See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/356359872

LÓGICA FUZZY COMO FERRAMENTA AUXILIADORA NO DIAGNÓSTICO DA

DISTIMIA

Conference Paper · November 2021

CITATIONS READS

0 139

3 authors, including:

Marlon Gonzaga Marcelo M. de Oliveira

Centro Federal de Educação Tecnológica de Minas Gerais Federal University of São João del-Rei
7 PUBLICATIONS 5 CITATIONS 52 PUBLICATIONS 728 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Marlon Gonzaga on 18 November 2021.

The user has requested enhancement of the downloaded file.

XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

LÓGICA FUZZY COMO FERRAMENTA AUXILIADORA NO DIAGNÓSTICO DA

DISTIMIA

Marlon Nunes Gonzaga1 - marlon13112015@gmail.com

Rı́ssia da Silva Zacarias2 - rissiazacarias@hotmail.com
Marcelo Martins de Oliveira3 - mmdeoliveira@ufsj.edu.br
1 Centro Federal de Educação Tecnológica de Minas Gerais, PPGMMC - Nova Gameleira, MG, Brasil
2 Instituto Federal de Minas Gerais - Campus Ouro Branco, MG, Brasil
3 Universidade Federal de São João del Rei, DEFIM - Campus Alto Paraopeba, MG, Brasil

Resumo. Este trabalho sugere a aplicação da Inteligência Artificial (IA) no pré-diagnóstico

da distimia. A técnica computacional aplicada foi a Lógica Fuzzy com o método de inferência
de Sugeno. Consideramos 6 variáveis linguı́sticas de entrada que constituem um importante
conjunto de sintomas observados na presença do transtorno, em concordância com o critério
B do documento DSM5. As regras do sistema contemplam várias combinações de nı́veis desses
sintomas (separados em 3 conjuntos fuzzy) e fornecem um valor de saı́da que indica o nı́vel de
risco de presença de distimia (muito baixo, baixo, médio, alto, muito alto).

Keywords: Lógica Fuzzy, Distimia, Sistema de Sugeno.

1. INTRODUÇÃO

O desenvolvimento e aplicação de ferramentas de inteligência artificial (AI) vem crescendo

em velocidade vertiginosa nas últimas décadas. Um setor no qual a aplicação de tais técnicas
tem chamado bastante atenção é a medicina, onde a criação e aprimoramento de sistemas
computacionais de decisão têm ganhado cada vez mais notoriedade.
A utilização de técnicas de AI na medicina surge primeiramente como uma forma de
diagnóstico de doenças complementar ao trabalho realizado pelos profissionais especialistas,
chegando a apresentar resultados mais especı́ficos, sensı́veis e de maior acurácia do que os
diagnósticos feitos por humanos. Além disso, a utilização de ferramentas computacionais
inteligentes propicia uma tratativa mais eficiente de elelevadas quantidades de dados, a leitura
facilitada de dados colhidos por anaminase e geração de um universo com as probabilidades dos
diagnósticos possı́veis e um cruzamento dos dados dos pacientes com os remédios prescritos
pelos médicos, evitando interações medicamentosas e aplicação de doses inapropriadas (como
expõe Lobo (2017)).
A utilização da lógica Fuzzy como extensão da lógica clássica tem possibilitado avanços
substanciais no tratamento de problemas complexos (como, por exemplo, a percepção de
emoções por computadores, utilização citada por Goyal, K. & Singhai, J. (2018)). Esse tipo de
problema e outros problemas que envolvem informações de caráter impreciso ou vago possuem
resultados muito melhores quando a lógica Fuzzy é aplicada.

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021
XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

O presente trabalho está organizado da seguinte forma: a seção 2. apresenta a

fundamentação teórica e em seguida apresenta-se a metodologia abordada (seção 3.). A seção
4. apresenta os resultados e discussões e a seção 5. contém as conclusões obtidas.

2. Fundamentação teórica

2.1 Lógica Fuzzy

A lógica Fuzzy, concebida por Zadeh em 1965, trata basicamente da representação e

tradução de informações imprecisas através de elementos matemáticos e pode ser considerada
uma extensão da teoria clássica de conjuntos.
Na teoria clássica de conjuntos, um elemento x está ou não está contido no universo X de
um determinado conjunto A. Isso pode ser expresso matematicamente pela função caracterı́stica
fA :

x ∈ A,

1, se e somente se (1)
fA (x) =
0, se e somente se x∈/ A. (2)
A proposta de Zadeh faz com que a função caracterı́stica seja mais generalizada e possa
assumir infinitos valores no intervalo [0,1]. Um elemento x pode pertencer a mais de um
conjunto simultaneamente e o quão esse elemento pertence a cada conjunto é definido pela
função de pertinência µA (x) : X → [0, 1]. Aqui, diz-se que um elemento x pertence ao conjunto
fuzzy A com grau de pertinência µA .
Na lógica Fuzzy um conjunto de variáveis linguı́sticas tem seus valores definidos através de
conjuntos Fuzzy. Uma série de operações entre os valores desses conjuntos geram um conjunto
de regras e a agregação dos resultados dessas regras juntamente com a etapa de deffuzificação
fornece o resultado final da saı́da do sistema.

2.2 Distimia

A distimia (Transtorno Depressivo Persistente) é um tipo de depressão mais leve (porém

duradoura) que interfere no humor do portador e, por isso, é classificada na nosografia como um
”transtorno de humor”(Akiskal, Hagop S (1994)). Outros a consideram como um trasnstorno
de personalidade, como consta em Spanemberg (2004). No Brasil, existem de 5 a 11 milhões
de pessoas com distimia e de 3% a 6% da população mundial é acometida por esse transtorno
(Akiskal, Hagop S (1994)).
Portadores deste transtorno geralmente são mais queixosos, insatisfeitos com a vida,
sarcásticos, nilistas, rabugentos e exigentes (Spanemberg (2004)) e geralmente a doença ocorre
em conjunto com outras doenças psquiátricas (comorbidades), como evidenciado em (Melrose
(2017)). Além de ser um transtorno que prejudica drasticamente a qualidade de vida do
portador, pode-se ainda atribuir a esse transtorno enormes custos financeiros e diminuição
de produtividade, tornando-o um problema de saúde pública que precisa ser identificado de
forma eficiente até mesmo para um manejo mais adequado das psicopatologias comórbitas
(Spanemberg (2004)).

Sintomas da Distimia segundo o critério B do DSM5 Segundo o critério diagnóstico B

definido no DSM5 (Manual Diagnóstico e Estatı́stico de Transtornos Mentais), o diagnóstico

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021
XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

positivo do transtorno deve apontar a presença de duas ou mais das caracterı́sticas abaixo
enquando o indivı́duo encontra-se deprimido:

1. Apetite diminuı́do ou alimentação em excesso.

2. Insônia ou hipersonia.

3. Baixa energia ou fadiga.

4. Baixa autoestima.

5. Concentração pobre ou dificuldade em tomar decisões.

6. Sentimentos de desesperança.

Onde o nı́vel de gravidade atual deve ser especificado como leve, moderado ou grave.

3. Metodologia

Utilizou-se a toolbox fuzzy do software MatLab para a simulação de diagnósticos de três

pacientes hipotéticos A, B e C. Para criação do sistema, foi adotado o modelo de Takagi-
Sugeno com 6 entradas formadas pelos sintomas a serem observados no diagnóstico da Distimia
em conformidade com o critério B de diagnóstico do DSM5. A função de saı́da f (u) representa
os possı́veis nı́veis de risco da presença do transtorno no paciente, sendo aqui classificado em
Risco muito baixo, Risco Baixo, Risco Médio, Risco Alto e Risco muito alto.
A figura 1 apresenta as seis variáveis de entrada e a saı́da f (u) do sistema que é definida
como:

0, para risco muito baixo , (3)




 entre 0 e 0,25, para risco baixo , (4)



f (u) = entre 0,25 e 0,50, para risco médio , (5)




 entre 0,50 e 0,75, para risco alto , (6)

entre 0,75 e 1,0, para risco muito alto (7)

Figura 1- Variáveis de entrada e saı́da do sistema Fuzzy.

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021
XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

A figura 2 mostra como os conjuntos Fuzzy das entradas foram definidos:

Figura 2- Conjuntos Fuzzy das variáveis de entrada do sistema.

A figura 3 apresenta parte das regras definidas no sistema. Para que todas as combinações
entre os conjuntos Fuzzy das variáveis de entrada e variável de saı́da fossem contempladas,
foram elaboradas 712 regras. O método de deffuzificação adotado foi o wtaver (média
ponderada).

Figura 3- Regras de inferência do sistema Fuzzy.

4. Resultados e Discussões

A tabela 1 apresenta os valores de entrada da simulação considerando os seguintes dados

do paciente A: apetite diminuido em 0.5, considerado moderado; Insônia em 0.15 considerada
leve, dentro do limiar da normalidade; Fadiga em 0.30, considerada moderada aproximando-se
de leve, baixa autoestima em 0.25, considerada leve aproximando-se de moderada, concentração
pobre em 0.5, considerada como moderada e sentimentos de desesperança em 0.1, considerado
leve. De acordo com a figura 4, o resultado fornecido pelo sistema foi z = 0.357 o que indica
que o paciente A tem risco baixo de sofrer do transtorno de Distimia.

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021
XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

Tabela 1- Gravidade dos sintomas para o paciente A

Sintomas Gravidade
Apetite diminuı́do ou alimentação em excesso 0.5
Insônia ou hipersonia 0.15
Baixa energia ou fadiga 0.30
Baixa autoestima 0.25
Concentração pobre ou dificuldade em tomar decisões 0.5
Sentimentos de desesperança 0.1

Figura 4- Regras ativadas e valor de saı́da para o paciente A: Como z = 0.357 o paciente A tem risco
baixo de ter Distimia.

A tabela 2 mostra os dados de entrada relacionados ao paciente B: Apetite diminuido em

0.85, considerado grave; Insônia em 0.95 considerada grave; Fadiga em 0.1, considerada leve;
Baixa autoestima em 0.5, considerada moderada; Concentração pobre em 0.25, considerada
como leve e aproximando-se de moderada e sentimentos de desesperança em 0.2, considerado
leve. De acordo com a figura 5, o resultado fornecido pelo sistema foi z = 0.75, o que indica
que o paciente B tem risco alto de sofrer do transtorno de Distimia.

Tabela 2- Gravidade dos sintomas para o paciente B

Sintomas Gravidade
Apetite diminuı́do ou alimentação em excesso 0.85
Insônia ou hipersonia 0.95
Baixa energia ou fadiga 0.1
Baixa autoestima 0.5
Concentração pobre ou dificuldade em tomar decisões 0.25
Sentimentos de desesperança 0.2

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021
XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

Figura 5- Regras ativadas e valor de saı́da para o paciente B: Como z = 0.75 o paciente B tem um risco
alto de ter Distimia.

Já a tabela 3 exibe os dados de entrada relacionados ao paciente C: Apetite diminuido em

0.85, considerado grave; Insônia em 0.1 considerada leve; Fadiga em 0.95, considerada grave;
Baixa autoestima em 0.8, considerada grave; Concentração pobre em 0.2, considerada como
leve e sentimentos de desesperança em 0.15, também considerado de gravidade leve. De acordo
com a figura 6, o resultado fornecido pelo sistema foi z = 1, o que indica que o paciente C tem
risco muito alto de sofrer do transtorno de Distimia.

Tabela 3- Gravidade dos sintomas para o paciente C

Sintomas Gravidade
Apetite diminuı́do ou alimentação em excesso 0.85
Insônia ou hipersonia 0.1
Baixa energia ou fadiga 0.95
Baixa autoestima 0.8
Concentração pobre ou dificuldade em tomar decisões 0.2
Sentimentos de desesperança 0.15

Figura 6- Regras ativadas e valor de saı́da para o paciente C: Como z = 1 o paciente C tem um risco
muito alto de ter Distimia.

5. CONCLUSÕES

A distimia, apesar de ser considerada um tipo de depressão leve, é um transtorno duradouro

e que pode afetar drasticamente a vida de seu portador e seu ciclo social. Dado esse impácto e

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021
 XXIV ENMC e XII ECTM
13 a 15 de Outubro de 2021

a parcela substancial de pessoas afetas por essa doença é notória a necessidade de investimento
em diagnóstico e posterior tratamento adequado do paciente.
Sobre os resultados obtidos na abordagem aqui proposta, vê-se que os diagnósticos dos
pacientes A, B e C são condizentes com o critério B do DSM5: o paciente A não apresentou
nenhum sintoma com gravidade, por isso sua classificação foi de um candidato de baixo risco
de ter a doença. Já o paciente B apresentou dois sintomas graves, o que já é suficiente para
o diagnóstico de alto risco de presença de distimia. O paciente C apresentou três sintomas
em nı́vel grave e isso faz com que ele tenha um risco muito alto de sofrer de distimia. O
resultado quantitativo fornecido pelo sistema pode servir como fator determinante de prioridade
de atendimento, já que quanto mais a saı́da do sistema (z) se aproxima de 1, de forma mais
severa o transtorno se apresenta no paciente. Considerando ainda a quantidade de pessoas
acometidas pelo transtorno, o desenvolvimento de um sistema inteligente pode aumentar a
abrangência e a efetividade dos tratamentos.
Sendo assim, reafirma-se aqui a importância do investimento na criação e aprimoramento
de ferramentas computacionais inteligentes de auxı́lio ao diagnóstico de doenças, paltada
principalmente pelo aumento da quantidade de dados a serem tratados e visando uma entrega
de diagnóstico cada vez mais rápida e confiável.

Agradecimentos

Agradecimentos à CAPES e ao CEFET-MG pelo apoio no desenvolvimento do presente

trabalho.

Referências

Lobo, L.F. (2017), Inteligência Artificial e Medicina; Revista Brasileira de Educação, 41, 185-193.
Spanemberg, Lucas & Juruena, M. F. (2004),Distimia: caracterı́sticas históricas e nosológicas e sua
relação com transtorno depressivo maior; Revista de Psiquiatria do Rio Grande do Sul, 26, 300-311.
Melrose, Sherri (2017), Persistent Depressive Disorder or Dysthymia: An Overview of Assessment and
Treatment Approaches; Open Journal of Depression, 06, 1-13.
Akiskal, H. S. (1994), Dysthymia: clinical and external validity; Acta Psychiatrica Scandinavica, 89,
19-23.
Goyal, K. & Singhai, J. (2018), Review of background subtraction methods using Gaussian mixture
model for video surveillance systems; Artificial Intelligence Review, 50, 241-259.
American Psychiatric Association (2013), Diagnostic and statistical manual of mental disorders: DSM5;
American Psychiatric Association.

FUZZY LOGIC AS AN AID TOOL IN THE DIAGNOSIS OF DYSTHYMIA

Resumo. This paper suggests the application of Artificial Intelligence (AI) in the prediagnosis
of dysthymia. The applied computational technique was Fuzzy Logic with the Sugeno inference
method. We consider 6 linguistic variables of entrance that form an important set of symptoms
observed in the disorder presence, in concordance with the criteria B of DSM5 document. The
system’s rules contemplate a lot of level’s combinations of these symptoms (separated in 3 fuzzy
sets) and provide a exit value that indicates the dysthymia presence risk’s level (very low, low ,
middle, high, very high).

Keywords: Fuzzy Logic, Dysthymia, Sugeno’s inference system.

Anais do XXIV ENMC – Encontro Nacional de Modelagem Computacional e XII ECTM – Encontro de Ciências e Tecnologia de Materiais,
13 a 15 Outubro 2021

View publication stats