Escolar Documentos
Profissional Documentos
Cultura Documentos
CAMPUS FLORIANÓPOLIS
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
Florianópolis
2021
Igor Oliveira Vieira
Florianópolis
2021
Ficha de identificação da obra elaborada pelo autor,
através do Programa de Geração Automática da Biblioteca Universitária da UFSC.
Inclui referências.
Certificamos que esta é a versão original e final do trabalho de conclusão que foi
julgado adequado para obtenção do título de mestre em Engenharia Elétrica.
Florianópolis, 2021.
Dedico este trabalho ao meu avô Aildo, que infelizmente
nos deixou durante este processo.
AGRADECIMENTOS
FRANCISCO, M.; VIEIRA, I. O.; NETO, J. M.; OJEDA, R. G.; MARQUES, J. L. B. Apli-
cação Web em Saúde 4.0: Uma Plataforma Multiusuário Baseada em um Servidor
HAPI FHIR. XIII Simpósio de Engenharia Biomédica, 2021.
RESUMO
Clinical research plays a crucial role in generating evidence and improving public health.
However, the planning, execution and analysis of collected and generated data is essen-
tially complex and involves intensive efforts, a wide variety of stakeholders, processes
and multiplicity of data types. This issue has been observed in the large volume of health
research data being manipulated, exposing the significant deficiency of its standard-
ization since research institutions work with heterogeneous data concerning external
applications, which makes sharing and reusing information difficult. The concept of in-
teroperability presents an essential methodology for such problems, where independent
systems become able to exchange structured information and initiate actions and oper-
ations together, connecting applications, making data shareable and generating mutual
benefit; no longer considered a technological option, but a fundamental requirement in
the context of digital health. For this, there is a need to publish open and accessible
interoperability standards. One standard that has become emerging and widely used
over the past decade is the Fast Healthcare Interoperability Resources (FHIR), devel-
oped by Health Level Seven (HL7). This standard has extensive application possibilities
in healthcare, with excellent security, speed, and web standards attributes. This work
presents an implementable model of a data server, following the HL7 FHIR standard,
to aggregate and share academic research, tested in case studies in the diagnosis
and monitoring of diabetes mellitus and research in clinical engineering through tech-
novigilance. The Java Application Programming Interface (API) library for FHIR (HAPI),
a PostgreSQL database for information persistence, data mapping using Python and
health information terminology for semantic maintenance of information were used for
the implementation. In data mapping, priority was given to the anonymization of sen-
sitive data from volunteers before storage, following Brazil’s General Data Protection
Law (LGPD) guidelines. Thus, the use of the server proved to be effective in storing
and requesting research data in a local database, providing sharing within an institution
and with other networks through the API and use of the FHIR standard. It was also
possible to validate the data sent to the server, to verify the data model and the correct
use of terminology, ensuring that interoperability structures of syntax and semantics
work without loss of information. It was also possible to add and extend the services
implemented in the proposal with open source applications to validate server function-
alities and publish an Implementation Guide (IG) and server security without needing
advanced and costly computing. The proposal complements the premise that clinical
studies no longer need to be considered an isolated activity but instead conducted
in network structures with continuous exchange and reuse of data for efficiency and
operational effectiveness. Thus, collaboration, coherence and data convergence should
make services and actions developed in the healthcare ecosystem more predictive,
personalized and interoperable.
Keywords: HL7 FHIR. Health Information System. Clinical Research. Digital Health.
Interoperability. Biomedical Engineering.
LISTA DE FIGURAS
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1 MOTIVAÇÃO E JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . 20
1.2 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 REFERENCIAL TEÓRICO . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1 INTEROPERABILIDADE NA PESQUISA EM SAÚDE . . . . . . . . . 23
2.2 PARADIGMAS DE INTEROPERABILIDADE . . . . . . . . . . . . . . 25
2.2.1 Interoperabilidade de Transporte . . . . . . . . . . . . . . . . . . . 25
2.2.2 Interoperabilidade de Estrutura . . . . . . . . . . . . . . . . . . . . 25
2.2.3 Interoperabilidade de Semântica . . . . . . . . . . . . . . . . . . . 25
2.3 MODELO ISO/OSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Application Programming Interface . . . . . . . . . . . . . . . . . . 27
2.3.2 Representational State Transfer . . . . . . . . . . . . . . . . . . . . 28
2.4 PADRÕES DE INTEROPERABILIDADE NA SAÚDE . . . . . . . . . 29
2.5 HEALTH LEVEL SEVEN . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.1 HL7 FHIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.1.1 Documentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5.1.2 Resources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5.1.2.1 Cenário Clínico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.1.3 Perfilização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.1.4 Extensibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.5.1.5 Operações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5.1.6 Terminologias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.1.7 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.5.1.7.1 Mapeamento de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.1.7.2 Guias de Implementação . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.5.1.7.3 Servidores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.6 PESQUISA NA SAÚDE . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.6.1 Diabetes Mellitus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.6.1.1 Screening for Diabetes Complications . . . . . . . . . . . . . . . . . . 58
2.6.2 Tecnovigilância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.6.2.1 Notificações em Tecnovigilância . . . . . . . . . . . . . . . . . . . . . 60
2.7 FRAMEWORK NASSS . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1 SERVIDOR HL7 FHIR . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1.1 Servidor HAPI JPA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1.2 Deploy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1.3 Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.1.3.1 Arquitetura do Banco de Dados . . . . . . . . . . . . . . . . . . . . . 67
3.1.4 Interface RESTful API . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.1.5 Interface Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.1.6 Segurança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.1.7 Validação do Servidor . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2 MAPEAMENTO DE DADOS . . . . . . . . . . . . . . . . . . . . . . . 73
3.2.1 Dados Sintéticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.2.2 Screening for Diabetes Complications . . . . . . . . . . . . . . . . 74
3.2.2.1 Aspectos Éticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.2.3 Tecnovigilância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3 GUIA DE IMPLEMENTAÇÃO . . . . . . . . . . . . . . . . . . . . . . . 78
3.3.1 Resources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.3.2 Profiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.3.3 Terminologias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3.4 Implementation Guide . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.4 ANÁLISE NASSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1 SERVIDOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.1 Deploy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.2 Segurança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.1.3 Interface de Usuário . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.1.4 Interface RESTful API . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1.5 Validação de Recursos . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.6 Pacote de Resources . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 GUIA DE IMPLEMENTAÇÃO . . . . . . . . . . . . . . . . . . . . . . . 92
4.3 MAPEAMENTO DE DADOS . . . . . . . . . . . . . . . . . . . . . . . 94
4.3.1 Estudos de Caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.3.1.1 Simulador Sintético de População . . . . . . . . . . . . . . . . . . . . 95
4.3.1.2 SDC-X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.3.1.3 Tecnovigilância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.4 BANCO DE DADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.5 INTERFACE RESTFUL API . . . . . . . . . . . . . . . . . . . . . . . 101
4.6 AVALIAÇÃO E VALIDAÇÃO DO SERVIDOR . . . . . . . . . . . . . . 101
5 DISCUSSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.1 PADRÃO HL7 FHIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.2 SERVIDOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.3 GUIA DE IMPLEMENTAÇÃO . . . . . . . . . . . . . . . . . . . . . . . 105
5.4 MAPEAMENTO DE DADOS . . . . . . . . . . . . . . . . . . . . . . . 106
5.5 INTERFACE RESTFUL API . . . . . . . . . . . . . . . . . . . . . . . 107
5.6 INTEROPERABILIDADE NA PESQUISA . . . . . . . . . . . . . . . . 107
5.7 ANÁLISE NASSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.1 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . . 111
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
APÊNDICE A – RESOURCES PRESENTES NA DOCUMENTAÇÃO
E SUAS CATEGORIAS . . . . . . . . . . . . . . . . 123
APÊNDICE B – ANÁLISE DA PROPOSTA PELO FRAMEWORK
NASSS . . . . . . . . . . . . . . . . . . . . . . . . . 124
ANEXO A – ESQUEMA DE INDEXAÇÃO PARA PESQUISA NO BANCO
DE DADOS . . . . . . . . . . . . . . . . . . . . . . . . 127
19
1 INTRODUÇÃO
biomédica.
1.2 OBJETIVOS
2 REFERENCIAL TEÓRICO
n(n – 1)
links = (1)
2
Logo, se dois sistemas procuram um meio de comunicação entre si, será ne-
cessária apenas uma interface de comunicação. Porém, com o incremento de novos
sistemas, o número de links aumenta consideravelmente. Por exemplo, para a conexão
simultânea de 6 nós seriam necessárias 15 interfaces (Figura 1a) e para 50 nós seriam
necessários 1225 links, tornando-se uma explosão combinatória e uma metodologia
inviável para a problemática (BENSON; GRIEVE, 2021).
Pode-se observar essa explosão combinatória pela Figura 1a, onde cada sis-
tema deve implementar sua própria interface de conexão para cada um dos outros
sistemas. Já na Figura 1b, os sistemas recorrem a um mesmo protocolo de trans-
porte, ou seja, utilizando uma mesma interface de comunicação. Com isso, tem-se a
metodologia de interoperabilidade de dados.
A interoperabilidade apresenta um contexto importante para tais problemas, pois
com essa metodologia, os sistemas independentes tornam-se hábeis a trocar informa-
Capítulo 2. Referencial Teórico 24
Nesse nível os dados são empacotados em formatos bem definidos, onde a iden-
tidade de cada elemento é reconhecida por todos os sistemas envolvidos, baseada na
localização na estrutura. Assim, os dados recebidos são analisados e armazenados
nos locais apropriados no sistema destinatário. Nesse nível, os padrões utilizados de-
vem identificar quais os valores que são permitidos para que os sistemas comunicantes
estejam utilizando suficientemente a mesma linguagem. Além disso, esse nível pode
também possibilitar o envio de dados anexos sem nenhuma estrutura (BRAUNSTEIN,
2018a; BENSON; GRIEVE, 2021).
Esse nível de interoperabilidade é alcançado na utilização de padrões de repre-
sentação e transferência de dados clínicos, como os protocolos desenvolvidos pela
HL7 e pela openEHR International. Com esses padrões, é possível detectar que um
campo específico de um prontuário é composto por um pré-determinado elemento ou
código, como por exemplo a informação de um teste em laboratório e seu resultado
nos campos esperados (BRAUNSTEIN, 2018b).
incorreto das camadas dentro de uma interface são a origem de diversos problemas;
logo, a realização correta delas dá a pré-condição necessária para a interoperabilidade
(OEMIG; SNELICK, 2016).
A Camada de Aplicação torna-se então a fundação necessária para manuten-
ção da semântica do que é intercambiado. A HL7 mostrou-se uma grande aliada e
propagadora do conceito, aplicando-o nos dados relacionados à saúde.
formação da saúde, mas sua abordagem resultou em um modelo complicado, com con-
sultas complexas, problemas com terminologias externas que tornam a performance
da troca e reutilização de dados prejudicada, além de uma curva de aprendizado de
grande dificuldade para iniciantes. Já o FHIR possui uma premissa simples, leve e
rápida, demostrando que, embora fosse destinado primeiramente para mensagens de
dados do tipo Electronic Health Record (EHR), pode ser destinado efetivamente como
uma especificação autossuficiente para registro eletrônico, agregação, troca e reutiliza-
ção de dados (ALLWELL-BROWN, 2016). Portanto, o padrão HL7 FHIR mostra-se ser
o padrão apropriado para a proposta deste trabalho, sendo apresentado com maiores
detalhes nas próximas sessões.
Figura 3 – Exemplo do corpo de uma mensagem na versão HL7 V2 (a) e HL7 V3 (b).
2.5.1.1 Documentação
2.5.1.2 Resources
possível. Logo após é definido qual o tipo de dado que o elemento suporta, como
apontado na Figura 8. Por fim, a tabela descreve as informações importantes sobre
os elementos e as possíveis restrições (HEALTH LEVEL SEVEN INTERNATIONAL,
2021a).
A Figura 9b apresenta uma representação real de um Patient no formato JSON.
Como observado no exemplo, o elemento resourceType define qual é o tipo de Re-
source e deve estar sempre presente no início da representação. O id estabelece a
identificação única do Recurso no sistema que ele está presente, diferente do identifier,
responsável por identificar o recurso em sistemas mais abrangentes (e.g., no exemplo,
o identificador oferece o registro único do paciente em um sistema de registros médi-
cos). Como observado, o id não está presente na tabela lógica, pois é um elemento
do tipo metadado e deve estar presente em todos os Recursos. O elemento active
fornece a informação no tipo booleano, como definido na documentação. Já o name,
por suportar um tipo complexo, recebe uma estrutura composta por mais membros e
vários tipos de dados (HEALTH LEVEL SEVEN INTERNATIONAL, 2021a).
Capítulo 2. Referencial Teórico 40
Figura 8 – Tipos de dados primitivos e complexos envolvidos nos elementos dos Re-
sources.
2.5.1.3 Perfilização
Figura 12 – Exemplo do uso de restrições no Recurso base Patient (a) para criação de
um profile (b).
2.5.1.4 Extensibilidade
Figura 14 – Diagrama de especificidade e volume das derivações por meio dos Profi-
les.
essa informação como um novo elemento, mas reutilizando o tipo de dado complexo
CodeableConcept da documentação (Figura 16). Essa extensão ainda restringe qual
sistema de terminologia de classificação deve ser utilizado, sendo todos esses parâme-
tros levados em consideração quando validados por um servidor que seja conformante
com esses perfis. Vale ressaltar que essas estruturas devem ser sempre publicadas e
acessíveis para os sistemas que irão adotá-las.
Capítulo 2. Referencial Teórico 46
2.5.1.5 Operações
2.5.1.6 Terminologias
2.5.1.7.3 Servidores
2.6.2 Tecnovigilância
3 MATERIAIS E MÉTODOS
3.1.2 Deploy
3.1.6 Segurança
Anonymization para a anonimização dos dados tratados, antes mesmo de serem envia-
dos ao servidor e armazenados no banco de dados. Essa ferramenta de código aberto
oferece métodos de anonimato para diferentes elementos de dados dos Recursos
FHIR, alterando os parâmetros desejados em suas configurações. Também é possível
remover, criptografar e substituir elementos, além também de mudar datas e perturbar
valores com adição de ruídos aleatórios (MICROSOFT HEALTHCARE, 2021).
Já para a segurança dos serviços realizados pelo servidor, foi utilizado a ferra-
menta Keycloak como um interceptador de autenticação. Essa aplicação é um gerencia-
dor de identidade e acesso em Java (RED HAT, 2021). Portanto, haverá a necessidade
do cadastro de usuários no sistema, com aprovação de uma entidade administradora,
para o acesso autenticado à API do servidor.
Figura 30 – Dados no formato JSON coletados por dois módulos diferentes de aquisi-
ção do SDC-X: X-CARDIO (a) e X-EYE (b).
mero em (a) e como string em (b). Além disso, é impossível identificar por
essa estrutura qual a unidade desses valores (e.g., metros ou quilogramas).
A partir desse estudo preliminar, foi possível delinear a similaridade entre os
elementos de mesma semântica, definindo suas unidades, suas terminologias e suas
estruturas corretas. Esse delineamento tornou possível elaborar o mapeador dos dados
já coletados para o FHIR e definir os melhores métodos de embarcar o mapeador nos
módulos existentes para as aquisições futuras.
A Figura 31 apresenta o cenário com o fluxo elaborado para a aquisição de
dados pelo módulo X-CARDIO, com o uso dos Recursos FHIR e as devidas referên-
cias necessárias para a estrutura ser íntegra. Basicamente, um paciente (Patient) é
participante (ResearchSubject) da pesquisa (ResearchStudy ) e em conformidade com
um termo de consentimento (Consent) da instituição envolvida (Organization). Esse
paciente é então envolvido em um protocolo de preenchimento de um questionário
padronizado (QuestionnaireResponse) e de condições de saúde (Condition), além de
participar de uma série de exames (Observation) realizados por dispositivos de leituras
fisiológicas (Device), com auxílio de um profissional capacitado (Practitioner ). Por fim,
todos esses procedimentos são datados como um encontro (Encounter ) na instituição.
A Figura 32 apresenta o mesmo cenário, mas com as devidas referências entre
os Recursos FHIR utilizados.
3.2.3 Tecnovigilância
das pela agência desde 2007 até os tempos atuais, detalhando o tipo da notificação
(Evento Adverso ou Queixa Técnica), a classe do risco, a condição clínica causada
(padronizado pelo World Health Organization - Adverse Reaction Terminology (WHO-
ART)), detalhes da ocorrência e o produto médico-hospitalar envolvido. O arquivo
adquirido possui 8695 notificações disponibilizadas pela ANVISA no formato XLSX
(AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA, 2021).
A Figura 34 apresenta o cenário com o fluxo definido para a utilização desses
dados na criação de um banco de dados de pesquisa para a engenharia clínica. Em
suma, o evento (AdverseEvent) que registra um episódio adverso ou de queixa técnica,
fará parte de alguma pesquisa no contexto (ResearchStudy ), que analisa acontecimen-
tos (Encounter ) onde foram realizados procedimentos clínicos (Procedure), com uso
de algum produto médico-hospitalar (Device) que causou alguma condição adversa
(Condition) em indivíduos participantes.
A Figura 35 apresenta o mesmo cenário, mas com as devidas referências entre
os Recursos pelo padrão FHIR.
Capítulo 3. Materiais e Métodos 78
3.3.1 Resources
3.3.2 Profiles
Os Profiles elaborados por esse trabalho não são obrigatórios para o uso no
servidor, mas servem de grande auxílio no processo de armazenamento do que real-
mente é necessário, já que se tratam de dados de pesquisa e não de atendimento ao
paciente, consequentemente restringindo os elementos necessários.
3.3.3 Terminologias
CodeSystem para reunir todos eles e suas definições formais, como apre-
sentado na Figura 36 (AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA,
2021).
Capítulo 3. Materiais e Métodos 83
4 RESULTADOS
4.1 SERVIDOR
4.1.1 Deploy
4.1.2 Segurança
utilizá-los como uma estrutura lógica de validação da implementação. Com isso, todo
Recurso de entrada que se declarou parte de algum perfil do pacote passou por uma
validação local baseada nesse interceptador.
4.3.1.2 SDC-X
envio dos Recursos recorrentes e que são referenciados por quase todos os Recursos
individuais. Em outras palavras, é preferível primeiramente o envio dos Resources
Practitioner, Organization, Device, ResearchStudy e Consent, já que são referenciados
por quase todos os outros Recursos individuais, gerados pelas coletas de dados de
voluntários. Esses, por fim, foram facilmente enviados ao servidor com interação de
criação (PUT ) para uso de IDs sistematizados e de fácil rastreamento posterior.
Já os Recursos Patient, ResearchSubject, Encounter, QuestionnaireResponse,
Condition e Observation são individualizados para cada voluntário e suas devidas
coletas. Com isso, cada estrutura adquirida foi mapeada e convertida, como o exemplo
Capítulo 4. Resultados 97
da Figura 51, onde o JSON com dados adquiridos de um voluntário no modelo original
foram devidamente mapeados para o FHIR com o Python. A Figura 51 ainda apresenta
quais os elementos e as terminologias utilizadas em conformidade com os tipos de
dados padronizados pelo FHIR. Observa-se que a idade (age) não foi reutilizada, já
que há o elemento birthDate com os dados necessários. Além disso, o nome (name)
do paciente foi anonimizado para proteção de dados sensíveis, utilizando a ferramenta
Tools for Health Data Anonymization. Por fim, como o elemento "name" de Patient será
sempre omitido dos dados, o profile desse Recurso foi condicionado à cardinalidade
nula (0..0), ou seja, nunca deve haver os nomes dos voluntários nos arquivos enviados
ao servidor.
A Figura 52 apresenta uma parcialidade da conversão dos arquivos originais
em JSON para o JSON em concordância com o FHIR. Esse arquivo final é estruturado
como um bundle, sendo a coleção de todos os Resources em um único contêiner de
transação, para que as dezenas de Recursos sejam processados pelo servidor em
apenas uma mensagem HTTP.
Com esse arquivo mapeado, foi possível enviá-lo ao endpoint do Transaction do
servidor utilizando a ferramenta de cliente API Postman. Como esses dados geraram
poucas dezenas de Recursos, o arquivo final de requisição alcançou um tamanho de
66,69 kilobytes, gerando uma requisição simples de 1908,4 ms e com resposta de 6,49
kilobytes, com validação em conformidade e sucesso no armazenamento.
Capítulo 4. Resultados 98
Figura 50 – Estrutura dos bundles utilizados para envio dos dados mapeados.
4.3.1.3 Tecnovigilância
formato FHIR e sim no modelo objeto relacional, já que tal oferta é realizada pela
camada de persistência do servidor. Também foi possível a realização de backups
de segurança dos dados e a exportação para formatos como o CSV, TXT e binário,
em arquivos pequenos e facilmente exportados por outras aplicações, tais como em
planilhas e em Power BI.
O banco de dados também forneceu um sistema de histórico, onde os Recursos
nunca são sobrepostos e sim atualizados com a criação de uma nova versão, possibili-
tando o acesso às versões anteriores. A omissão de Resources foi alcançada apenas
com a remoção dos mesmos.
Juntos, os estudos de caso do SDC-X e de Tecnovigilância, proporcionaram o
armazenamento de cerca de 8920 Resources, uma estrutura de banco de dados com
tamanho de 91 megabytes e um backup de 32,8 megabytes.
Com a interface RESTful API implementada, foi possível realizar teste de co-
nexão com ferramentas disponibilizadas na web, utilizando o endpoint do servidor e
devidas configurações de segurança. Essa operação foi validada na conexão com
a plataforma clinFHIR, para visualização e consulta de Recursos armazenados no
banco de dados do servidor. Com isso, o servidor se tornou apto a receber requisições
de aplicações exteriores, capazes de reutilizar e trabalhar com os dados contidos na
implementação.
Pelo deploy também possível adicionar conexão direta com outras APIs, tal
como a implementação pública do HAPI, que pôde ser utilizada para testes iniciais e
com dados fictícios, já que esse servidor é aberto ao público e sem serviços de segu-
rança. A mudança de conexão para outros servidores foi possível pela aba "Server ",
como foi apresentado na Figura 40.
Também foi possível realizar a conexão com outros IGs importantes, como o do
IPS e do Point-of-Care Device, expandindo a capacidade de conformidade com profiles
conhecidos e recomendados.
5 DISCUSSÃO
Este capítulo apresenta uma discussão sobre o padrão HL7 FHIR como proto-
colo de interoperabilidade na saúde, o servidor desenvolvido, o guia da implementação,
a metodologia de mapeamento de dados, a interface API de conexão e uma análise
final de complexidade pelo framework NASSS.
Como observado por Benson e Grieve (2021) e Saripalle (2019), o padrão FHIR,
desenvolvido pela HL7, vem sendo visivelmente uma forte solução de interoperabili-
dade entre os números crescentes de variadas entidades de saúde. O padrão mostrou-
se ser de fácil entendimento e implementação, já que possui uma documentação bem
elaborada, diversos exemplos e uma comunidade ativa.
A relevância do FHIR foi também observada por grandes corporações de tec-
nologia, como a Google, Amazon e Microsoft, que já assinaram um documento com
compromisso de agregar o padrão na entrega de melhores resultados, a custos mais
baixos, decorrente do potencial dos dados de saúde (INFORMATION TECHNOLOGY
INDUSTRY COUNCIL, 2018). Esse compromisso foi observado pelas diversas aplica-
ções com suporte para o FHIR oferecidas por essas plataformas, como o Google Cloud
Platform, a ferramenta de anonimização da Microsoft e as diversas implementações de
servidores oferecidas por outras grandes multinacionais e utilizadas nos testes deste
trabalho.
5.2 SERVIDOR
Como a premissa dos estudos de caso era a validação dos tipos de dados
diversos para um padrão de interoperabilidade, foram realizados estudos dos modelos
de dados de pesquisas reais e criada uma metodologia de mapeamento. A linguagem
Python demonstrou ser uma ótima ferramenta de conversão, desde que haja um bom
uso de referências às terminologias e entre os Recursos.
Também foi destacada a importância da anonimização dos dados, eliminando
todas as informações sensíveis e relacionadas aos voluntários envolvidos nas pesqui-
sas. Essa metodologia se faz necessária após a publicação e vigência da LGPD, que
determina a proteção de dados pessoais pelos órgãos de pesquisa (BRASIL, 2018).
Além disso, foi observado que a lei, por ter sido lançada recentemente e ainda ser muito
abrangente, não alcança com detalhes os tópicos relacionados a saúde, diferente de
outras mundialmente conhecidas, como a HIPAA e a GDPR.
A importância da anonimização de dados foi evidenciada pelos testes iniciais
com dados sintéticos, que geraram registros de saúde em larga escala, de forma
econômica e sem riscos de divulgação acidental, o que reduz as barreiras atuais de
desenvolvimento nos primeiros estágios.
Em relação ao uso de terminologias, foi possível identificar que sistemas de có-
digos como o SNOMED CT e o LOINC possuem termos iguais (e.g., diabetes mellitus),
mas com códigos distintos. Essa problemática evidencia a dificuldade que muitos cená-
rios possuem ao definir um único sistema. Com isso, a proposta elaborou os cenários
utilizando todos os principais sistemas, mesmo com termos semelhantes, tornando as
informações compartilhadas acessíveis para diversas aplicações globais.
Também foi observado que a ANVISA utiliza o WHO-ART em uma versão tra-
duzida, mas não disponibiliza uma publicação da lista de termos e códigos desse
sistema. Essa problemática enfatiza a importância de que implementações futuras, uti-
lizando o FHIR, desenvolvam CodeSystems e ValueSets com as devidas terminologias
padronizadas e com suas definições.
Por fim, como o conceito de mapeamento é abstrato e dependente dos modelos
de dados, observou-se a importância da realização de um estudo preliminar, seguido
da agregação do conversor no próprio software utilizado para coleta, concentração e
armazenamento. No caso de uso do SDC-X, que foi desenvolvido utilizando bibliotecas
Python, houve grande facilidade de integração do mapeador para JSON nas linhas de
código, evitando as conversões futuras, treinamento de pessoal envolvido e dificultando
processos.
Capítulo 5. Discussão 107
6 CONCLUSÃO
REFERÊNCIAS
BENDER, D.; SARTIPI, K. HL7 FHIR: An agile and RESTful approach to healthcare
information exchange. Proceedings of CBMS 2013 - 26th IEEE International
Symposium on Computer-Based Medical Systems, p. 326–331, 2013. DOI:
10.1109/CBMS.2013.6627810.
BRANDÃO, M. R.; OJEDA, R. G.; COSTA, M. G.; SILVESTRI, C. T.; CHAGAS, M. D.;
CAMPOS, G. G. Clinical Engineering in the analysis of Adverse Events in Medical
Equipment in Brazil. In: INTERNATIONAL Clinical Engineering and Health Technology
Management Congress. Virtual Edition: [s.n.], 2021.
CREATIVE COMMONS. CC0 1.0 Universal (CC0 1.0) Public Domain Dedication.
[S.l.], 2021. Disponível em: https://creativecommons.org/publicdomain/zero/1.0/.
Acesso em: 17 mai. 2021.
ERICKSON, S. M.; WOLCOTT, J.; CORRIGAN, J. M.; ASPDEN, P. et al. Patient safety:
achieving a new standard for care. National Academies Press, 2003.
FIRELY. Introduction to FHIR and Profiling. [S.l.], 2021a. Disponível em: https:
//simplifier.net/guide/profilingacademy/IntroductiontoFHIRandprofiling.
Acesso em: 18 ago. 2021.
GESSERT, F.; WINGERATH, W.; RITTER, N. Fast and Scalable Cloud Data
Management. Cham: Springer International Publishing, 2020. DOI:
10.1007/978-3-030-43506-6.
KAY, S.; CANGIOLI, G.; NUSBAUM, M. The international patient summary standard
and the extensibility requirement. Studies in Health Technology and Informatics,
v. 273, p. 54–62, 2020. DOI: 10.3233/SHTI200615.
LACKERBAUER, A. M.; KRAUSS, O.; HEARN, J.; HELM, E. A Model for Implementing
an Interoperable Electronic Consent Form for Medical Treatment Using HL7 FHIR.
European Journal for Biomedical Informatics, v. 14, n. 3, p. 37–47, 2018. DOI:
10.24105/ejbi.2018.14.3.4.
MALIK, S.; KIM, D. A comparison of RESTful vs. SOAP web services in actuator
networks. In: IEEE. 2017 Ninth International Conference on Ubiquitous and Future
Networks (ICUFN). [S.l.: s.n.], 2017. P. 753–755.
MIRANDA, M.; DUARTE, J.; ABELHA, A.; MACHADO, J. M.; NEVES, J.; NEVES, J.
Interoperability in Healthcare. Proceedings of the European Simulation and
Modelling Conference (ESM 2010), Hasselt, Belgium, 2010.
NIELSEN, H.; MOGUL, J.; MASINTER, L. M.; FIELDING, R. T.; GETTYS, J.;
LEACH, P. J.; BERNERS-LEE, T. Hypertext Transfer Protocol - HTTP/1.1. [S.l.]: RFC
Editor, jun. 1999. RFC 2616. (Request for Comments, 2616). DOI: 10.17487/RFC2616.
QIU, D.; LI, B; LEUNG, H. Understanding the API usage in Java. Information and
Software Technology, v. 73, p. 81–100, 2016. DOI: 10.1016/j.infsof.2016.01.011.
RAD, B. B.; BHATTI, H. J.; AHMADI, M. An introduction to docker and analysis of its
performance. International Journal of Computer Science and Network Security,
International Journal of Computer Science e Network Security, v. 17, n. 3, p. 228,
2017.
REGENSTRIEF INSTITUTE. The Unified Code for Units of Measure. [S.l.], 2021b.
Disponível em: https://ucum.org/. Acesso em: 2 mar. 2021.
SAUERMANN, S.; DAVID, V.; SCHLOGL, A.; EGELKRAUT, R.; FROHNER, M.;
POHN, B.; URBAUER, P.; MENSE, A. Biosignals, standards and FHIR - The way to
REFERÊNCIAS 120
go? Studies in Health Technology and Informatics, v. 236, p. 356–362, 2017. DOI:
10.3233/978-1-61499-759-7-356.
SMILE CDR. HAPI FHIR. [S.l.], 2021. Disponível em: https://hapifhir.io/. Acesso
em: 17 out. 2021.
TESFAYE, S.; WU, J. Diabetic neuropathy. In: THE Diabetic Foot. [S.l.]: Springer, 2018.
P. 31–46.
UCKER, M.; COSSUL, S.; FAVRETTO, M. A.; LOPES, L. B.; TERRA, T. G.;
FRANCO, M. V. B.; MARQUES, J. L. B. Desenvolvimento de um sistema de aquisição
de imagens de pupilometria dinâmica utilizando módulos OpenMV, set. 2019. DOI:
10.5281/zenodo.3461153.
WEBER, G. M.; MANDL, K. D.; KOHANE, I. S. Finding the Missing Link for Big
Biomedical Data. JAMA, v. 311, n. 24, p. 2479–2480, mai. 2014. DOI:
10.1001/jama.2014.4228.
WU, H.; YANG, S.; HUANG, Z.; HE, J.; WANG, X. Type 2 diabetes mellitus prediction
model based on data mining. Informatics in Medicine Unlocked, Elsevier, v. 10,
p. 100–107, 2018.
ZHANG, P.; WHITE, J.; SCHMIDT, D. C.; LENZ, G.; ROSENBLOOM, S. T. FHIRChain:
Applying Blockchain to Securely and Scalably Share Clinical Data. Computational
and Structural Biotechnology Journal, The Authors, v. 16, p. 267–278, 2018. DOI:
10.1016/j.csbj.2018.07.004.
123