INFORMÁTICA MÉDICA APLICADA AO DIAGNÓSTICO PSIQUIÁTRICO – Evolução, Técnicas de Desenvolvimento de Programas e Aplicações Atuais

Autores:
Tárcio Fábio Ramos de Carvalho
Médico Psiquiatra, doutor em Saúde Mental pela Universidade Estadual de Campinas – UNICAMP
Everton Botelho Sougey
Prof. Adjunto do Departamento de Neuropsiquiatria da Universidade Federal de Pernambuco
Resumo
A informática tem se tornado comum nos consultórios, hospitais e pesquisas médicas. Em psiquiatria o computador vem sendo utilizado principalmente em pesquisas, para coleta, armazenamento e processamento de dados. Nos últimos dez anos as aplicações da informática em psiquiatria vem crescendo, graças à proliferação dos microcomputadores pessoais, criação de linguagens e ambientes de programação avançados e os progressos obtidos na área de inteligência artificial. As dificuldades do diagnóstico psiquiátrico torna esse campo de especial interesse, surgindo vários modelos informatizados que buscam ajudar na solução de problemas nessa área. Nesse artigo o autor descreve a evolução dos programas computadorizados para auxílio ao diagnóstico psiquiátrico e apresenta as principais técnicas de Inteligência Artificial que vem sendo utilizadas na elaboração de programas computadorizados em psiquiatria. Alguns dos principais programas desenvolvidos para esse fim são descritos.
Unitermos:diagnóstico psiquiátrico, inteligência artificial.
Summary
The computer has been common in medical offices, hospitals and researches. The main use of computer in psychiatry is researches, for collect, store and data process. In the last ten years the computer applications are growing, due the proliferation of personal microcomputers, creation of advanced languages and ambience of programming and the progress in artificial intelligence. The difficulty in psychiatry diagnosis became this field with special advantage, arising some computer models that seek to help the solution of problems in this area. The author describes the evolution of the computers programs to help the psychiatric diagnosis, and presents the main techniques in Artificial Intelligence that are used to development of psychiatric computer programs. Some of the main softwares in this scope are discussed.
Uniterms:psychiatric diagnosis, artificial intelligence.
INTRODUÇÃO
O estabelecimento do diagnóstico clínico é um procedimento baseado em princípios de hierarquização incorporados a regras de classificação. Quando essas regras podem ser definidas com suficiente clareza, torna-se possível a elaboração de programas computadorizados de diagnóstico. Um programa, corresponde a uma série de instruções, ordenadas logicamente para posterior processamento automático. O programa fixa, dessa forma, as operações a serem executadas, os diversos parâmetros que devem ser utilizados e as correlações de diferentes dados de acordo com o objetivo proposto por Greist (1).
Do ponto de vista lógico, as classificações psiquiátricas pertencem às chamadas classificações por conceitos (em oposição às classificações numéricas) onde cada classe é especificada por um conceito que representa o conjunto das características comuns aos elementos que as compõem e que a distinguem das outras. Essas classificações visam ser naturais, ou seja, onde os conceitos utilizados devem permitir a formulação de princípios gerais que reflitam a uniformidade do conjunto de elementos estudados e assim, fornecer uma base à explicação, predição e compreensão científicas.
Uma das aplicações clínicas da abordagem computadorizada é a de possibilitar um meio útil de decisão e estandardização e por conseguinte, diminuir a margem de erro na seleção de populações de pacientes. Spitzer e Endicott (2) enumeram as seguintes vantagens do diagnóstico computadorizado:
1) perfeita confiabilidade, pois ao utilizar os mesmos dados, produz sempre o mesmo diagnóstico.
2) maior capacidade de utilizar as mesmas regras explícitas em grandes e diversas populações de pacientes.
3) representa um avanço na compreensão das complexas relações entre os sintomas e o diagnóstico.
A noção do diagnóstico automatizado tem se tornado uma das expectativas da nossa sociedade para o futuro. Isso tem se manifestado muitas vezes nas ficções científicas, como no filme Guerra nas Estrelas, onde o Dr. McCoy introduz uma sonda em um membro da tripulação da nave espacial para saber qual é o problema de saúde que o astronauta está sofrendo. O astronauta do futuro entra em uma câmara e após algum tempo surge todo o relatório médico. Hoje não sabemos se isso um dia será possível, mas o desenvolvimento da tecnologia da informática tem possibilitado uma enorme quantidade de aplicações do computador em atividades ligadas à saúde.
Desde o surgimento dos primeiros computadores os profissionais de saúde têm imaginado o dia em que os computadores iriam auxiliar o processo de diagnóstico médico (3). O primeiro trabalho tratando dessa possibilidade surgiu no final dos anos cinqüenta (4), e logo surgiram protótipos experimentais em medicina (5). Na psiquiatria, os primeiros programas computadorizados para diagnóstico começaram a ser produzidos justamente nos anos sessenta, época marcada por grande polêmica e pela volta do interesse em relação ao diagnóstico psiquiátrico. Em 1968, Spitzer e Endicott (6) nos Estados Unidos utilizam um sistema de decisão lógica para desenvolver o primeiro programa em psiquiatria para o diagnóstico, o DIAGNO, logo depois surgem vários outros programas, como o CATEGO, um sistema desenvolvido por Wing e colaboradores (7) para classificação dos dados obtidos pelo Exame do Estado Atual (PSE), uma entrevista estruturada para o obtenção de dados clínicos para diagnóstico na CID-8. O sistema teve grande importância na época, e foi utilizado no Estudo Piloto Internacional da Organização Mundial de Saúde sobre Esquizofrenia (8). Outros programas voltados para o diagnóstico psiquiátrico utilizando métodos estatísticos como a teoria das probabilidades Bayes (9)(10) ou funções de análise discriminante (11)(12) (13) também foram desenvolvidos, no entanto tiveram menor expressão do que os sistemas baseados em regras.
Entre nós, Bastos (14) em 1984 publicava um artigo intitulado “O Diagnóstico em Psiquiatria” no Jornal Brasileiro de Psiquiatria, e concluía o trabalho dizendo: “Trata-se, sem dúvida alguma, da reabilitação e da consolidação do diagnóstico em Psiquiatria, cuja atividade se iniciou no diagnóstico clínico tradicional … e que se torna mais complexo e sofisticado através do emprego de métodos objetivos quantitativos e do uso de computadores”. Complexo por envolver um número muito grande de informações. Sofisticado por utilizar avançada tecnologia no processamento dos dados. De fato, nos últimos anos temos visto que os computadores estão cada vez mais sendo utilizados na prática médica, em administração hospitalar e em pesquisas. Os recentes progressos na área de inteligência artificial e nos sistemas classificatórios e métodos de diagnóstico em psiquiatria permitiram o desenvolvimento de vários softwares na área. A maioria desses programas tinham o objetivo de auxiliar pesquisadores na sistematização e processamento dos dados coletados em pesquisas. Atualmente, com a simplificação dos programas e com o uso mais generalizado do computador na clínica, surgem alguns aplicativos para auxiliar os clínicos a realizarem diagnóstico, avaliações psiquiátricas e treinamento. Esse trabalho descreve, após essa breve revisão, as principais técnicas de desenvolvimento dos programas computadorizados para o diagnóstico em psiquiatria, e apresenta alguns dos principais programas que vem sendo utilizados e desenvolvidos.

SISTEMAS ESPECIALISTAS NO DIAGNÓSTICO PSIQUIÁTRICO
Sistemas especialistas (expert system) fazem parte de uma área do conhecimento conhecida como Inteligência Artificial (IA) ou Engenharia do Conhecimento. IA um ramo da ciência da informática que trabalha com processamento simbólico, utilizando métodos não algoritmos na resolução de problemas (15). A inteligência artificial, preocupa-se mais com a realização de tarefas especializadas, e com mecanismos de raciocínio baseados na manipulação de conhecimentos armazenados em bases de conhecimento, geralmente utilizando-se de computadores de propósitos gerais como aqueles que encontramos no nosso dia-a-dia (16). Atualmente, as principais áreas de pesquisa em IA são (17):

1. Sistemas especialistas
2. Processamento de linguagem natural
3. Reconhecimento da fala
4. Visão computacional
5. Robótica
6. Ensino assistido por computador
7. Ferramentas de desenvolvimento de programas
8. Suporte para planejamento e decisão.
   Sistema especialista é um programa de computador desenvolvido para agir como um especialista em uma área particular. Eles agem como auxiliares inteligentes para especialistas, assim como ajuda a pessoas que não podem ter acesso a um especialista. Em medicina suas aplicações tem crescido muito nos últimos anos, em aplicações conhecidas como sistemas de auxílio à decisão médica, isto é, qualquer programa de computador desenvolvido para ajudar profissionais de saúde nas decisões clínicas (18). Esses sistemas trabalham com uma base de dados (que correspondem às informações que um médico dispõe dos pacientes, como no prontuário) e com um sistema decisório baseado nos conhecimentos da medicina, como por exemplo, para realizar um diagnóstico ou decidir que procedimento é mais apropriado em uma determinada situação.
   Na medicina em geral, os sistemas especialistas aplicados ao diagnóstico fornecem justificativas para os seus diagnósticos, através dos mecanismos fisiopatológicos. Por exemplo, em oncologia, a classificação das doenças é baseada na histopatologia do tumor; nas doenças infecciosas, o diagnóstico é baseado no agente infeccioso. A pequena compreensão sobre etiologia na maioria das doenças mentais faz com que o diagnóstico psiquiátrico seja baseado apenas na descrição clínica (19). Os diversos sistemas de classificação em psiquiatria que tem surgido recentemente apresentam essa tendência de serem ateóricos quanto à etiologia. O desconhecimento dos mecanismos fisiopatológicos em psiquiatria impede o uso de sistemas especialistas que utilizam as relações causais, como os sistemas CASNET(20) e CADUCEUS(21), os quais realizam respectivamente o diagnóstico de glaucoma e diagnósticos clínicos baseados em etiologia.
   A falta de “padrão ouro” de validade diagnóstica em psiquiatria tem levado à adoção de um sistema de classificação baseado mais no consenso e em convenção do que em determinantes biológicos (19). Os sistemas de classificação computadorizados baseados em regras parecem então serem a melhor opção para os atuais sistemas mais aceitos na comunidade médica, como o DSM-III (22), DSM-III-R (23) e CID-1O (24), que utilizam critérios operacionais de inclusão e exclusão para realizar um diagnóstico. Sendo assim, já que os sistemas especialistas adotam as regras dos sistemas classificatórios, os diagnósticos computadorizados desses sistemas devem ter a mesma aceitação que tem os diagnósticos quando aplicados por um especialista. A seguir serão apresentados alguns dos principais programas para diagnóstico psiquiátrico baseados em sistemas de decisão, como a LICET-D100 (25) e DTREE (26).
   PRINCIPAIS PROGRAMAS O Sistema de Multidiagnóstico LIST-D10 (27) é um instrumental que integra os critérios de diagnóstico para as depressões incluídos em dez sistemas diferentes de classificação. O LIST-D10 é constituído exclusivamente, pelos sistemas nos quais as categorias são definidas pelo procedimento de critérios diagnósticos. Portanto, ele poderá ser completado ou estendido a qualquer novo sistema na condição de que este se baseie na utilização de critérios diagnósticos. Os sistemas diagnósticos estão listados a seguir.
9. Critérios de Newcastle
10. Critérios de Saint-Louis
11. Critérios de Klein
12. Critérios do RDC
13. Critérios de Winokur
14. Critérios de Taylor e Abrams
15. Critérios de Berner
16. Critérios do DSM-III
17. Critérios do DSM-III-R
18. Critérios da CID-10 O LIST-D10 define, exemplifica e orienta a avaliação da sintomatologia inserida nesses sistemas e contém para cada classificação um programa computadorizado de diagnóstico, integrando-os, posteriormente, ao produzir automaticamente para cada paciente examinado possibilidade de dez diferentes diagnósticos de depressão .
    Compõem o LIST- D10:
    1) A Lista Integrada de Critérios de Avaliação Taxionômica para as Depressões
    2) O Glossário das Definições dos Critérios Diagnósticos
    3) O Programa Computadorizado de Multidiagnóstico.
    O LIST-D10 foi desenvolvido utilizando a linguagem de programação Visual Basic para o ambiente gráfico Windows. Isso significa que o LIST-D10 é um software que pode se beneficiar de vários recursos do ambiente Windows da Microsoft.
    O programa computadorizado do LIST-D10 foi construído de forma a ser de fácil uso e flexível. O usuário pode escolher um ou mais sistemas diagnósticos para avaliação do paciente. Permite modificações pelo usuário nos critérios diagnósticos, nas definições e de outros recursos do programa. Algumas partes do Sistema, entretanto, estão embutidas no programa, como é o caso das árvores de decisões, a programação dos pontos de corte e para diagnósticos dos sistemas.
    O DTREE é um sistema especialista para diagnóstico e ensino com o DSM-III-R. Desde a introdução do DSM-III em 1980, três sistemas utilizando árvores de decisão foram desenvolvidos para realizar o diagnóstico nesse sistema: O Manual de Diagnóstico Psiquiátrico Automatizado (28), o Programa de Entrevista Médica (29), e o DECISIONBASE (30). Todos esses programas são baseados nos critérios diagnósticos, mas não fornecem justificativas para o seu diagnóstico, o que torna as vezes difícil de entender como o computador chega a uma determinada decisão. DTREE inclui apresentação de todos os passos que realiza para se chegar a um diagnóstico, o que o torna de especial interesse em clínica, pesquisa e ensino. Cada questão que o DTREE faz a respeito do paciente é acompanhado de um glossário com a definição do sintoma e explica como se pode diferenciar aquele sintoma de outras fenômenos psicopatológicos semelhantes. Além disso, para cada questão ele informa a importância do sintoma para um determinado diagnóstico que está sendo testado. Por exemplo, quando o DTREE está investigando a presença de sintomas psicóticos, para o item ‘delírio’ ele explica que está pesquisando o critério A dos sintomas presentes na esquizofrenia segundo o DSM-III-R. Na tela do monitor é apresentado então os diagnósticos diferenciais que serão testados caso o usuário do sistema indique a presença ou ausência de delírio. Se o usuário quiser saber mais sobre esse item, basta apertar a tecla I (I=informação) e o computador mostrará a definição e como diferenciar um delírio de outras manifestações, como por exemplo, de uma idéia supervalorizada. DTREE é apresentado em duas versões, o “Clinical Mode”, em que é utilizado o sistema especialista para o diagnóstico, e o “Case Mode”, no qual é o computador que apresenta um caso clínico e o usuário tenta realizar o diagnóstico correto.
    Outros programas desenvolvidos para estudos epidemiológicos em psiquiatria foram utilizados em pesquisa. Um exemplo é o que contém a entrevista do DIS (Diagnostic Interview Schedule) (31). O DIS tem sido utilizado em importantes pesquisas epidemiológicas, como o Epidemiologic Catchment Área nos Estados Unidos. O DIS é uma entrevista estruturada para diagnóstico no DSM-III, Feighner e RDC, mas difere do SCID (Structured Clinical Interview for DSM-III) pois o DIS não necessita de julgamento clínico, isto é, pode ser aplicado por pessoas que não sejam especialistas na área. Seguindo esse mesmo raciocínio, surgiu a idéia de que o computador poderia realizar bem essa tarefa, e foi desenvolvido um programa computadorizado. A entrevista do DIS foi reproduzida fielmente no programa, e utilizando o mesmo processo de um entrevistador humano no reconhecimento dos sintomas. Após o entrevistado terminar de responder todas as questões, o computador fornece um resumo, incluindo o diagnóstico e as respostas fornecidas pelo entrevistado. Esse sistema foi testado, comparando a entrevista realizada pelo computador e por uma pessoa (32) e o autor conclui que praticamente não havia diferença no diagnóstico. Quando comparou o diagnóstico do computador com o de um psiquiatra a concordância foi baixa. Isso é explicado pelo fato de que em algumas áreas o médico pode detalhar melhor algumas informações, e em outras áreas o computador tem se mostrado mais preciso como, por exemplo, no uso, abuso e dependência de substância psicoativas.
    Atualmente vem sendo desenvolvido novos programas mais sofisticados utilizando o raciocínio heurístico para o diagnóstico médico. Esses programas contam com uma grande facilidade de desenvolvimento pois existem vários programas shell à disposição, para as mais diversas finalidades. Programa shell é um software utilizado para desenvolver um sistema especialista, de modo que a pessoa que irá desenvolver o sistema não precisa entender de programação de computadores. Estamos agora trabalhando em um sistema shell para o desenvolvimento de programas especialistas em ambientes Windows 3.O1, o que permitirá qualquer especialista em psiquiatria fazer seus próprios sistemas especialistas de acordo com suas necessidades. O primeiro programa a ser desenvolvido nesse sistema shell será um software para diagnóstico de esquizofrenia utilizando vários sistemas de classificação diferentes. Um outro sistema que está sendo desenvolvido é o SCAN (Schedules for Clinical Assessment in Neuropsychiatry) baseado no PSE- 1O, que contará com um programa para diagnóstico no DSM-III-R e CID-1O (24).
    Uma outra aplicação interessante dos computadores é no treinamento de médicos para realizarem diagnóstico em psiquiatria. Atualmente existem vários sistemas com esse objetivo, como por exemplo, o DTREE, já descrito. Recente desenvolvemos um programa para treinamento diagnóstico em depressão no DSM-III-R, utilizando os critérios diagnósticos da LIST-D10 (33). O programa realiza uma seleção aleatória dentre os 133 critérios diagnósticos para depressão e, após uma correção dos critérios selecionados para haver uma consistência interna, esses critérios são submetidos a uma avaliação por um sistema especialista baseado em regras para o DSM-III-R , que realiza o diagnóstico, devendo então o usuário fazer o diagnóstico correto de acordo com esse sistema. Para isso é apresentado uma tela com a opção de selecionar qualquer dos itens de uma anamnese (sintomatologia, forma de início, fatores associados, antecedentes, personalidade, etc.). Quando o usuário tiver uma hipótese diagnóstica, vai testar sua hipótese selecionando um dos diferentes distúrbios depressivos do DSM-III-R. Dependendo do diagnóstico, quando o usuário acerta-lo o programa pode solicitar outras informações complementares ao diagnóstico. Por exemplo, quando se trata de um Episódio de Depressão Maior, o computador solicita o usuário para dizer a gravidade do episódio (leve, moderado ou severo), se apresenta padrão sazonal, se apresenta sintomas psicóticos, etc. O programa tem capacidade de gerar aleatoriamente uma quantidade enorme de casos diferentes, o que o torna especialmente interessante, visto que os casos sempre serão diferentes um dos outros. Foi desenvolvido em Visual Basic, contando com os avançados recursos do ambiente Windows.
    Outros programas para treinamento diagnóstico em psiquiatria são do tipo “caso clínico”, isto é, apresentam um caso clínico semelhante ao que o psiquiatra encontra na sua prática para realizar o diagnóstico. Há inclusive programas com técnicas de animação como em um vídeogame (34), em que um estudante de graduação em medicina entra em um hospital geral para um plantão e surgem as mais diversas situações de interconsulta psiquiátrica. O usuário tem que fazer o diagnóstico correto e tomar a conduta que mais se adeque àquela situação. No Brasil o único programa que temos conhecimento, desenvolvido para treinamento diagnóstico em psiquiatria utilizando um caso clínico é o “Sistema de Ensino Médico em Psiquiatria: Esquizofrenia Paranóide” (35). Esse programa é um sistema de ensino médico mais completo, constando de um tutorial, questões de múltiplas escolhas e um caso clínico em esquizofrenia paranóide.
    Mais recentemente uma outra área da IA tem recebido especial atenção, os sistemas conexionistas, ou redes neurais. Apesar do alto nível de desenvolvimento dos sistemas especialistas, ainda apresentam importantes limitações: “[Eles] são incapazes de refletir as variações do quadro clínico. Em particular, eles tem dificuldades em reconhecer variações que as doenças podem apresentar, em termos de espectrum de manifestações e graus de severidade”(36).
    REDES NEURAIS NO DIAGNÓSTICO PSIQUIÁTRICO
    As redes neurais artificiais, ou sistemas conexionistas, tem se caracterizado pelo notável crescimento de interesse e do número de pesquisas nos últimos cinco anos, graças a importantes rupturas conceituais e teóricas (37). As redes neurais trazem grandes implicações para as aplicações biomédicas da IA. Os modelos conexionistas podem se tornar extremamente eficientes e eficazes para a implementação de sistemas inteligentes (softwares aplicativos e instrumentos) em inúmeras áreas da medicina, principalmente aquelas que envolvem a classificação e reconhecimento de padrões complexos (processamento de sinais e imagens biológicas), ou os sistemas especialistas (baseados em conhecimento) de apoio à decisão médica (38).
    As redes neurais artificiais surgiram nos anos quarenta (39), foram desenvolvidas nos anos sessenta (40), e foram parcialmente abandonadas nos anos setenta (41), período em que houve maior interesse nos sistemas especialistas. O interesse pelas redes neurais, entretanto, voltou a crescer subitamente nos últimos cinco anos. Ao rápido reconhecimento das vantagens proporcionadas por está nova geração de sistemas conexionistas, seguiu-se uma avalanche de novos algoritmos e formalizações teóricas e aplicadas. Por outro lado, a possibilidade de construir computadores com velocidades de processamento de 1 a 2 ordens de magnitude acima dos mais rápidos processadores convencionais (como os de arquitetura paralela, ou de quinta geração, sendo atualmente elaborados), e capazes de realizar com muito maior facilidade diversas tarefas para as quais o cérebro humano está especialmente adaptado (tais como reconhecimento de linguagem e fala naturais, visão, etc.) levou ao desenvolvimento dos chamados neurochips (circuito integrados com arquitetura neuromórfica) e os neurocomputadores, já anunciados como computadores de sexta geração (42), (28). Entretanto, enquanto esse novo tipo de ‘hardware’ ainda não estiver disponível, é possível simular a operação paralela de uma rede neural em um computador seqüencial, através de algoritmos especiais e sistemas de desenvolvimento (38).
    Os sistemas conexionistas tem sido bastante atrativos pelas funções que desempenham em reconhecimento de padrões e outras áreas. Em contraste com a arquitetura de Von Neumann, as redes neurais consistem de unidades independentes chamadas elementos de processamento, que são análogos aos neurônios no cérebro. Um grande número de elementos de processamento são associadas com uma série de pesos que determinam o quanto os dados de entrada irão influenciar os elementos de processamento e a rede neural. Os pesos são modificados de acordo como o “aprendizado”, isto é, a possibilidade de “relembrar” um determinado conhecimento. Quando o aprendizado termina a rede pode ser usada para reconhecimento de padrões ou outras funções. Em contraste com os sistemas especialistas em inteligência artificial, as redes neurais não necessitam de ter uma base de conhecimentos sistematizada (como um sistema baseado em regras), precisando apenas receber um treinamento com os exemplos fornecidos.
    Uma rede neural artificial consiste de (43):
19. Elementos de processamento (“neurônios”), também referidos como nodos, interconectados entre si na forma de uma topologia ou rede. Um nodo recebe sinais binários ou contínuos provindos do meio exterior ou de outros nodos da rede através de conexões diretas (“sinapses”), processa estes sinais de alguma forma e envia o produto do processamento para outros nodos ou para o exterior. Os sinais de entrada formam um vetor A = a1, a2…ai…an, onde ai é o sinal ou nível de atividade da i-ésima conexão de entrada. Tipicamente existem dois tipos de conexões: conexões excitatórias, ou positivas, e conexões inibitórias, ou negativas, que tendem a aumentar ou diminuir respectivamente, a ativação de um nodo. Associado a cada conexão ai entre dois nodos existe um valor ajustável denominado peso; formando portanto outro vetor Wj = w1j, w2j … wij … wij, onde wij corresponde ao peso da conexão entre os nodos ai e bj. No modelo generalizado pode existir também um parâmetro extra Oj, modulado pelo peso woj, que corresponde a um limiar a ser excedido para haver ativação do nodo. Para calcular o valor de saída bj do nodo, realiza-se a soma ponderada de todos os wij, e o resultado é aplicado a uma função de ativação, que usualmente é não linear (sigmóide, por exemplo), e que eqüivale ao limiar de disparo do neurônio.
20. Uma arquitetura de interconexão entre nodos da rede. Existem diversos tipos de arquitetura, desde as que interconectam totalmente cada nodo constituinte da rede (cada nodo se conecta a todos os demais), como nas redes de Hopfield (44); até as redes estratificadas, formadas por 2 ou mais camadas (uma camada de entrada, uma camada intermediária, ou “oculta”, e uma camada de saída), tais como os perceptrons (45). Podem existir conexões de diversos tipos, como as intracamadas (entre os nodos de uma mesma camada), inter-camadas (entre os nodos de duas camadas),recorrentes (conexão de um nodo sobre ele mesmo). As conexões inter-camadas podem ser anterógradas (no sentido da entrada para saída) e retrógradas(sentido inverso).
21. Um método de codificação (armazenamento) e decodificação (recuperação) de informação na rede.
    O aprendizado é outro conceito muito importante na caracterização de redes neurais artificiais. Aprendizado é definido como uma modificação realizada na matriz de pesos W de uma rede, no sentido de otimizar um mapeamento dos padrões de entrada e saída. Embora em casos simples fosse possível ajustar a matriz W manualmente, de modo a obter um mapeamento único, é desejável que este processo se aconteça de forma auto-organizada, ou seja, a rede, através de algum algoritmo apropriado, auto-ajusta os seus pesos durante a progressão do aprendizado.
    Para avaliar o desempenho de uma rede conexionista na realização do diagnóstico clínico de demência, Benoit H. Mulsant e Emile Servan-Schreiber (46) da Universidade de Carnegie Mellon, Pittsburgh, desenvolveram e testaram uma rede neural para este fim. O diagnóstico de demência é , um problema razoavelmente bem circunscrito de moderada complexidade, mas de grande importância prática. Para simplificar a pesquisa, os autores ignoraram algumas formas de demências raras, como a meningoencefalite sifilítica, deficiência de vitamina B12, distúrbios da tireóide e da paratireóide, meningite tuberculosa, etc. Os autores utilizaram sete classes de demências que podem ser associadas com formas de decisão clínicas diferentes: demência de Alzheimer, demência vascular , demência por hidrocéfalo , demência de Parkinson , demência por lesão expansiva , delirium e pseudodemência. Tecnicamente falando, nem o delirium nem a psedodemência são formas de demência, mas são importantes formas de diagnóstico diferencial.
    A rede tem uma arquitetura simples, e utiliza o método de hipótese e teste do método. Contém quatro camadas de neurônios: 1 camada de entrada, 2 camadas intermediárias e 1 camada de saída. A camada de entrada contém oitenta unidades de entrada que representam as manifestações clínicas. Cinqüenta e oito unidades de achado são agrupadas em vinte e dois atributos clínicos, selecionados por sua importância diagnóstica. Por exemplo, “idade” ou “memória” são atributos; “idade acima de 70”, ou “distúrbio importante da memória” são achados. Além disso, vinte e duas outras unidades de entrada foram referidas como um valor de confiança para cada atributo, chamadas como unidade de confiança. A camada de saída representa as classes diagnósticas (representadas pelas sete classes diagnósticas) e vinte e duas questões para mais informações. Há duas camadas na unidade intermediária. A camada inferior contém dez unidades chamadas de camadas ocultas. A camada superior contém sete unidades, chamadas como unidades de hipóteses.
    Para ativação da camada de entrada o usuário seleciona o valor entre zero e um; zero significa “não”, um significa “sim” e O.5 significa “desconhecido”. Na ativação das unidades de diagnóstico e questões, um valor entre zero e um também é usado. Para a unidade de diagnóstico, uma ativação de zero significa “ausente”, um significa “presente” e meio O.5 significa “incerto”. No início todos as unidades de achado e de diagnóstico tem uma ativação de O.5. Os autores não treinaram a rede para selecionar as questões, isto é, os pesos para as hipóteses das questões foram determinadas heuristicamente. Um peso para as unidades de confiança para elas corresponderem a unidades de questão é selecionada, e somente quando uma questão foi respondida satisfatoriamente, a questão não podia ser feita novamente. Em contraste, todos os outros pesos foram aprendidos utilizando um treinamento com setenta e cinco casos. A rede foi treinada para associar um diagnóstico com uma descrição completa de um caso. Inicialmente quando nenhuma informação é conhecida, todos os achados são “desconhecidos”. Quando poucas informações são fornecidas, a rede assume uma hipótese. Se um dado é fornecido e corresponde aquela hipótese, essa hipótese é reforçada. Por outro lado, se o novo dado não corresponde àquela hipótese, essa diminui seu peso ou é afastada, dando lugar a uma nova hipótese.
    Todos os casos apresentados durante o treinamento foram diagnosticados corretamente. Quando a rede foi apresentada para exemplos com manifestações importantes do caso, a rede era capaz de identificar o caso típico. Quando a rede foi testada com novos casos, o diagnóstico naturalmente dependia da similaridade do caso testado com os casos treinados. A rede foi testada com 18 casos vistos durante um período de 2 meses em uma enfermaria de psiquiatria. Ao contrário dos casos de treinamento, esses casos eram muitas vezes atípicos, se apresentando com vários diagnósticos concomitantes. Apesar disso, a rede foi capaz de diagnosticar corretamente 11 desses 18 casos. Isso corresponde a uma classificação correta em 61% dos casos.
    O problema médico que essa rede utiliza é considerado pouco complexo, e provavelmente pode ser descrito em um sistema especialista de 200 regras. É preciso estudar problemas mais complexos, com diagnósticos múltiplos e utilizando redes mais complexas e com maior número de casos para treinamento. Redes muito amplas são mais difíceis de serem treinadas, mais seu desempenho é melhor do que pequenas redes. Muitos estudos ainda são necessários para demonstrar a utilidade prática dessa técnica de auxílio na decisão clínica em psiquiatria. A limitação dessa rede sugerem alguns pontos para estudos futuros, comparação das redes conexionistas com modelos Bayesianos, e a integração das redes coneccionistas com sistemas híbridos.
    Este artigo apresentou um breve panorama sobre o desempenho e utilização da Informática médica aplicada à área do diagnóstico psiquiátrico. Este setor da pesquisa propõe um modelo plausível de utilização do computador como instrumento de auxílio à decisão clínica. Estes programas baseados em regras vêm se tornando cada vez mais sofisticados e tendem progressivamente a se aperfeiçoarem. Promissoras possibilidades também se apresentam com os sistemas conexionistas que trazem consigo uma abordagem extremamente tentadora a de que um computador possa funcionar como o cérebro humano, com capacidade de aprender por si só.
    Entretanto, o computador não substitui e nunca substituirá a relação médica com seu paciente, sua experiência clínica e a arte do diagnóstico. Ele é apenas um instrumento a mais de auxílio ao diagnóstico, que tem se mostrado de grande utilidade na pesquisa e, agora, na prática clínica.

Endereço do autor:
Dr. Tárcio Carvalho
R. São Francisco, 110 sala 303
Derby – Recife – PE CEP. 52010-020
Fone: (081) 32210132
E-mail: tarcio@doctor.com

REFERÊNCIAS BIBLIOGRÁFICAS

1. Greist J H – Computers and psychiatry diagnosis. In: Baskin. D.: Computer Apllications in Psychiatry and Psychology. Brunner/Mazel Publishers, New York, 1990.
2. Spitzer R L, Endicott J, Robins E – clinical criteria for psychiatric diagnosis and DSM-III. American Journal of Psychiatry, 132:1187-1192, 1975.
3. Shortliffe EH – Computer Programs to support clinical decision making. JAMA; 258:61-66, 1987.
4. Ledley RS, Luster LB – Reasoning foundations of medical diagnosis. Science;13:01- 21,1959.
5. Warner HR, Toronto AF, Veasy LG – Experience with Bayes’s theorem for computer diagnosis of congenital heart disease. Ann NY Acad Sci;11:52-16, 1964.
6. Spitzer RL, Endicott J – DIAGNO: a computer program for psychiatric diagnosis utilizing the differential diagnostic procedure. Archieves of General Psychiatry;18:746-756, 1968.
7. Wing JK, Nixon J, von Cranach M, Strauss A – Further developments of the PSE and CATEGO system. Arch Psychiat Nervenkr, 224:151-160, 1977.
8. Wing JK – Standardizing clinical diagnostic judgments: the PSE-CATEGO system 1. Shortliffe EH – Computer Programs to support clinical decision making. JAMA; 258:61-66, 1987.
9. Fleiss J, Spitzer RL, Cohen J, Endicott J – Three computer diagnosis methods compared. Archieves of General Psychiatry;27:643-649, 1972.
10. Hirschfeld R, Spitzer RL, Miller RG – Computer diagnosis in psychiatry: a Bayes approach. Journal of Nervous and Mental Diseases;158:399-407.
11. Altman H, Evanston RC, Cho DW – New discriminant functions for computer diagnosis. Multivariate Behavioral Research;11:367-376, 1976.
12. Melrose JP, Stroebel C, Gluek B – Diagnosis of psychopatology using stepwise multiple discriminant analysis. Psychiatry;12:43-50, 1970.
13. Hedlund JL, Viewing BW – Computer generated diagnosis. In, Last CG et al; Issues in Diagnostic Research, Plenum Publishing Company, 1987.
14. Bastos, O – O diagnóstico em Psiquiatria. Jornal Brasileiro de Psiquiatria; 33:311-316, 1984.
15. Buchanan BG, Shortliffe EH – Rule-based expert systems. Addison-Wesley, Reading, 1984.
16. Carvalho Filho E C B, Marar J F – O computador neural: uma máquina biologicamente inspirada. anais do I Simpósio sobre o Cérebro. Caderno do Centro de Ciências da Saúde, Universidade Federal de Pernambuco, 3:73-84, 1994.
17. Mishkoff HC – Understanding Artificial Intelligence;Texas Instruments Inc., Texas, 1986.
18. PK – Artificial neural Shortliffe EH – Computer Programs to support clinical decision making. JAMA; 258:61-66, 1987.
19. First MB, Williams JBW, Spitzer RL – DTREE: Microcomputer- assisted teaching of psychiatric diagnosis using a decision tree model. Proceedings of the Twelfth Annual Symposium on Computer Application in Medical Care, IEEE Press, New York, 1988.
20. Kulikowski C, Weiss SM – Representation of expert knowledge for consultation: the CASNET and EXPERT projects. In, Szolovits P: Artificial Intelligence in Medicine, Westview Press 55 Colorado, 21, 1982.
21. Pople H – Heuristic methods for imposed structure on ill- structured problems: the structuring of medical diagnostics.In. Szolovits P, Artificial Intelligence in Medicine, Westview Press, Colorado, 119-190, 1982.
22. American Psychiatry Association – Diagnostic and Statistical Manual of Mental Disorders, Third Edition (DSM-III);American Psychiatric Press, Washington, D.C., 1980.
23. American Psychiatry Association – Diagnostic and Statistical Manual of Mental Disorders (DSM-III-R), Third Edition, Revised; American Psychiatric Press, Washington D.C., 1987.
24. World Health Organization – ICD-10. 1988 Draft of Chapter V Categories, Mental, Behavioural and Developmental Disorders, WHO, Geneva, 1988.
25. Carvalho TFR – Multidiagnóstico computadorizado das depressões. Sistema LICETD-100. Neurobiologia;50:219:240, 1987.
26. First MB, Williams JBW, Spitzer RL – DTREE: an expert system for psychiatric diagnosis. Proceedings of the 13th. Annual Symposium on Computer Application in Medical Care, IEEE Press, New York, 954-955, 1989.
27. Sougey E B, Carvalho TFR – LIST-D10: Um sistema computadorizado de multidiagnóstico para as depressões. Jornal Brasileiro de Psiquiatria (no prelo).
28. Swartz CM, Pfohl B – A learning aid for DSM-III: computerized prompting of diagnostic criteria. Journal of Clinical Psychiatry;42:359-361, 1981.
29. Erdman HP, Greist JH, Klein MH,Jefferson JW, Olson W, Saslinger R – Clinical usefulness of a computer program for psychiatric diagnosis. In,Shriver B, Walker R, Grams R (eds.) Proceedings of the Fourteenth Hawaii International Conference on System Sciences, North Hollywood, CA , 802-817, 1981.
30. Lieff JD – Computer applications in psychiatry. American Psychiatry Press, Washington D.C., 1987.
31. Robins LN et al – The NIMH Diagnostic Interview Schedule: its history, characteristics, and validity. Archieves of General Psychiatry;38:381-389, 1981.
32. Weizenbaum J – ELIZA-A computer program for the study of natural language communication between man and machine. Communication of the Association for Computer Machine, 9:34-45, 1966.
33. Carvalho TFR, Lima MG, Azevedo RCS – Gerador de casos clínicos de distúrbios depressivos para treinamento diagnóstico no DSM-III-R. Software apresentado no I Simpósio de Informática na Educação Médica, em Campinas, SP, 1991.
34. Jachna JS, Powsner SM, Mclntyre PJ, Byck RS – The psychiatry consult adventure simulation. Proceedings of the 13th Annual Symposium on Computer Application in Medical Care, IEEE Press, New York. pp.1030-1032, 1989.
35. Carvalho TFR, Contreras MCG, Gama AR – Programa computadorizado de auxilio ao ensino médico em psiquiatria: esquizofrenia paranóide. Software apresentado no I Simpósio de Informática na Educação Médica, em Campinas, SP, 1991b.
36. Schwartz WB, Patil RS, Szolovits P – Artificial intelligence in medicine: Where do we stand? NEJM;316:685-688, 1987.
37. Eberhart RC, Dobbins RW – Early neural network development history: the age of Camelot. Engineer. Medical Biologic Magazine;915:18, 1990.
38. Sabbatini RME – Aplicações biomédicas de redes neurais artificiais. Não publicado, 1991.
39. McCulloch W, Pitts W – A logical calculus of the ideas immanent in nervous acti. vity. Bulletin of Mathematical Biophysics;71:15-133, 1943.
40. Rosenblatt F – Principle of neurodynamics. Spartan Books, Washington D.C., 1962.
41. Misky M, Pappert S – Perceptrons. MIT Press, Cambridge, 1969.
42. Gomi T – Sixth generation computing by the year 21: characteristics, opportunity and challenge. Proceedings of the II International Symposium of Artificial Intelligence and Expert System, AMK Berlin, Berlin, 211-212, 1988.
43. Simpson PK – Artificial neural systems: foundations, paradigms, applications and implementations. Pergamon Press, London, 1990.
44. Hopfield JJ – Neural networks and physical systems with emergent collective computational abilities. Proccedings of the National Academy of Science. USA, 79:2554-2558, 1982.
45. Rosenblatt F – The perceptron: a probabilistic model for information storage and organization in the brain. Psychol. Rev.;65:368-408, 1958.
46. Mulsant BH, Servan-Schreiber e – A connectionist approach to the diagnosis of dementia. Proceedings of the Twelfth Annual Symposium on Computer Application Australian and New Zealand. Journal of Psychiatry;14:17-20, 1980.