Home » Engenharia do Conhecimento » BRIGNOLI, Juliano Tonizetti. Um Modelo para Suporte ao Raciocínio Diagnóstico diante da Dinâmica do Conhecimento sobre Incertezas. Tese, 2013.

BRIGNOLI, Juliano Tonizetti. Um Modelo para Suporte ao Raciocínio Diagnóstico diante da Dinâmica do Conhecimento sobre Incertezas. Tese, 2013.

A Engenharia do Conhecimento recorre a abordagens transdisciplinares objetivando oferecer soluções às demandas sociais, destacando-se, artefatos para suporte à decisão. A tomada de decisão humana pode ser de magnitude tão complexa que a atividade intensiva em conhecimento realizada pelo especialista demande assistência proveniente de modelos elaborados por uma visão sistêmica do engenheiro do conhecimento no espaço da solução. O problema desta pesquisa emerge da atividade do especialista médico em Classificação de Risco Metabólico em crianças e adolescentes. As variáveis deste cenário e o processo de classificação apresentam incertezas, manifestadas por causalidade e imprecisão. Redes Bayesianas são empregadas no suporte a classificação cujas variáveis que representam o conhecimento são de natureza probabilística. Contudo, o método bayesiano clássico, diante do fator imprecisão, pode convergir para resultados não qualificados em conformidade àqueles obtidos pelo raciocínio clínico. Por outro lado, Redes Fuzzy-Bayesianas aprimoraram o modelo clássico para suportar inferência sobre conceitos ambíguos. Esta pesquisa contribuiu com o desenvolvimento de um modelo de inferência fuzzy-bayesiano para variáveis não-dicotômicas oferecendo suporte ao raciocínio médico num cenário complexo cuja dinâmica da imprecisão é caracterizada por um tipo de superposição conceitual. Essencialmente dispõe de formalismo matemático modificando a equação do Teorema de Bayes, introduzindo qualificadores difusos para lidar com a imprecisão. Para verificar o modelo utilizou-se de simulações aplicadas sobre dados reais de prontuários. Os resultados obtidos mostraram-se convergentes com a interpretação do especialista e a característica notável foi à qualidade destes resultados nos intervalos próximos aos pontos de corte utilizados pelos especialistas e reproduzidos pelo método bayesiano clássico, problema este que não releva a imprecisão. O modelo distribuiu as probabilidades das hipóteses diagnósticas acompanhando a dinâmica inerente a imprecisão das evidências. Este efeito mostra que um paciente, mesmo que de modo gradual, pode estar evoluindo para um cenário de risco metabólico. O modelo é propenso de ser acoplado a metodologias da Engenharia do Conhecimento e sua implementação pode gerar uma ferramenta aliada à prática do diagnóstico clínico.

Link para Download: Juliano Tonizetti Brignoli

Posted in Engenharia do Conhecimento, Tese and tagged as , , , , , , , ,