Você está na página 1de 3

MODELAGEM FUZZY POSSIBILSTICA DE CONHECIMENTO

MDICO
Barreto, M. M.G.1, Balbinot, A.2
1.Universidade Federal do ABC, Centro de Engenharia, Modelagem e Cincias Sociais Aplicadas,
mara.barreto@ufabc.edu.br, Avenida dos Estados 5001,
09.210- 971, Santo Andr, SP, Brasil
2.Universidade Federal do Rio Grande do Sul, Departamento
de Engenharia Eltrica, alexandre.balbinot@ufrgs.br
Avenida Osvaldo Aranha, 103, 90.035-190,
Porto Alegre, RS, Brasil
Resumo: Introduo: um aspecto fundamental a ser considerado no desenvolvimento de sistemas de apoio ao
diagnstico mdico a modelagem lgica do conhecimento. Objetivo: o objetivo desse trabalho verificar se a
lgica fuzzy constitui uma ferramenta eficaz para representar um modelo de conhecimento mdico especializado
em epilepsia. Material e Mtodos: foram feitas entrevistas gravadas com um especialista em Neurofisiologia e o
conhecimento foi transcrito em regras lgicas e validado pelo especialista. Resultados e Discusso: a lgica
fuzzy no foi suficiente para captar nuances do conhecimento do especialista; acrescentou-se a lgica
paraconsistente e verificou-se que interpretaes intuitivas importantes se perdiam. Acrescentou-se lgica
fuzzy operadores lgicos de possibilidade e a modelagem apresentou os resultados esperados.
Palavras chaves: Sistemas Baseados em Conhecimento, Diagnstico Mdico, Engenharia Clnica.
Key words: Knowledge Based Systems, Medical Diagnosis, Clinical Engineering.

Introduo
Sistemas baseados em conhecimento constituem ferramentas eficazes na difuso de informaes em sade e no
auxlio tomada de deciso em diagnstico mdico1. De um modo geral, sistemas desse tipo possuem uma
interface de entrada, uma base de conhecimento, um mecanismo de inferncia e uma interface de sada. A base
de conhecimento armazena conhecimento especializado e o mecanismo de inferncia determina como o sistema
vai processar suas sadas. Na representao do conhecimento fundamental que as regras reflitam de fato o
pensamento do especialista e sua forma de fazer inferncias. Esse aspecto fundamental para a garantia da
qualidade da informao processada.
Objetivos
O objetivo desse trabalho verificar se a lgica fuzzy constitui uma ferramenta eficaz para representar um
modelo de conhecimento mdico especializado em epilepsia, em sua complexidade.
Materiais e Mtodos
Foi consultado um especialista em Neurofisiologia sobre o pr-diagnstico, caractersticas e tratamento de
epilepsia. O processo de aquisio e validao de conhecimento foi feito atravs de entrevistas semanais
gravadas durante 10 (dez) meses. A metodologia usada nas entrevistas foi o uso de questionrios qualitativos que
permitissem ao especialista construir naturalmente um modelo de raciocnio de acordo com sua especialidade e
dentro do escopo tratado. Foi utilizada, inicialmente, no processo de modelagem, a lgica fuzzy, que se
caracteriza por ser a lgica do raciocnio aproximado, onde esto presentes incertezas e lacunas, comuns muitas

vezes no raciocnio mdico. Na teoria de conjuntos fuzzy um conjunto fuzzy pode ser definido em um universo de
discurso X e caracterizado por uma funo de pertinncia A:X

[0,1] onde A(x) representa o grau de

pertinncia de x com relao a A. Em seguida, foi utilizada, em conjunto com a lgica fuzzy, a lgica
paraconsistente,3 que uma lgica no-clssica que se caracteriza por no aceitar o princpio da no-contradio,
matematicamente expresso por

(A &

A). A lgica paraconsistente constitui uma metodologia formal que

pode ser utilizada na investigao e na modelagem de teorias inconsistentes, que possuem contradies ou
frmulas da forma A &

A.4 Finalmente foram acrescentados lgica fuzzy operadores de possibilidade. A

lgica possibilstica pode ser definida como a forma lgica da teoria da possibilidade de Zadeh, com a qual
totalmente consistente. O axioma bsico da teoria da possibilidade p, q,
o mesmo que p, q, N (p & q) = min (N(p), N (q)), onde

(p v q) = max (

(p),

(q)), que

significa possibilidade e N significa necessidade.5

Resultados e Discusso
O conhecimento foi transcrito em 125 (cento e vinte e cinco) regras lgicas, que foram classificadas com
relao ao seu uso em pr-diagnstico e classificao de epilepsias, tratamento (medicamentos e cirurgia),
melhoria de aspectos da qualidade de vida (sono e viglia, prtica de esportes e trabalho), procedimentos de
emergncia em caso de crises epilpticas e gravidez. Alguns exemplos de regras lgicas com e sem
ambigidades so mostrados na Tabela 1 a seguir.
Tabela 1: Exemplos de Modelagem para Regras Lgicas.

Lgica Fuzzy

1. Se as crises epilpticas
so pouco intensas em
termos motores ento elas
so crises epilpticas
parciais simples.
2. Se as crises epilpticas
so mais intensas em
termos motores ento elas
so crises epilpticas
parciais complexas.

Lgica Fuzzy e Lgica

Lgica Fuzzy e Lgica

Paraconsistente

Possibilstica

3. Se existem crises epilpticas ou


epilepsia originadas em estruturas
profundas do crebro ento o
EEG detecta e no detecta a
existncia de crises epilpticas ou
a presena de epilepsia.

4. Se existem crises
epilpticas ou epilepsia
originadas em estruturas
profundas do crebro
ento possvel que o
EEG detecte ou possvel
que o EEG no detecte a
existncia de crises
epilpticas ou a presena
de epilepsia.

A lgica fuzzy se mostrou adequada para modelar conceitos imprecisos ou que se ajustam mais a uma
interpretao qualitativa como, por exemplo, a classificao das crises epilpticas que requerem uma
interpretao conceitual gradual de sua intensidade, como mostram as regras 1 e 2 na Tabela 1 acima. Na regra
3, a lgica fuzzy foi usada na modelagem da caracterizao das estruturas do crebro e a lgica paraconsistente
para modelar uma ambigidade com relao deteco da existncia de crises epilpticas pelo EEG. No entanto,
intuitivamente no aceitvel a afirmao de que Se existem crises epilpticas ou epilepsia originadas em estruturas
profundas do crebro ento o EEG detecta e no detecta a existncia de crises epilpticas ou a presena de epilepsia. E, de
fato no essa a afirmao que o especialista deseja fazer ao considerar que a epilepsia, nesses casos, pode ou no ser
detectada pelo EEG. A regra 4 mantm a modelagem fuzzy para a caracterizao das estruturas do crebro da regra 3 e

apresenta uma modelagem intuitivamente compreensvel para a dvida, que gera uma ambigidade, presente no modelo de
raciocnio do especialista. Dessa forma, a lgica possibilstica e a lgica fuzzy se mostraram, juntas, eficazes para a
representao do modelo.
Agradecimentos
Os autores agradecem ao especialista consultado Prof. Dr. Luiz Eugnio de Arajo Moraes Mello, Professor Titular do Departamento da
Fisiologia da Universidade de So Paulo, Escola Paulista de Medicina, Fundao de Amparo Pesquisa do Estado de So Paulo pelo
Apoio Financeiro e ao Centro de Pesquisa, Inovao e Difuso do Sono.

Referncias Bibliogrficas
1.
2.
3.
4.
5.

Begg, R, Lai, DTH, Palaniswani, M. Computational intelligence in biomedical engineering, CRC Press, 2008.
Zadeh, L. The role of fuzzy logic in the management of uncertainty in expert systems, North-Holland, 1983, 11: 199-227.
Da Costa, NCA. On the theory of inconsistent formal systems. Notre Dame Journal of Formal Logic, 1974, 15: 497-510.
Da Costa, NCA, Subrahmanian, VS. Paraconsistent logic as a formalism for reasoning about inconsistent knowledge bases.
Artificial Intelligence in Medicine, 1989, 1: 167-174.
Dubois, D, Prade, H. Fuzzy sets in approximate reasoning. Part I: Inference with possibility distributions. Fuzzy Sets and Systems
40, North-Holland, 1991, 143-202.