Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas

Detalhes bibliográficos
Autor(a) principal: Brignoli, Juliano Tonizetti
Data de Publicação: 2013
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/106923
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2013
id UFSC_6ac533c313831d375eb1861a5df6c1c2
oai_identifier_str oai:repositorio.ufsc.br:123456789/106923
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezasGestão do conhecimentoTeoria bayesiana de decisao estatisticaLógica difusaInferenciaOntologias (Sistema de recuperação da informação)DiagnosticoProbabilidades -Processamento de dadosRaciocinioTese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2013A 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. <br>Abstract : The Knowledge Engineering uses transdisciplinary approaches aiming to provide solutions to social demands, especially, artifacts for decision support. The human decision making can be so complex that the magnitude knowledge intensive activity undertaken by specialist demande assistance from models developed by a systemic view of the knowledge engineer in the solution space. The problem of this research emerges from the activity of the specialist physician in Metabolic Risk Rating in children and adolescents. The variables of this scenario and the classification process is uncertain, expressed by causality and imprecision. Bayesian networks are employed to support the classification whose variables representing knowledge are probabilistic in nature. However, the classical Bayesian method, given the uncertainty factor can converge to results unskilled in accordance to those obtained by clinical reasoning. On the other hand, improved Bayesian Networks Fuzzy-classical model to support inference about ambiguous concepts. This research contributed to the development of a fuzzy-Bayesian inference for non-dichotomous variables supporting the medical reasoning in a complex scenario whose dynamics of vagueness is characterized by a kind of conceptual overlay. Essentially offers mathematical formalism modifying the equation of Bayes Theorem, introducing fuzzy qualifiers to deal with imprecision. To verify the model we used simulations applied to real data from medical records. The results obtained were convergent with interpretation specialist and notable feature was the quality of these results in the ranges near the cutoff points used by experts and reproduced by classical Bayesian method, a problem that does not excuse the inaccuracy. The distributed model the odds of diagnostic hypotheses tracking the dynamics inherent imprecision of the evidence. This effect shows that a patient, even if gradually, may be evolving into a scenario of metabolic risk. The model is likely to be coupled to the Knowledge Engineering methodologies and their implementation can generate a tool coupled with the practice of clinical diagnosis.Sell, DenilsonTodesco, José LeomarUniversidade Federal de Santa CatarinaBrignoli, Juliano Tonizetti2013-12-05T22:45:03Z2013-12-05T22:45:03Z2013info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis260 p.| il., grafs., tabs.application/pdf320420https://repositorio.ufsc.br/handle/123456789/106923porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2013-12-08T02:03:18Zoai:repositorio.ufsc.br:123456789/106923Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732013-12-08T02:03:18Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
title Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
spellingShingle Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
Brignoli, Juliano Tonizetti
Gestão do conhecimento
Teoria bayesiana de decisao estatistica
Lógica difusa
Inferencia
Ontologias (Sistema de recuperação da informação)
Diagnostico
Probabilidades -
Processamento de dados
Raciocinio
title_short Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
title_full Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
title_fullStr Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
title_full_unstemmed Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
title_sort Um modelo para suporte ao raciocínio diagnóstico diante da dinâmica do conhecimento sobre incertezas
author Brignoli, Juliano Tonizetti
author_facet Brignoli, Juliano Tonizetti
author_role author
dc.contributor.none.fl_str_mv Sell, Denilson
Todesco, José Leomar
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Brignoli, Juliano Tonizetti
dc.subject.por.fl_str_mv Gestão do conhecimento
Teoria bayesiana de decisao estatistica
Lógica difusa
Inferencia
Ontologias (Sistema de recuperação da informação)
Diagnostico
Probabilidades -
Processamento de dados
Raciocinio
topic Gestão do conhecimento
Teoria bayesiana de decisao estatistica
Lógica difusa
Inferencia
Ontologias (Sistema de recuperação da informação)
Diagnostico
Probabilidades -
Processamento de dados
Raciocinio
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2013
publishDate 2013
dc.date.none.fl_str_mv 2013-12-05T22:45:03Z
2013-12-05T22:45:03Z
2013
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 320420
https://repositorio.ufsc.br/handle/123456789/106923
identifier_str_mv 320420
url https://repositorio.ufsc.br/handle/123456789/106923
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 260 p.| il., grafs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652186182221824

Registros relacionados