Um Sistema Computacional integrando Suporte a Decisao na Area deReproducao HumanaErica Akemi Tanaka1, Cristina Moraes Junta2, Laura Vagnini3, Jose Augusto Baranauskas4, SilvanaGiuliatti5

1,5Faculdade de Medicina de Ribeirao Preto, Universidade de Sao Paulo, Brasil. 1,4Faculdade de Fi-losofia, Ciencias e Letras de Ribeirao Preto, Universidade de Sao Paulo, Brasil. 2,3Centro Paulista deDiagnostico, Pesquisa e Treinamento, Brasil.

Resumo: Clınicas medicas e laboratorios de diagnostico possuem uma serie de dados de pacientes eexames laboratoriais que, em conjunto, auxiliam o medico a confirmar ou nao a hipotese diagnostica,alem de direcionar o tratamento adequado. Este estudo tem como objetivo propor uma arquiteturade software bem como reportar aspectos do desenvolvimento de um sistema computacional que aimplementa. Tais elementos permitem informatizar os processos e dados referentes aos pacientes dereproducao assistida, facilitando, assim, o acesso a informacao e a manipulacao a fim de indicar omelhor tratamento e predizer o sucesso ou nao da gravidez apos realizar o tratamento. A arquitetura desoftware e composta por tres camadas, sendo que uma delas, a camada de classificacao e compostapor quatro modulos de classificacao, voltados ao suporte a decisao. Isso permite aos especialistasmedicos nao so indicar um tratamento e predizer o sucesso do mesmo como tambem uma melhorcompreensao dos padroes de sucesso ou nao do processo de fertilizacao.

Palavras-chaves: Reproducao Assistida, Sistemas de Suporte a Decisao, Aprendizado de Maquina

Abstract: Medical clinics and diagnostic laboratories have a large number of patient data and laboratorytests that together help physicians to confirm or refute diagnosis, besides directing the appropriatedtreatment. In this research we propose a software architecture to model patients’ data and processesin assisted reproduction as well as we describe some aspects of a computer system implementing theproposed architecture. These components allow easy access to information, indicate the best treatmentand predict the success or failure of pregnancy after performing some specific treatment. The softwarearchitecture is composed by three layers. One of them, the classification layer contains four supervisedlearning algorithms, directed to decision support. This enables medical experts to indicate and to predictthe success of treatments as well as to better understand patterns of success or failure of the fertilizationprocess.

Keywords: Assisted Reproduction, Decision Support Systems, Machine Learning

1 Introducao

Infertilidade e um disturbio ou condicaodo sistema reprodutivo masculino ou femininoque reduz a capacidade de ter filhos. Um ca-sal e considerado infertil quando nao conse-gue conceber, num perıodo de 12 meses, semuso de metodos anticoncepcionais, mantendorelacoes sexuais frequentes. Aproximadamente40% dos casos de infertilidade sao de causas fe-mininas, 40% sao de causas masculinas e 20%sao de causas indeterminadas. Atualmente, en-tre 10 a 15% dos casais tem problemas coma infertilidade. Em consequencia disso tem-

se observado um aumento na procura de tra-tamentos utilizando tecnicas de reproducao as-sistida, que e uma area que engloba uma va-riedade de tecnicas e terapias para o auxılio acasais que desejam ter filhos. O sucesso ounao de uma gestacao e determinado, em grandeparte, pelos aspectos imunologicos envolvidosna interacao feto-gestante, na qual o embriao re-presenta um antigenico estranho ao organismomaterno. Portanto, e necessario que seja reco-nhecido imunologicamente evitando, assim, seratacado pelas defesas do corpo, garantindo umambiente favoravel para o desenvolvimento do

1

embriao ate que ele tenha a capacidade de vidaextra-uterina1. A reproducao assistida pode serdividida em dois grandes grupos de tecnicas:inseminacao artificial e fertilizacao in vitro (FIV)e suas variantes2. A inseminacao artificial tema finalidade de facilitar a chegada dos esper-matozoides nas trompas em um numero ade-quado para que ocorra a fertilizacao dos oocitos.Ja a fertilizacao in vitro, ocorre no exterior docorpo feminino e possui varias etapas: inducaoda ovulacao e o recolhimento dos oocitos, co-leta dos espermatozoides, fertilizacao em meiode cultura por 48 horas e a transferencia do em-briao para o utero. Outra tecnica utilizada e ainjecao intracitoplasmatica de espermatozoides(ICSI) que consiste na injecao de um unico es-permatozoide no citoplasma do ovocito, evitandoassim as dificuldades do processo natural emque um espermatozoide tem que passar a ‘bar-reira’ do ovocito para nele penetrar.O presente estudo tem como objetivo descre-ver uma arquitetura de software em tres ca-madas, as quais permitem a manipulacao e arecuperacao das informacoes consideradas re-levantes pelos especialistas medicos na area dereproducao humana. Em uma das camadasencontra-se o modulo de suporte a decisao quefaz uso de algoritmos de aprendizado supervisi-onados, cujo objetivo consiste em identificar umsubconjunto de informacoes que podem ser utili-zadas para fins de predizer o sucesso ou nao dagravidez bem como indicar o melhor tratamento.Adicionalmente, tambem e descrito o desenvol-vimento de um sistema computacional para webimplementando a arquitetura proposta.Este estudo esta organizado da seguinte forma:Na Secao 2 sao descritos trabalhos relaciona-dos. Na Secao 3 a metodologia utilizada nesteestudo e explicada, mostrando a estrutura emtres camadas do framework desenvolvido; cadauma das camadas e descrita separadamente.As conclusoes encontram-se na Secao 4.

2 Trabalhos Relacionados

Um dos problemas da analise dos dadosgerados pelo tratamento em reproducao assis-tida e o grande volume de informacao, tornandodifıcil distinguir quais dados estao realmente en-volvidos no sucesso ou nao do tratamento. De-vido a isso, o uso de tecnicas de aprendizadode maquina podem contribuir para extracao deconhecimento e suporte a decisao3,4. Recente-

mente foi proposta a aplicacao de classificado-res Bayesianos para selecao de embrioes queirao formar o lote a ser transferido para o uteroda mulher que realizara a fertilizacao in vitro, afim de prover um sistema de apoio a decisao5.Outro trabalho propoe a aplicacao do classifi-cador de arvores de decisao C5.0 (sucessordo C4.5) para aumentar a taxa de sucesso dafertilizacao in vitro levando em conta a fisiologiade um paciente, bem como os resultados obtidosde diferentes estagios de uma FIV6. Um estudorefere-se a arquitetura de um sistema de apoio adecisao para doenca cardiovascular AptaCDSS-E7 que contem quatro componentes principais:interface do scanner, modulo de gestao de pro-tocolo, modulo de configuracao do servico e in-terface de suporte ao diagnostico. A interface doscanner le os dados brutos gerados pelo ‘chipscanner’ e os converte para um formato ade-quado. O modulo de gestao de protocolo con-trola a comunicacao entre todos os componen-tes. O modulo de configuracao inclui quatro clas-sificadores de quatro diferentes paradigmas declassificacao para tomada de decisao clınica. Ainterface de suporte a decisao combina o re-sultado da decisao de cada classificador e for-nece uma descricao simplificada do nıvel atualda doenca do paciente. Outro trabalho abordaa arquitetura de um sistema para tratamentode aneurismas cerebrais @neuIST8, estrutu-rado em tres camadas: aplicacao, middlewaree recursos. A camada de aplicacao consisteem aplicacoes que fornecem aos usuarios fi-nais funcionalidades para pesquisa e tratamentoclınico dos aneurismas. A camada de mid-dleware medeia entre a camada de aplicacao e acamada de recursos, fornecendo acesso aos da-dos, preparacao de dados, mediacao semanticae servicos de computacao em grade. A camadade recursos e responsavel pela manipulacao dosrecursos e bases de dados.

3 Arquitetura do Framework

Inicialmente foi realizado um levanta-mento de requisitos do sistema, a partir do qualforam elaborados os diagramas de caso de usopara descrever um cenario que mostra as funci-onalidades gerais do sistema do ponto de vistado usuario. Com base nisso, foi proposta umaarquitetura com tres camadas, mostradas naFigura 1: (i) Camada de Apresentacao, com-posta pela interface com o usuario (GUI —

2

Graphical User Interface) e responsavel por todainteracao com os especialistas medicos; (ii) Ca-mada de Classificacao, composta por quatromodulos de classificacao utilizando aprendizadosupervisionado, responsavel pelo suporte a de-cisao aos profissionais e (iii) Camada de Arma-zenamento que contem as classes quer manipu-lam a informacao do ponto de vista medico, per-mitindo inclusive a inclusao de novos pacientesno sistema e responsavel pelo armazenamentopersistente das informacoes. Nas secoes se-guintes cada uma das camadas e descrita commais detalhes.O diagrama de classes da arquitetura propostaencontra-se ilustrado na Figura 2. As classesVizinhosProximos, RedesNeurais, ArvoreDe-cisao e Probabilistico sao responsaveis pelaconfiguracao, aprendizado e classificacao daspacientes utilizando os algoritmos IBK, J48, MLPe NB (vide Secao 3.2) e tem dependencia coma classe ConfigurarClassificador, responsavelpor intermediar as classes dos classificadorescom as classes dos dados medicos. A classePaciente contem informacoes sobre as paci-entes que tem problema de infertilidade. Aclasse Funcionario e responsavel em mode-lar o comportamento dos membros da equipede profissionais. As classes Funcionario ePaciente sao especializacoes da classe Pes-soa; esta contem atributos e metodos comunsa qualquer indivıduo. As classes ExameImuno-logico e ExameGenetico descrevem os tiposde exames que sao feitos para o tratamento emetodos para manipulacao dessas informacoese sao uma especializacao da classe Exame. Aclasse Anamnese contem as informacoes refe-rentes ao tratamento, como fator de infertilidade,numero de embrioes, entre outros. Por ultimo,a classe Usuario controla o acesso ao sistema,por meio de perfis de usuario.

3.1 Camada de Apresentacao

A camada de apresentacao representa ainterface com usuario que contem as seguintesfuncionalidades: (i) cadastro das informacoes depacientes (informacoes pessoais, de exames ede anamnese); (ii) recuperacao das informacoesde pacientes; (iii) busca avancada, onde ocorreo cruzamento e relacionamento de todos os da-dos e (iv) classificacao. A interface foi imple-mentada na linguagem de programacao Java uti-lizando a plataforma de desenvolvimento Net-

Figura 1: Arquitetura em tres camadas

Beans1. Nesta camada e possıvel modificaros parametros dos algoritmos de aprendizado,com o objetivo de encontrar os melhores resul-tados dentre os paradigmas de aprendizadosutilizados, por exemplo, como ilustrado na Fi-gura 3, foi escolhido o classificador Multi LayerPerceptron pelo usuario e o sistema preencheuas configuracoes com em seus valores default,mas que podem ser alteradas de acordo coma necessidade do especialista. Dessa forma, ousuario pode comparar os resultados obtidos apartir de classificadores diferentes e escolher oque melhor se aplica para a tarefa em questao.Uma funcionalidade que nao e vista de forma vi-sual pelos usuarios mas que foi implementadana camada de apresentacao e o controle deacesso de acordo com perfis de usuarios. Cadausuario no sistema tem um papel distinto, o queimplica que diferentes nıveis de acesso estao as-sociados ao usuario, de forma a garantir que so-mente usuarios com o devido acesso possam teracesso e/ou modificar as informacoes armaze-nadas.

3.2 Camada de Classificacao

Na camada de classificacao, depois queas informacoes medicas das pacientes sao in-troduzidas no sistema, o mesmo executa os al-goritmos de classificacao, a pedido do usuario,para aprender, por exemplo, o sucesso ou naoda gravidez e para indicar o melhor tratamento,dentre outros. Uma vez gerado um classifica-dor9, a camada de classificacao pode predizer, apartir de informacoes medicas do paciente, o tra-tamento adequado e o sucesso ou nao do trata-mento, dentre outras informacoes que o usuariopode selecionar. Este e um aspecto muito im-

1http://netbeans.org/3

Figura 2: Diagrama de Classes

Figura 3: Interface para configuracao dosclassificadores

portante, principalmente na area medica, poisos especialistas podem testar hipoteses: seleci-onando um (sub)conjunto dos atributos contidosna camada de armazenamento e um conceitoa ser aprendido (por exemplo, sucesso ou naodo tratamento de fertilizacao) e possıvel verificarse o (sub)conjunto selecionado gera bons clas-sificadores. Alem de permitir testar hipoteses,essa funcionalidade do sistema pode permitira reducao dos custos da reproducao assistida,ja que podem ser descartados (nao realizados)exames que nao se mostrem importantes para otratamento de uma paciente especıfica.Esta camada contempla quatro algoritmos deaprendizado de diferentes paradigmas da biblio-

teca Weka10: IBK (Instance-Based) e um indutorpreguicoso (lazy ), J48 e um indutor de arvoresde decisao, o MLP e um indutor de redes neu-rais e o NB (naıve Bayes) e um indutor estatısticomuito simples.No indutor preguicoso IBK (Instance-Based),tambem conhecido como algoritmo K vizinhosmais proximos (K-Nearest Neighbors ou K-NN)11 a ideia geral e postergar a compilacaodo conjunto de treinamento, armazenando osexemplos. A classificacao de um novo exem-plo e efetuada com base no voto dos K exem-plos mais proximos utilizando uma metrica dedistancia12.MLP (Multi Layer Perceptron) e um modelo deredes neurais artificial que mapeia conjuntos dedados de entrada para um conjunto de saıdaapropriada, contendo duas ou mais camadas deneuronios. O treinamento e efetuado usandoo algoritmo Backpropagation e e efetuado emduas fases, cada uma percorrendo a rede emum sentido. Na primeira fase a entrada e apre-sentada a primeira camada da rede; apos osneuronios de uma camada calcularem seus va-lores de saıda, os neuronios da camada pos-terior utilizam estes valores para definir suassaıdas. As saıdas produzidas pelos neuroniosda ultima camada sao comparadas as saıdasdesejadas e o erro para cada neuronio da ca-

4

Figura 4: Modelo entidade-relacionamento referente a camada de armazenamento

mada de saıda e calculado. Na segunda fasecada neuronio ajusta seus pesos de modo a re-duzir seu erro13.Um modelo de grande importancia principal-mente em domınios nos quais os especialis-tas humanos precisam confrontar e entendero modelo obtido, tais como aqueles ligados aarea medica ou biologica sao os classificado-res simbolicos. Neste sentido, um classifica-dor simbolico e um modelo cuja linguagem dedescricao e equivalente a um conjunto de re-gras. Um dos classificadores mais popularessao, provavelmente, as arvores de decisao14.Uma arvore de decisao e constituıda por dois ti-pos de nos: (i) nos de decisao, que contem umteste sobre o valor do atributo ou caracterısticade interesse, que leva a uma sub-arvore; (ii) nos-folha, que indicam a classe correspondente. No-vos exemplos sao classificados a partir da raiz (oprimeiro teste da arvore), descendo atraves dosnos de decisao ate chegar a um no-folha, quecorresponde a classe deste novo exemplo15.Arvores de decisao de tamanho moderado ofe-recem uma facil interpretabilidade de seus resul-tados para o usuario, caracterıstica muito rele-vante quando se trata de um sistema para auxılioa tomada de decisao medica14,16.O indutor NB usa a regra de Bayes para cal-cular a probabilidade de cada classe dado um

exemplo, assumindo que os atributos sao inde-pendentes17. Mesmo que, em domınios reais,os atributos nao sejam independentes, o algo-ritmo e bem robusto a violacoes da condicao deindependencia.

3.3 Camada de Armazenamento

A camada de armazenamento e res-ponsavel pela manipulacao da informacao deforma persistente. Para tanto, um banco de da-dos foi projetado segundo o Modelo Entidade-Relacionamento conforme a Figura 4; sua mo-delagem foi feita usando o DBDesigner2 e obanco de dados PostgreSQL3. No modelo, atabela Paciente armazena os dados pesso-ais e residenciais do paciente e tem relacio-namento com as tabelas Anamnese e Exa-mes que armazenam as informacoes da anam-nese e dos exames respectivamente. A ta-bela Exames e uma generalizacao das tabe-las ExameImunologico e ExameGenetico quearmazenam os resultados dos exames. A ta-bela Funcionario armazena os dados pesso-ais e os profissionais e tem um relacionamentocom a tabela Usuario, que correspondem aosusuarios do sistema. Para a manipulacao dasinformacoes medicas, o sistema utiliza varias

2http://www.fabforce.net/dbdesigner4/3http://www.postgresql.org.br/

5

classes. As classes VizinhosProximos, Re-desNeurais, ArvoreDecisao e Probabilisticosao responsaveis pela classificacao. A classeAnamese e responsavel pela manipulacao dosdados referentes a anamese; por meio delasao feitos o armazenamento, a atualizacao ea busca dessas informacoes. A classe Exa-meImunologico e responsavel pelo armazena-mento, atualizacao e busca dos dados referen-tes aos resultados dos exames imunologicos. Aclasse ExameGenetico e responsavel pelo re-sultados dos exames geneticos, podendo arma-zenar, atualizar e buscar esses dados. As clas-ses Paciente e Funcionario armazenam dadospessoais de cada paciente e funcionario, respec-tivamente. A classe Usuario e responsavel peloarmazenamento das informacoes para prover ocontrole de acesso.

4 Conclusoes

Neste estudo foi descrita uma arquiteturabem como o sistema computacional que a im-plemente na area de reproducao assistida, con-tendo tres camadas com funcionalidades dis-tintas. Com isso, os especialistas podem indi-car o tratamento adequado para cada pacientebem como o sucesso ou nao da gravidez pormeio dos resultados dos exames realizados. Omodulo de suporte a decisao, implementado nacamada de classificacao, pode ser utilizado paratentar compreender os padroes de sucesso ounao do processo de fertilizacao, a partir dos da-dos de exames, anamnese e terapia. Este eum aspecto muito importante, pois especialistaspodem testar hipoteses clınicas, o que pode re-sultar na reducao dos custos da reproducao as-sistida. Esse estudo esta sendo estendido comexperimentos para avaliar o desempenho da ca-mada de classificacao.

Referencias

1 Franco JG, Baruffi LR, Mauri AL, PetersenCG. Reproducao Assistida. Revinter; 1997.

2 Meola J, Veiga-Castelli LC, Martelli LR. Fa-lando sobre infertilidade; 2009.

3 Pollettini JT, Nicolas FP, Panico SRG, Dane-luzzi JC, Tinos R, Baranauskas JA, et al. Asoftware architecture-based framework sup-porting suggestion of medical surveillance le-vel from classification of electronic patient re-cords. In: The 12th IEEE International Con-ference on Computational Science and Engi-

neering; 2009. p. 166–173.4 Park E, Shin H, Nam HS. Collective Mana-

gement of Medical Information in a DecisionSupport System. In: 2009 Int’l Asia Confe-rence on Informatics in Control, Automationand Robotics; 2009. p. 358–360.

5 Morales DA, Bengoetxea E, Larranaga P,Garcıa M, Franco Y, Fresnada M, et al. Baye-sian classification for the selection of in vitrohuman embryos using morphological and cli-nical data. Computer Methods and Programsin Biomedicin. 2008;90:104–116.

6 Passmore L, Goodside J, Hamel L, Gon-zalez L, Silberstein T, Trimarchi J. As-sessing Decision Tree Models for Clini-cal In-Vitro Fertilization Data;. Availa-ble from: http://homepage.cs.uri.edu/

faculty/hamel/pubs/ivf-tr296.pdf.7 hong Eom A J, chun Kim B S, tak Zhang A

B. Available online at www.sciencedirect.comExpert Systems with Applications; 2007.

8 Rajasekaran H, Iacono LL, Hasselmeyer P,Fingberg J, Summers P, Benkner S, et al.@neurIST - Towards a System Architec-ture for Advanced Disease Management th-rough Integration of Heterogeneous Data,Computing, and Complex Processing Ser-vices. Computer-Based Medical Systems,IEEE Symposium on. 2008;0:361–366.

9 Monard MC, Baranauskas JA. 4. In: Re-zende SO, editor. Conceitos sobre Aprendi-zado de Maquina. Manole; 2003. p. 89–114.

10 Witten IH, Frank E. 2nd ed. Morgan Kauf-mann;.

11 Mitchell TM. Machine Learning. McGraw–Hill; 1998.

12 Aha DW. Lazy Learning. Artificial IntelligenceReview. 1997;11:7–10.

13 Haykin SS. Redes neurais: princıpios epratica. vol. 2; 2001.

14 Kingsford C, L SS. What are decision trees?Nat Biotech. 2008;26(9):1011–1013.

15 Quinlan JR. C4.5: Programs for Machine Le-arning. Morgan Kaufmann; 1993.

16 Rosenfeld N, Aharonov R, Meiri E, Ro-senwald S, Spector Y, Zepeniuk M, et al..MicroRNAs accurately identify cancer tissueorigin, Nature Biotechnology; 2008.

17 Heckerman D. In: Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R, editors.Bayesian Networks for Knowledge Discovery.Menlo Park, CA: AAAI; 1996. p. 273–306.

6