em dinheiro. O(a)
senhor(a) terá a garantia de que qualquer problema decorrente do estudo será tratado no próprio
local do estudo até o final da pesquisa.
p) Quando os resultados forem publicados, não aparecerá o nome da instituição, sob concordância
das autoridades legais.
q) Não existe, sob forma alguma, qualquer vínculo empregatício ou atuação na qualidade de
profissional da saúde por parte da pesquisadora;
Eu, __________________________________ li o texto acima e compreendi a natureza e objetivo do
estudo do qual autorizo sua realização na qualidade de responsável pelo setor.
Curitiba, _____ de ________ de ________
_____________________________
Assinatura do Responsável
____________________________.
(pesquisador responsável)
78
ANEXO B - INSTRUÇÕES DE PREENCHIMENTO
As questões devem ser respondidas individualmente.
As variáveis e parâmetros foram divididos em cenários distintos selecionados e
determinados conforme a grande área abrangente das patologias que podem gerar
a necessidade de ventilação mecânica invasiva.
As variáveis estão divididas conforme a usabilidade USO (muito, pouco e raramente)
e NÃO USO (nunca), exigindo a resposta objetiva representada na marcação de um
único X, segundo a sua usabilidade. Todas as questões seguem o mesmo padrão
dentro de quatro categorias selecionadas: mecânica respiratória, oxigenação,
via aérea e função respiratória.
O item observação presente em cara variável, representado no espaço em branco à
direita, deve ser preenchido com os valores (parâmetros) utilizados e seguidos por
cada profissional conforma os diferentes cenários.
79
Referências Bibliográficas
ABEL, M. Sistemas Especialistas
. Rio Grande do Sul: Instituto de Informática. 1998
ADRATT, E. Sistema Especialista Para Avaliação Antropométrica Em Pediatria: Investigação, Diagnóstico,
Orientação E Encaminhamento. (Mestrado). Ciencias Biológicas e da Saúde, Pontifícia Universidade Católica do
Paraná, Curitiba, 2006.
BARRETO, J. M. Inteligência Artificial No Limiar Do Século Xxi
. Florianópolis. 1999
BLOM, J. A. Monitoring of Respiration and Circulation
. USA - United States of America: CRC Press. 2004
BONASA, J. Principios Básicos Dos Ventiladores Artificiais. Revista Brasileira de Anestesiologia
. São Paulo. 4: 69-
124 p. 2000.
BORGES, V. C. A. J., A.; LOPES, A.C. Desmame Da Ventilação Mecânica 2002.
BROCHARD, L. R., A.; BENITO, S.; CONTI, G.; MANCEBO, J.; REKIK, N.; GASPARETTO, A.; LEMAIRE, F.
Comparison of Three Methods of Gradual Withdrawal from Ventilatory Support During Weaning Form Mechanical
Ventilation. Am J Respir Crit Care Med
, v.150, p.896-903. 1994.
BROCHARD, L. S., T.E.; APEZTEGUFA, C.; TOBIN, M.J.; NIGHTINGALEI, P.; MATAMIS, D.; PIMENTEL,
J.; ABROUG, F. . Outcome of Older Patients Receiving Mechanical Ventilation. Intensive Care
, v.30, p.639-46.
2004.
BUTTON, V. L. S. N. Ventiladores Pulmonares.
CALVIN, S. H. S., W.; YIM, A.P.C.; ARIFI, A.A. Pulmonary Disfuction after Cardiac Surgery. Chest
, v.121,
p.1269-1277. 2002.
CELIS, E. G., C. Capitulo Xxix: Principios De Ventilación Mecánica. Guias para manejo de urgencias
, p.610-616.
COELHO, R. B. A. G.-N., A. Sistema De Avaliação De Ventiladores Pulmonares. Revista Brasileira de Engenharia /
Caderno de Engenharia Biomédica. 11: 17-39 p. 1995.
CONTI, G. M., L.; PENNISI, M. A.; CAVALIERI, F.; ARCANGELI, A.; BOCCI, M. G.; PROIETTI, R.;
ANTONELLI, M. A Prospective, Blinded Evaluation of Indexes Proposed to Predict Weaning from Mechanical
Ventilation. Intensive Care Med.
, v.30, p.830-836. 2004.
DIAS, J. D. S. Raciocínio Médico E a Abordagem Bayesiana
. (Trabalho apresentado à Pontifícia Universidade
Católica do Paraná para cumprir os requisitos do concurso de professor titular). Programa de Pós Graduação em
Informática Aplicada, Pontifícia Universidade Católica do Paraná, Curitiba, 2006. 86 p.
ELY, E. W. B., A.M.; DUNAGAN, D.P.; BURKE, H.L. Effect on the Duration of Mechanical Ventilation of
Identifying Patients Capable of Breathing Spontaneously. The New England J Med
, v.335, n.25, p.1864-1869. 1996.
EMMERICH, J. Suporte Ventilatório - Conceitos Atuais
. Rio de Janeiro: Revinter. 1998
FOX, J. T., R. Clinical Decision Support Systems: A Discussion of Quality, Safety and Legal Liability Issues
.
Proceedings of the AMIA: Annual Symposium, 2002. 265-269 p.
80
HATZAKIS, G. E. D., G.M. Fuzzy Logic Controller for Weaning Neonates from Mechanical Ventilation. Proc
AMIA Symp, 2002. 315-9 p.
Ii Consenso Brasileiro De Ventilação Mecânica. J Pneumol
, v.26, n.Supl 2, p.1-68. 2000.
INC., M. Manual Do Operador : Oxímetro De Pulso Npb-190. 035964C-0699
. C. 0123 1999.
INFANTINI, B. N. B. Monitorização Respiratória E Ventilatória Na Sdra. In: G. GAMBAROTO (Ed.). Fisioterapia
Respiratória Em Unidade De Terapia Intensiva. São Paulo: Atheneu, 2006. Monitorização Respiratória E
Ventilatória Na Sdra, p.235-38
ISAACSON, J. S.-B., N.; CLANCY, R.L.; PIERCE, J.D. Effects of Pressure Support Ventilation and Continuous
Positive Airway Pressure on Diaphragm Performance. Journal of Advanced Nursing
, v.32, n.6, p.1442-1449. 2000.
JUBRAN, A. Advances in Respiratory Monitoring During Mechanical Ventilation. Chest
, v.116, n.5, p.1416-1425.
1999.
KULIKOWSKI, C. A. Artificial Intelligence Methods and Systems for Medical Consultation. IEEE Trans. Patt.
Anal. Mach. Recogn. 2: 464-4765 p. 1980.
LIMA, D. S. P. Critérios De Elegibilidade Em Home-Care - Sistema De Apoio Á Decisão Na Eleição Do Paciente
Para a Atenção Domiciliar. Ciênciasd Biológicas e da Saúde, Pontifícia Universidade Católica do Paraná, Curitiba,
2006.
MARTIN, A. D. D., P.D.; FRANCHESCHI, A.C. Use of Inspiratory Muscle Strenght Training to Facilitate
Ventilator Weaning. Chest
, v.122, n.1, july, p.192-6. 2002.
MARTIN, J. Engenharia Da Informação
. Rio de Janeiro: Campus. 1991. 185-187 p.
MEIRELLES, F. S. Informática: Novas Aplicações Com Microcomputadores
. São Paulo: Makron Books. 1994. 428-
438 p.
NOZAWA E.; KOBAYASHI, E. M., M.E.; FELTRIM, M.I.Z.; CARMONA, M.J.C.; AULER JUNIOR, J.O.C. .
Avaliação De Fatores Que Influenciam No Desmame De Pacientes Em Ventilação Mecânica Prolongada Pós
Cirurgia Cardíaca. Arq Bras Cardiol
, v.80, n.3, p.301-5. 2003.
NUNES, W. A. T., R.G.G. Oximetria De Pulso Na Avaliação Do Transporte De Oxigênio Em Pacientes Críticos.
Rev.latino-am. enfermagem
, v.7, n.2, p.79-85. 1999.
PEIGANG, Y. M., J. Ventilation in Asthma and Chronic Obstrutive Pulmonary Disease. Crit Care
, v.8, n.Artigo de
revisão, p.70-76. 2002.
PERAZZO, M. J. C., F.G. Derivadas Em Redes Bayesianas Usando Eliminação De Variáveis.
PEREL, A. S., M.C. Manual De Mecanismos De Suporte Ventilatório
. São Paulo: Medsi. 1994
POZZEBON, E. F., L.B.; BITTENCOURT, G. Inteligência Artificial Na Educação Universitária: Quais as
Contribuições? Rev. CCEI
. 8: 33-40 p. 2004.
RABUSKE, R. A. Inteligência Artifical
. Florianópolis: UFSC. 1995
REA NETO, A. M., C.L.; REZENDE, E.A.C.; DIAS, F.S. . Monitorização Em Uti
. Rio de Janeiro: Revinter. 2004
RICH, E. K., K. Artificial Intelligence
: McGraw Hill. 1993
81
RINCÓN, A. M. R. C., D.M.O.; OSORIO, D.M.P. Sistema De Información En Tecnología De Asistencia Para
Bogotá. Revista Ciencias de la Salud
. Bogotá. 3: 17-24 p. 2005.
RUSSELL, S. N., P. Inteligência Artificial
. Rio de Janeiro: Elsevier. 2004
SARMENTO, G. J. V. Fisioterapia Respiratória No Paciente Crítico - Rotinas Clínicas
. São Paulo: Manole. 2005.
582 p.
SCHETTINO, G. P., L.; VASCONCELOS, A.L.; NERY, P.; CONISHI, R. Padronização De Desmame Da
Ventilação Mecanica
: 1-9 p. 2004.
SHORTLIFFE, E. H. P., L.E. Medical Informatics
. New York. 2001 (Health Informatics Series)
SMYTHE, G. A. D., C.M. Repcat: Desktop Expert System for Interpreting and Validation Laboratory Data for
Pheochromocytoma Diagnosis with Database Application Omnis 7. Clinical Chemistry
, v.43, n.1, p.134-140. 1997.
SOO HOO, G. W. P., LOUIS. Variations in the Measurement of Weaning Parameters. Chest
, v.121, n.6, p.1947-
1954. 2002.
TOBIN, M. J. J., A.; LAGHI, F. Patient-Ventilator Interaction. Am J Respir Crit Care Med
, v.163, p.1059-1063.
2001.
TURBAN, E. A., J.E. Decision Support Systems and Intelligent Systems
. Hong Kong: Prentice Hall. 2001
WANG, L. J.-H., M.; KOGAN, S.L.; BOXWALA A.A. Expert System for Determination of Elegibility for Health
Insurance Programs. Annual Symposium: Proceedings of AMIA, 2002. 1194 p.
WERTHER, B. C. B., J.; CARVALHO, C.R.R.; AMARAL, J. L. G.; BEPPU, O.S.; AULER, J.O C. Atualização Em
Ventilação Pulmonar Mecânica. São Paulo: Atheneu. 1997. 141-200 p.
ZUÑIGA, Q. G. P. Ventilação Mecânica Básica Para Enfermagem
. São Paulo, Rio de Janeiro, Ribeirão Preto, Belo
Horizonte: Atheneu. 2005. 92 p.
82
83
84
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
