SR-BayeS : um framework para aplicação mobile de sistemas de apoio a decisão clínicos baseados em redes bayesianas

Abstract

Sistemas de apoio a decisão clínicos (SADCs) são uma importante ferramenta para a minimização de erros de diagnóstico por profissionais de saúde e na busca por maior segurança para os pacientes. Sistemas desse tipo podem possuir mecanismos de inferência fundamentados em redes probabilísticas, como redes bayesianas (RBs), uma vez que elas se mostram adequadas para a representação de elementos de incerteza presentes no domínio clínico. Esses mecanismos de inferência podem ser modelados teoricamente por especialistas na área da saúde, mas a aplicação efetiva desses mecanismos em um sistema exige habilidades técnicas de desenvolvimento de software, muitas vezes pouco acessíveis a esses especialistas. Em vista de simplificar esse processo, esse trabalho apresenta o frameworkSRBayeS, que possibilita a aplicação prática de um SADC em ambiente mobilea partir de uma base de conhecimento modelada por um especialista. A base de conhecimento deve ser composta por uma RB e por metadados especificados pelo especialista que caracterizam os elementos de interação do SADC com o profissional alvo. O SR-BayeS define a estrutura dos metadados e oferece uma ferramenta para sua modelagem. As funcionalidades implementadas neste trabalho foram fortemente guiadas pelas necessidades presentes no trabalho de Bykowski (2019), que propõe a modelagem de uma RB com vistas a projetar um SADC que gera recomendações para a reabilitação fisioterapêutica de pacientes oncológicos. Esse SADC foi implementado através do SR-BayeS e seu uso avaliado por profissionais da área, com recepção positiva.

Clinical decision support systems (CDSS) are an important tool for minimization of diagnostic errors by healthcare professionals and in search for greater patient safety. These kinds of systems may have inference engines based on probabilistic networks, such as Bayesian networks (BN), since they are well suited for representing uncertainty elements present in the clinical domain. These inference engines may be theoretically modeled by healthcare experts, but the actual application of these engines in a system demands technical expertise for software development, often not easily accessible by these experts. Seeking the simplification of this process, this work introduces the SR-BayeS framework, which allows the practical application of a mobile CDSS from a knowledge base modeled by a healthcare expert. The knowledge base must be composed by a BN and by metadata specified by the expert which define the interaction elements of the CDSS with the target professional user. SR-BayeS defines the metadata structure and a tool for its modelling. The functionalities implemented in this work were heavily guided by the demands present in Bykowski (2019) work, which proposes the modelling of a BN with the objective of projecting a CDSS that generates recommendations for the physiotherapeutic rehabilitation of cancer patients. This CDSS was implemented using SR-BayeS and its use were evaluated by physiotherapy professionals to positive reception.