Modelo Baseado em Lógica Fuzzy para o Diagnóstico ... - SBIS

sbis.org.br

Modelo Baseado em Lógica Fuzzy para o Diagnóstico ... - SBIS

Modelo Baseado em Lógica Fuzzy para oDiagnóstico Diferencial de Enfermagem emAlterações na Eliminação UrináriaMaria Helena Baena de Moraes Lopes 1 , Heimar de Fátima Marin 2 , Neli Regina SiqueiraOrtega 3 , Eduardo Massad 41 Professora Associada do Departamento de Enfermagem, Faculdade de Ciências Médicas, UniversidadeEstadual de Campinas (Unicamp), Pós-doutoranda da UNIFESP/FMUSP SP, Campinas / São Paulo, SP,Brasil2 Professora Associada do Departamento de Enfermagem da Universidade Federal de São Paulo, SãoPaulo, SP, Brasil3, 4 Faculdade de Medicina da Universidade de São Paulo, FMUSP/LIM01, São Paulo, SP, BrasilResumo – Os diagnósticos de enfermagem relativos a alterações na eliminação urinária requeremdiferentes intervenções, e as enfermeiras que não são especialistas necessitam de suporte para odiagnóstico e manejo de pacientes com distúrbios na eliminação de urina. O objetivo deste trabalho foiapresentar um modelo baseado em lógica fuzzy para o diagnóstico diferencial de alterações na eliminaçãourinária, considerando os diagnósticos de enfermagem aprovados pela North American Nursing DiagnosisAssociation - International (NANDA-I), 2001-2002. A composição máximo-mínimo fuzzy foi usada paradesenvolver esse modelo. Ele foi testado em 195 casos de uma base de dados de um estudo prévio. Omodelo foi capaz de determinar o diagnóstico em total concordância com um painel de três especialistas em79,5% dos casos. O modelo diagnosticou 19% dos casos com concordância parcial com o painel deespecialistas. Somente em 3 casos (1.5%) o modelo apresentou diagnósticos diferentes. Conclui-se que omodelo aqui proposto, a despeito de sua simplicidade, apresenta bom desempenho. No entanto,recomendam-se mais testes antes de ser amplamente usado como suporte para a decisão clínica.Palavras-chave: Lógica Fuzzy; Sistemas de Apoio a Decisões Clínicas; Diagnóstico de Enfermagem;incontinência UrináriaAbstract - The nursing diagnoses associated with alterations in urinary elimination require differentinterventions, and nurses who are not specialists need support to diagnose and to manage patients withdisturbances of urine elimination. The aim of this study was to present a model based on fuzzy logic formaking differential diagnosis of alterations in urinary elimination, considering the nursing diagnosis approvedby the North American Nursing Diagnosis Association - International (NANDA-I), 2001-2002. The fuzzymaximum-minimum composition was used to develop this model. It was tested with 195 cases from adatabase of a previous study. The model was able to determine the diagnosis in total accordance with apanel of three experts for 79.5% of the cases. The model diagnosed 19% of the cases with partialconcordance with the panel of experts. Only for 3 cases (1.5%) the model showed a different diagnosis. It isconcluded that the model proposed here, despite of its simplicity, presents good performance. However, it isrecommended more tests before widely used as support for clinical decision.Key-words: Fuzzy Logic; Decision Support Systems, Clinical; Nursing Diagnosis; Urinary Incontinence.IntroduçãoOs problemas urinários são comuns na populaçãoem geral. A incontinência urinária (IU), emparticular, tem elevada freqüência principalmenteentre mulheres, prejudicando as atividadesdiárias, as interações sociais e a autopercepçãodo estado de saúde [1]. No entanto, muitas vezesa alteração urinária não é diagnosticada e umadas razões é que os profissionais de saúde nãoestão preparados para identificar, tratar ouencaminhar pessoas com estes problemas.A North American Nursing Diagnosis Association -International (NANDA-I) considera que osproblemas urinários constituem-se diagnósticosde enfermagem e lista em sua taxionomia, versão2001-2002[2]: Eliminação Urinária Prejudicada;Incontinência Urinária por Pressão; IncontinênciaUrinária Reflexa; Incontinência Urinária deImpulso; Incontinência Urinária Funcional;Incontinência Urinária Total; Risco para


Eliminação Urinária Prejudicada é poucoespecífico e comum a todos os casos dealteração na eliminação urinária, ele também nãofoi incluído na análise. Assim, o modelo consideraseis diagnósticos: Incontinência Urinária porPressão; Incontinência Urinária Reflexa;Incontinência Urinária de Impulso; IncontinênciaUrinária Funcional; Incontinência Urinária Total e,Retenção Urinária.Para determinar um diagnóstico de enfermagemreal, características definidoras que incluemdados subjetivos e objetivos, sinais e sintomas,devem estar presentes[9]. Todas ascaracterísticas definidoras aprovadas pelaNANDA foram usadas na análise. Como sugeridopor alguns autores [10] ‘freqüência diminuída’ foiadicionada como característica definidora. Ascaracterísticas definidoras ‘incapacidade parainibir ou iniciar a micção’ e ‘micção pequena,freqüente ou ausência de débito urinário’ foramdivididas em duas partes e consideradas comodois diferentes sintomas. ‘Contração/espasmo dabexiga’ pode ser um sinal (observado por estudourodinâmico) ou um sintoma (algumas pessoastêm sensação de contração da bexiga antes oudurante a perda involuntária de urina), destaforma ele foi considerado como dois diferenteseventos. Para propósito de calibração, acaracterística definidora ‘incontinência’ foiexcluída por ser comum a todos os diagnósticos,inclusive na Retenção Urinária (incontinência detransbordamento ou overflow incontinence).Como resultado, 39 características definidorasforam consideradas para análise.Utilizando-se o programa Microsoft® Excel 2002,primeiramente, uma matriz de relações fuzzy foiconstruída (Matriz Relações) com 6 colunas(diagnósticos) e 39 linhas (característicasdefinidoras). A Matriz Relações provê aassociação entre cada característica definidora(sinal ou sintoma) e cada diagnóstico, por meiode valores da relação fuzzy. Os graus deassociação fuzzy podem variar de 0 (nenhumarelação) a 1 (relação total).Uma segunda matriz (Matriz Casos) foi construídae continha 195 casos/pacientes (linhas) comproblemas urinários que foram obtidos de umbanco de dados de um estudo prévio[11] e suasrelações com as características definidoras(colunas). A presença de cada característicadefinidora foi avaliada considerando os seguintesvalores: 0 = ausente ou não avaliado; 0,25 =ausente, mas não com certeza; 0,75 = algumasvezes presente; 1 = presente. Cada linha daMatriz Casos representa o vetor estado de saúdedo paciente, considerando as 39 característicasdefinidoras escolhidas (uma matriz tipo 1 × 39).Caso XFreqüênciaCaracterísticas definidorasNoctúriaDisúriaHesitaçãoRetençãoEntrada 1 0.75 0 0 0 1MatrizRelações(para IUimpulso)IUimpulso0.75 0.75 0.5 0.3 0.3 10.75 0.75 0 0 0 1IU deimpulsoDiag. UMax1Diag. VDiag. XUrgênciaurina’riaDiag. YDiag. ZCaso X 1 0 0 0,75 0 0Conclusão: Incontinência Urinária de ImpulsoMinFigura 1 – Um exemplo de desempenho dacomposição máximo-mínimo (max-min) fuzzy. Umexemplo clínico hipotético ilustra o processo deinferência do modelo, usando somente algunsdados e uma matriz simplificada com umdiagnóstico, a fim de demonstração. No caso aquiapresentado, o indivíduo tem o diagnóstico deincontinência urinária de impulsoO modelo foi baseado na composição máximomínimo(max-min) fuzzy. A Figura 1 mostra umexemplo da estrutura de composição max-minpara análise de um caso hipotético. O processode inferência é similar a uma operação demultiplicação de matrizes, trocando o operador desoma algébrica pelo operador mínimo e ooperador de multiplicação pelo operador máximo.Desta forma, para cada paciente sãoselecionados os valores mínimos entre os grausfuzzy das características definidoras no estado desaúde e o respectivo grau de associação naMatriz Relações. Após, para cada diagnóstico(coluna), é selecionado o valor máximo dentretodos os valores mínimos determinadosanteriormente. No final deste processo, é definidauma matriz cujos elementos são os graus depossibilidade fuzzy para cada paciente, em cadadiagnóstico. O processo de decisão é concluídocom o método de defuzificação que permite


determinar o diagnóstico final. Nesse caso foiusado o valor máximo da distribuição depossibilidades diagnósticas. No exemplo ilustradona Figura 1, o valor máximo é 1 e a IncontinênciaUrinária de Impulso foi determinada comodiagnóstico final. Note-se que, neste modelo épossível concluir com um ou mais diagnósticosfinais.O modelo descrito foi usado para determinar odiagnóstico de todos os 195 casos[11]. Então, odesempenho do modelo foi avaliado por meio dacomparação dos diagnósticos obtidos com o usodo modelo com aqueles determinadospreviamente por um painel de três enfermeirasespecialistas[11].ResultadosA comparação entre os diagnósticosdeterminados pelo modelo fuzzy e as enfermeirasespecialistas é apresentado na Tabela 1. Emalguns casos o modelo indicou um ou doisdiagnósticos além do determinado pelasespecialistas. Mas, mais freqüentemente, omodelo apresentou somente um dos doisdiagnósticos identificados pelas enfermeirasespecialistas.Tabela 1 – Comparação entre os diagnósticosdeterminados pelas especialistas e pelo modelofuzzyDiagnóstico Especialistas ModeloPressão 54 68Impulso 17 20Retenção 14 10Total 12 9Reflexa 1 0Funcional 0 0Impulso + Pressão 97 80Impulso + Total 0 2Impulso +0 1FuncionalImpulso +0 1RetençãoPressão + Total 0 1Total + Retenção 0 1Reflexa +0 1RetençãoImpulso + Pressão 0 1+ FuncionalTotal 195 195Como mostrado na Tabela 2, o modelo foi capazde determinar o diagnóstico em concordânciatotal ou parcial com o painel de especialistas em98,5% dos casos. Somente em 3 casos (1,5%) omodelo apresentou um diagnóstico que diferiutotalmente do(s) determinado(s) pelasespecialistas.Tabela 2 – Concordância do modelo propostocom a opinião das enfermeiras especialistasResultado n %Concordância total 155 79,5Concordância parcial: omodelo apresentoumenos diagnósticos 1 22 11,3Concordância parcial: omodelo apresentou maisdiagnósticos 1 15 7,7Discordância total 3 1,5Total 195 100.0Discussão e ConclusõesO modelo apresentou bom desempenhodiagnóstico. Um modelo com uma estruturasimples como esta pode ser facilmente convertidoem um programa computacional simples e barato,que possa ser usado até mesmo emcomputadores portáteis de mão (handheld).À primeira vista, em 3 casos o resultado pareceter sido contraditório porque o modelo indicou aomesmo tempo incontinência e retenção urinária.No entanto, isso pode ser possível em algumascircunstâncias.Na incontinência urinária de impulso ocorrehiperatividade do detrusor, que é caracterizadapor contrações não inibidas do detrusor quelevam à incontinência[9]. Por outro lado, naretenção urinária também podem ocorrer este tipode contração do detrusor, levando a perdaurinária[9].Indivíduos com retenção urinária usualmenteapresentam micções freqüentes ou gotejamentoquando a pressão na bexiga aumenta devido aoenchimento além de sua capacidade normal oudevido a tosse, esforço ou exercício. Estacondição é conhecida por overflow incontinenceou incontinência de transbordamento[9]. Como osdados foram obtidos principalmente por meio deanamnese, isso foi percebido pelo paciente como1 Quando comparado com o número de diagnósticosdeterminados pelos especialistas para um paciente emparticular.


incontinência ocasional ou como um fluxoconstante de urina, uma das característicasdefinidoras maiores de IU Total, de acordo comCarpenito[9].Uma pessoa com IU Reflexa que tem lesão acimado centro de controle da micção sacral podeapresentar esvaziamento incompleto[2] e,portanto, é esperado algum grau de retenção. Noentanto, algumas intervenções recomendadaspara retenção urinária devem ser evitadas napresença de IU Reflexa, por exemplo, a manobrade Credé, que pode danificar a uretra ou causarrefluxo vesicoureteral se o esfíncter externo estácontraído, levando à infecção renal[9]. Nestecaso, é importante obter mais dados paraconfirmar o diagnóstico e o presente modeloparece ser muito útil uma vez que pode chamar aatenção ao apontar estas duas possibilidades.Os diagnósticos de enfermagem relacionados aalterações na eliminação urinária requeremdiferentes intervenções e as enfermeiras que nãosão especialistas necessitam de suporte paraidentificar e tratar esses diagnósticos. Um dosmaiores obstáculos para o efetivo manejo da IU,por exemplo, é a falsa percepção que aincontinência é inevitável e irreversível[12].Diagnósticos de enfermagem precoces eacurados são o primeiro passo para iniciar omanejo da IU, a qual é considerada intratável pormuitos pacientes. O tratamento apropriado pode,entretanto, melhorar a qualidade de vida dopaciente e prevenir seqüelas comumenteassociadas com a própria IU e aquelasresultantes de estratégias de tratamentoinadequadas. Sistemas especialistas baseadosem lógica fuzzy podem ser úteis para asenfermeiras fazerem uma decisão diagnóstica empacientes com problemas de eliminação urinária.O modelo proposto baseado em relações fuzzy émuito simples e teve uma boa performance.Pretende-se testá-lo em outros grupos depacientes, utilizando amostras maiores antes doseu uso mais amplo como sistema de suportepara a decisão clínica.AgradecimentosEste trabalho teve o apoio do Informatics forGlobal Health (1#1 D43 TW7015-01), FogartyInternational Center, NLM, NIBIB, NIH(Investigador principal, Dr. Lucila Ohno Machado).E apoio financeiro do Conselho Nacional deDesenvolvimento Científico e Tecnológico –CNPQ.Referências[1] Davis G, Sherman R, Wong MF, McClure G,Perez R, Hibbert M. Urinary incontinence amongfemale soldiers. Military Medicine 1999;164: 182-7.[2] North American Nursing DiagnosisAssociation. Diagnósticos de enfermagem daNANDA: definições e classificação 2001-2002 /Nursing diagnoses: definitions & classification2001-2002. Porto Alegre: Artmed, 2002. p.101,p.128-33, p.200.[3] Nascimento LFC, Ortega NRS. Modelolingüístico fuzzy para estimação do risco de morteneonatal / Fuzzy linguistic model for evaluatingthe risk of neonatal death. Rev. Saúde Pública2002; 36(6):686-92.[4] Collazos K, Barreto JM, Nassar SM.Raciocínio por analogia fuzzy para diagnósticomédico: taxa de aprendizado por base de dados /Reasoning by fuzzy analogy to medical diagnosis:rate learning by data base. In: Schiabel H, SlaetsAFF, Costa LF, Baffa Filho O, Marques PMA.Anais do III Fórum Nacional de Ciência eTecnologia em Saúde. Säo Carlos, s.n, 1996.p.713-4.[5] Zadeh LA. Fuzzy sets. Information and Control1965; 8:338-53.[6] Klir GJ, Folger TA. Fuzzy sets: uncertainty andinformation. Prentice Hall: New Jersey, 1988.355p.[7] Pedrycz W, Gomide F (1998). An introductionto fuzzy sets: Analysis and Design. MIT Press:London, 1998. 465p.[8] Reis MAM, Ortega NRS, Silveira PSP. Fuzzyexpert system in the prediction of neonatalresuscitation. Brazilian Journal of Medical andBiological Research 2004; 37:755-64.[9] Carpenito L J. Nursing diagnosis: application toclinical practice. 7th ed. Philadelphia: Lippincott;1997.[10] Nóbrega MML, Garcia TR, organizadores.Uniformização da linguagem dos diagnósticos deenfermagem da NANDA: sistematização daspropostas do II SNDE / Uniformization of NANDAnursing diagnoses language: sistematization 6fthe proposes of II SNDE. João Pessoa (PB): AUnião, CNRDE/GIDE – PB; 1994. p. 32-8.[11] Lopes MHBM, Higa R. Desenvolvimento deum sistema especialista para identificação dediagnósticos de enfermagem relacionados com aeliminação urinária. Rev Bras Enferm 2005;58(1)27-32.[12] Gallo ML, Fallon PJ, Staskin DR. Urinaryincontinence: steps to evaluation, diagnosis, andtreatment. The Nurse Practitioner 1997;22(2):21-8.ContatoMaria Helena Baena de Moraes LopesRua Conceição, 552-apto.25 – 13010-050Campinas – SP – Brasil E-mail:mhbaena@fcm.unicamp.br

More magazines by this user
Similar magazines