Sistema baseado em conhecimento para uroanálise
| dc.contributor.advisor | Rotta, Liane Nanci | pt_BR |
| dc.contributor.advisor-co | Flores, Cecilia Dias | pt_BR |
| dc.contributor.author | Rodrigues, Fabrício Henrique | |
| dc.date.accessioned | 2016-07-07T18:37:52Z | |
| dc.date.accessioned | 2023-10-09T13:59:48Z | |
| dc.date.available | 2016-07-07T18:37:52Z | |
| dc.date.available | 2023-10-09T13:59:48Z | |
| dc.date.date-insert | 2016-07-07 | |
| dc.date.issued | 2015 | |
| dc.description | Dissertação(Mestrado)-Programa de Pós-Graduação em Ciências da Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre. | pt_BR |
| dc.description.abstract | Introdução: A uroanálise é um importante exame laboratorial que fornece informações sobre as principais funções metabólicas, assim como sobre os rins e o trato urinário. Ela consiste na identificação de substâncias (por meio de tiras reativas) e elementos figurados (por microscopia) presentes na urina. Atualmente, por diversas razões, esse exame não tem recebido a atenção devida, o que se traduz na não-identificação, identificação errônea ou má-interpretação de seus achados, contribuindo para a confecção de um exame com qualidade duvidosa . Para colaborar na melhoria dessa situação, alguns requisitos tem sido estabelecidos. Consistindo de tarefas puramente cognitivas, esses requisitos parecem passíveis de modelagem computacional. Assim, este trabalho apresenta o desenvolvimento de um protótipo de sistema baseado em conhecimento para uroanálise com o objetivo de descrever como o conhecimento desse domínio pode ser representado e processado computacionalmente, a fim de permitir que um sistema de informação possa atuar de forma semelhante a um profissional na análise de informações sobre amostras de urina. Métodos: O conhecimento sobre uroanálise foi elicitado da literatura e de entrevistas conduzidas com um especialista da área, tendo sido identificadas as principais atividades realizadas durante o exame (i.e. análise de tira reativa, verificação de coerência, previsão de elemenos figurados e seleção de recursos). Foi construída uma ontologia geral para o domínio assim como modelos ontológicos específicos e algoritmos para dar suporte a cada atividade específica. Tais modelos e algoritmos foram reunidos em um protótipo de sistema baseado em conhecimento para guiar o usuário durante a análise de amostras de urina, com esse reportando os achados encontrados na amostra e o sistema sugerindo elementos figurados a serem procurados, recursos a serem utilizados e incoerências entre os achados. Resultados: O protótipo foi testado com 17 descrições de amostra de urina elaboradas pelo especialista do domínio. O intuito foi de determinar em que medida o conhecimento modelado é adequado para tratar com casos considerados importantes no cotidiano da uroanálise. Em relação à análise de tira reativa e à verificação de incoerências, a avaliação ficou parcialmente comprometida em vista de que os exemplos utilizados não cobriram todas as possibilidades de interferências e incoerências que podem ocorrer nessas atividades. A previsão de elementos figurados atingiu precisão e abrangência de 62.08% e 79.02%, respectivamente. Considerando a seleção de recursos, o protótipo fez as mesmas escolhas prescritas pelo especialista. Conclusões: O protótipo se comportou de forma consistente com o que era esperado dados os exemplos utilizados para teste. Além disso, a maioria das falhas apresentadas pode ser solucionadas com a adição de conhecimento no formato prescrito pelo modelo proposto, o que evidencia o seu poder e adequação na representação do conhecimento do domínio. | pt_BR |
| dc.description.abstract-en | Background: Urinalysis is a very important test of laboratory medicine, providing valuable information about the body’s major metabolic functions, kidneys, and urinary tract. It is carried out by identifying substances (by means of dipstick) and particles (by means of microscopy) present in the urine. Nowadays, for several reasons, it does not receive the proper attention, with significant findings being missed, misidentified or misinterpreted, which calls into question the quality of the test. Some requirements were established to change this situation. Being about cognitive tasks, such requirements seem to be liable to computational representation. This way, this work presents the development of a prototype of knowledge-based system for the domain of urinalysis, with the aim of describe how urinalysis knowledge can be computationally represented and processed in order to allow an information system to act in examining a urine sample as a professional would. Methods: Knowledge about urinalysis was elicited from literature and interviews with a domain expert, being identified the main tasks carried out during the exam (i.e. dipstick analysis, coherence assessment, particle prediction and selection of tools). An general ontology for urinalysis was constructed, as well as specific ontological constructions and algorithms to deal with the main activities involved in the test. The ontological models and algorithms were tied up to in a system that offers guidance during the examination, with user informing the observed findings and the system suggesting particles to look for, tools to use and incoherences among the findings. Results: The prototype was confronted with 17 descriptions of urine samples elaborated by the domain expert, with the purpose of assess in which extent the modelled knowledge can deal with cases considered to be important in everyday practice. Regarding dipstick analysis and coherence assessment the evaluation was somewhat compromised, since the examples did not cover the whole extent of possibilities of incoherences and interferences that may happen in these activities. Particle prediction achieved a precision and recall of 62.08% and 79.02% respectivelly. Concerning selection of tools, the prototype made the same choices as the expert prescribed. 9 Conclusions: The prototype behaved consistently with what was expected given the examples it was confronted with. Most of its flaws can be overcome by addition of incremental knowledge, in the form prescribed by the proposed model – which shows its power and suitability to represent the domain. | en |
| dc.identifier.uri | https://repositorio.ufcspa.edu.br/handle/123456789/156 | |
| dc.language.iso | other | pt_BR |
| dc.relation.requires | Adobe Reader | pt_BR |
| dc.rights | Acesso Aberto Imediato | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | * |
| dc.subject | Ontologia | pt_BR |
| dc.subject | Informática Médica | pt_BR |
| dc.subject | Inteligência Artificial | pt_BR |
| dc.subject | Uroanálise | pt_BR |
| dc.subject | [en] Medical Informatics | en |
| dc.subject | [en] Artificial Intelligence | en |
| dc.title | Sistema baseado em conhecimento para uroanálise | pt_BR |
| dc.type | Dissertação | pt_BR |