AMPLIA: UMA PROPOSTA PARA A INFORMÁTICA NA EDUCAÇÃO MÉDICA

AMPLIA: UMA PROPOSTA PARA A INFORMÁTICA NA EDUCAÇÃO MÉDICA Cecília Dias Flores1, Louise Jeanty de Seixas2, Ronaldo David da Costa3, Rosa Maria Vicari4, Helena Maria Arenson–Pandikow5 1

Fundação Faculdade Federal de Ciências Médicas de Porto Alegre Faculdade de Farmácia, Universidade Federal do Rio Grande do Sul 3 Serviço de Anestesia do Hospital de Clínicas de Porto Alegre 4 Instituto de Informática, Universidade Federal do Rio Grande do Sul 5 Faculdade de Medicina, Universidade Federal do Rio Grande do Sul

2

Resumo - AMPLIA é uma ferramenta pedagógica para a educação médica que busca, junto ao aluno, o desenvolvimento do raciocínio diagnóstico, e junto ao professor especialista, o estímulo para que revise sua base de conhecimento sob a ótica de quem aprende. É constituído por um sistema multiagente que utiliza redes bayesianas (RB) para a representação do conhecimento. O especialista modela o conhecimento em seu domínio e elabora casos de estudo para o aluno, que por sua vez também usa as RBs para modelar as suas hipóteses diagnósticas. É fundamental a abordagem de uma nova lógica dentro do raciocínio probabilístico: partir de sintomas, sinais e testes complementares até o diagnóstico, ao invés do caminho oposto, que é o pensamento médico habitual. O AMPLIA utiliza estratégias pedagógicas para que o aluno construa sua hipótese diagnóstica com alta probabilidade de estar correta, com confiança e com autonomia. O artigo descreve uma RB de um especialista e exemplifica o acompanhamento das interações de alunos com o AMPLIA. As considerações atuais deste trabalho asseguram o potencial do uso de RBs no processo de aprendizagem humano e seu acompanhamento por agentes artificiais. Palavras-chave: Educação Médica, Educação a Distância, Ambiente de Aprendizagem, Modelo Educacional Abstract - AMPLIA is a pedagogical tool for medical education which intends to develop the diagnostic reasoning in the students and to stimulate the expertise to review his knowledge in order to be seen by the students. AMPLIA is a multi-agent system which uses bayesian networks (RB), to represent the knowledge. The domain expertise models his knowledge and elaborates study cases for the students and these will also use RBs for the representation of their diagnostic hypotheses. It is necessary to adopt a new logic for this probabilistic reasoning: starting from symptoms, signals and complementary tests to the diagnosis, instead of the opposite way, which is more habitual. AMPLIA uses pedagogical strategies so that the student can build its diagnostic hypothesis with high probability to be correct, with confidence and autonomy. The paper brings a RB of an expert and examples of the interactions of students using AMPLA. The final considerations are about that the use of RBs, which are able to contemplate the complexity of the human process of learning and its accompaniment by artificial agents. Key-words: Medical Education, Distance Learning, Learning Environment, Model Educational Introdução No início dos anos 90, a Comissão Interinstitucional Nacional de Avaliação do Ensino Médico (CINAEM) mobilizou processos avaliativos que culminaram, em 2001, com a aprovação das novas Diretrizes Curriculares Nacionais para o Ensino da Graduação em Medicina[1]. Paralelamente, a ABEM (Associação Brasileira de Educação Médica) promoveu fóruns de discussão sobre a avaliação de habilidades e atitudes, construção do conhecimento, raciocínio e busca de informações pertinentes às metas pretendidas [2]. Os recursos conquistados para a avaliação e monitoramento do ensino médico subsidiaram, nos últimos anos, os processos de mudança na formação superior de profissionais

de saúde, de acordo com as estratégias de políticas de educação para o SUS [3]. Apesar desses avanços verificados, no Brasil e de modo geral também em outros países [4,5,6,7,8,9,10] a experiência educacional continua muito limitada, Os alunos médicos e profissionais da saúde tendem a observar e copiar o raciocínio do especialista [11]. O método da aprendizagem Baseada em Problemas [12], com o exemplo pioneiro da 1 Universidade de Maastricht na Holanda e Mc 2 Master , no Canadá, vem sendo recomendado para sanar essas deficiências estruturais do 1

Universiteit Maastricht - Acesso em: 13jun 2006. 2 McMaster University - Acesso em: 13jun 2006.

ensino médico, inclusive no Brasil [13,14,15]. Adicionalmente, o emprego de novas tecnologias tem contribuído como alternativa para a abordagem de problemas. Por exemplo, aplicações de software ou ambientes virtuais de aprendizagem e simuladores são utilizados com sucesso em situações de pacientes críticos [16,17,18]. Embora nem sempre a simulação traga saltos de qualidade em relação a outros recursos, os alunos parecem demonstrar preferência por esta tecnologia [19]. Outros recursos da informática médica, como Sistemas de Apoio à Decisão (SAD) e Sistemas Especialistas (SE), eventualmente são oferecidos aos alunos para consultas e pesquisas. Contudo, não foram modelados com um objetivo pedagógico. O objetivo fundamental destes sistemas é disponibilizar a informação onde e quando ela for necessária [20]. O presente trabalho propõe uma ferramenta pedagógica inovadora, denominada AMPLIA (Ambiente Multiagente ProbabiLístico Inteligente de Aprendizagem), para a educação médica que busca, junto ao aluno, o desenvolvimento do raciocínio diagnóstico; no professor, estimula que seja revisada sua base de conhecimento sob a ótica de quem aprende. A proposta respalda-se no pressuposto de que um especialista ao lidar com um caso clínico procura as evidências que confirmem ou afastem sua hipótese diagnóstica. Este tipo de raciocínio é denominado descendente ou top-down: as evidências justificam o diagnóstico. O médico em formação, entretanto, faz o raciocínio inverso: procura um diagnóstico que justifique as evidências já que não possui, ainda, uma hipótese diagnóstica. Seu raciocínio é do tipo ascendente ou bottom-up, ou seja, parte das evidências para o diagnóstico. A ferramenta AMPLIA (re)formata o processo ensinoaprendizagem. Metodologia AMPLIA foi desenvolvido, inicialmente, com o objetivo de ser um recurso adicional qualificado para a educação médica, no apoio ao desenvolvimento do raciocínio diagnóstico e na modelagem das hipóteses diagnósticas. Utiliza redes bayesianas [21] (RB), formalismo amplamente utilizado para modelar domínios incertos [22], como é o caso na medicina. A incerteza é representada por probabilidades e a inferência básica é o raciocínio probabilístico, isto é, a probabilidade de uma ou mais variáveis assumir valores específicos, dado as evidências disponíveis. Pearl (1996) apontou para evidências empíricas de que o raciocínio probabilístico é similar aos padrões do raciocínio humano e, a hipótese de que um médico implicitamente executa um raciocínio probabilístico quando

realiza um diagnóstico, é apoiada por revisões de estudos de casos no domínio médico [23]. A proposta do AMPLIA, é oferecer um ambiente aberto para que um aluno construa um modelo gráfico da representação de sua hipótese diagnóstica para um dado caso clínico, utilizando RB. A rede do aluno é comparada à rede de um especialista do domínio, que se encontra armazenada no ambiente, e as diferenças entre elas são tratadas por um agente inteligente que utiliza estratégias pedagógicas baseadas na teoria construtivista. AMPLIA é um sistema multiagente formado por três tipos de agentes cognitivos (Agente Aprendiz, Agente Mediador e Agente de Domínio), que se comunicam por meio de um servidor (ComServer), como mostra a Figura 1. Consta ainda de duas bases de dados (BD Domínio) e (BD Estratégias pedagógicas) e uma interface com um editor de RB denominado SEAMED.

Figura 1 - Ambiente Multiagente Probabilístico Inteligente de Aprendizagem (AMPLIA) O Agente Aprendiz representa as crenças do aluno sobre o domínio (a RB do aluno) e o grau de confiança que o aluno tem em sua rede. Este agente também realiza uma inferência sobre a autonomia do aluno, com base na observação das ações deste aluno, definindo um parâmetro denominado credibilidade. O Agente de Domínio compara a rede construída pelo aluno com a rede do especialista, identificando os prováveis pontos de conflito e que permitem a classificação da rede, conforme Quadro 1. O resultado desta análise é encaminhado para o Agente Mediador, que é responsável pela seleção das estratégias pedagógicas. Estas estratégias são selecionadas de acordo com o grau de confiança, a credibilidade e a classificação da rede do aluno. Num contexto pedagógico, o Agente Aprendiz representa o aluno através da construção de um modelo deste aluno, enquanto que o papel do professor está distribuído entre os outros dois agentes: o Agente de Domínio como o especialista do domínio e o Agente Mediador como responsável pelo processo de negociação

pedagógica. Este processo tem por objetivo resolver conflitos de avaliações do professor em relação ao aluno, e vice-versa, (ou entre os Agentes de Domínio e Aprendiz) através de mecanismos de argumentação, com o propósito de reforçar a relação de confiança individual e mútua dos envolvidos, em relação ao domínio que está sendo estudado. A negociação é feita por meio das estratégias pedagógicas, que são baseadas no construtivismo, a teoria pedagógica que permeia o processo. Quadro 1 - Classificação da rede Rede Inviável Incorreta Potencial Satisfatória Completa

Parâmetros Rede apresenta ciclos ou nós não orientados Sem diagnóstico, diagnóstico justifica as causas, presença de nó excludente Ausência de alguns nós importantes e presença de nós desnecessários Diferente do modelo especialista, mas satisfaz o estudo de caso proposto Rede topologicamente idêntica ao modelo construído pelo especialista

A interação do especialista no AMPLIA O papel do especialista no AMPLIA é modelar o seu conhecimento em um determinado domínio por meio de RB, possibilitando a elaboração de casos de estudo para que o aluno possa modelar e estudar casos clínico-cirúrgicos, aprendendo e exercitando. Nesse aprendizado, será fundamental adaptar a abordagem clínica usual a uma nova lógica dentro do raciocínio probabilístico: partir de sintomas, sinais e testes

complementares até o diagnóstico, ao invés do caminho oposto, que é o pensamento médico habitual. As RBs dos especialistas compõem a base de dados do AMPLIA, e a suas validações quantitativas são feitas por comparação com bases de casos reais. Neste artigo apresentamos uma RB baseada no índice de risco cardíaco revisado (IRCR) proposto por Lee e colaboradores [24], que estratifica o risco cirúrgico-anestésico do paciente que se submeterá a cirurgia não cardíaca. Esse índice é, atualmente, o mais amplamente utilizado na abordagem préoperatória do risco cardíaco, devido a sua simplicidade, praticidade e impacto sobre desfechos. O IRCR aloca os pacientes em quatro classes de risco, compostas a partir de seis variáveis (fatores de risco) clínicas de absoluta relevância epidemiológica: Doença arterial coronariana, Diabete Mellitus em uso de insulina, Doença Cérebro-vascular, Insuficiência Renal com creatinina sérica maior que 2,0 mg/dl, Insuficiência Cardíaca Congestiva e Procedimento cirúrgico de grande porte. Quadro 2 - Índice de risco cardíaco revisado Classe de risco Classe I Classe II Classe III Classe IV

Quantidade de fatores de risco zero fatores de risco um fator de risco dois fatores de risco três ou mais fatores de risco

A RB construída apresentada na Figura 2.

Figura 2 - Rede modelada pelo especialista do domínio

pelo

especialista

é

Os nodos “Classe I”, “Classe II”, “Classe III” e “Classe IV” representam os diagnósticos definitivos. O aluno tem por desafio descobrir o diagnóstico final do caso (Classe de risco cardíaco revisado), como também explorar as inter-relações entre os sintomas, sinais e testes complementares das doenças pertinentes apresentadas pelo paciente. Os nodos são categorizados como diagnósticos e/ou evidências, sendo também classificados conforme o quadro abaixo (Quadro 3). Quadro 3 - Classificação dos Nodos Diagnóstico Trigger Essencial Complementar Excludente Desnecessário

Deve estar sempre presente Quando presente, seleciona o diagnóstico como solução potencial Deve estar presente para assegurar a identificação do diagnóstico Sua presença aumenta a probabilidade do diagnóstico Sua presença diminui a probabilidade de confirmação do diagnóstico Não é necessário para a confirmação do diagnóstico

Como exemplos de nodo “trigger” (desencadeador), podem ser observados os nodos “DM com insulina”, “Doença cerebrovascular”, “DAC”, “IC”, Insuficiência renal/creat >2”e “Cirurgia de grande porte”: uma evidência positiva para um ou mais desses nodos é suficiente para indicar uma distribuição de probabilidade a posteriori “positiva” de “Classes de risco cardíaco”. A interação do aluno no AMPLIA Após identificação do aluno, o Agente Aprendiz seleciona um estudo de caso disponível na base de dados do Agente de Domínio. O Quadro 4 apresenta um exemplo de um caso de estudo. Após a leitura do texto, o aluno inicia a construção da sua rede por meio do editor gráfico. O Agente de Domínio apresenta uma lista com todos os nodos relacionados (ou não) com o caso e o aluno seleciona aqueles que são apropriados ao caso, relacionando-os entre si. Deste modo o aluno constrói a parte qualitativa (i.e., a topologia da rede, ou seja, as relações causais entre as variáveis do domínio) de sua rede, identificando todas as variáveis que constituem os achados e as que são diagnósticos apresentados no caso, mas o aluno deverá também estimar a distribuição de probabilidade condicional do conjunto de variáveis selecionadas (i.e., a parte quantitativa). Durante a construção de sua RB, o aluno pode submetê-la ao Agente de Domínio, informando a sua confiança na rede e, paralelamente, o Agente Aprendiz informa ao Agente Mediador a sua credibilidade nas ações autônomas do aluno. Estas ações caracterizam um ciclo de interação do aluno com o AMPLIA,

que resulta em uma estratégia pedagógica que é encaminhada ao aluno pelo Agente Mediador. O objetivo destas estratégias é que o aluno construa um modelo de sua hipótese diagnóstica com alta probabilidade de estar correta, com confiança e com autonomia. Identificação: FRC, 65 anos, masculino, branco, casado, bancário aposentado, procedente de Cachoeirinha. O paciente vem encaminhado ao Ambulatório de Avaliação Préanestésica (APA), com vistas a liberação para Herniorrafia inguinal bilateral. História clínica: Tem diagnóstico de hérnia inguinal bilateral, apresentando dor local aos esforços e aumento do volume da bolsa escrotal. História de Diabete Mellitus, HAS, Angina de peito classe II, AVE isquêmico no passado e Insuficiência renal crônica. Queixa-se de dor no peito típica aos grandes esforços, tonturas, episódios de palpitações e síncope. Nega alergias e fumou até 8anos atrás. Relata hábitos de vida sedentária. Exame clínico: PA = 125/80 mmHg FC = 70 bpm FR = 18 mpm REG/ corado/ hidratado/ eupnêico/ acianótico Ap. respiratório: raros sibilos expiratórios Ap. cardiovascular: edema de membros inferiores 2+/4+ Presença de ritmo irregular e sopro sistólico no foco mitral na ausculta cardíaca sopro carotídeo à direita. Exames subsidiários (testes complementares): Eletrocardiograma em repouso: fibrilação atrial; sobrecarga de ventrículo esquerdo; bloqueio de ramo esquerdo RX de Tórax: cardiomegalia Ecocardiograma: déficit de relaxamento do ventrículo esquerdo; fração de ejeção do ventrículo esquerdo de 70%; insuficiência mitral leve Glicemia de jejum: 170mg/dl Creatinina sérica: 2,3mg/dl Hemograma: normal Potássio sérico: 4,5mg/dl Medicamentos em uso: Captopril 25mg 8/8h ; Furosemida 40mg/dia ; AAS 200mg/dia ; Insulina NPH 30UI AC e 10UI AJ ; Atenolol 50mg 12/12h ; Amiodarona 200mg uma vez ao dia

Quadro 4 - Exemplo de um caso de estudo Resultados A Figura 3 mostra um gráfico com o desempenho de um aluno no AMPLIA, com dez ciclos de interação. Este gráfico é gerado em tempo real pelo Agente Mediador, possibilitando visualizar a construção da rede do aluno. Em cada ciclo da interação (indicados de 1 a 10 no eixo X), a coluna da esquerda indica a confiança declarada e a coluna da direita indica a credibilidade inferida. A linha horizontal representa a classificação da rede, do nível mais baixo (inviável) ao mais elevado (completa). No primeiro ciclo (1), o aluno começa a construir seu modelo RB com baixa confiança e credibilidade e com erros. O Agente Mediador sugere que o aluno teste seu modelo RB. No segundo ciclo (2), o aluno corrige seu modelo RB sem maiores dificuldades (rede potencial e alta credibilidade) e nível de confiança Médio. O Agente Mediador confirma que há falta de nodos na rede e fornece material para uma discussão adicional. O aluno tenta melhorar sua RB, mas não tem muita segurança, como pode ser visto em suas tentativas no terceiro ciclo (3). A tática

neste momento é dar um exemplo, de maneira que o aluno possa verificar o que falta em sua rede. O quarto ciclo (4) mostra a alta confiança e uma rede satisfatória. A nova tática é perguntar ao aluno quais mudanças devem ser feitas em sua rede e/ou na tabela de probabilidades (quinto (5) e sexto (6) ciclos). Observando o sétimo ciclo (7), verifica-se que a qualidade da rede diminuiu e a credibilidade é baixa. Pode-se inferir que durante as várias tentativas do aluno, este removeu nodos importantes. O Agente Mediador muda sua tática e indica uma lista dos nodos, de modo que o aluno possa verificar o que falta. Esta tática é eficaz: a rede torna-se novamente satisfatória e o aluno tem sua confiança aumentada (oitavo ciclo - 8). O processo tem mais dois ciclos (9 e 10) onde se pode observar, que as ações do aluno são mais autônomas (alta credibilidade). Entretanto, no final do décimo ciclo de interação, o aluno abandona o processo porque a sua RB satisfaz (Satisf) o caso de estudo, mesmo que seu desempenho tenha sido inferior a do modelo do especialista.

Figura 3 - Gráfico com os ciclos de interação do processo de construção de uma RB pelo aluno Os resultados obtidos nestes testes preliminares mostraram uma convergência com as observações realizadas por professor que acompanhasse os alunos durante o processo de construção de sua rede. Isto significa que o professor provavelmente iria usar estratégias similares àquelas selecionadas pelo sistema, para mediar o processo. Discussão e Conclusões Durante o desenvolvimento do AMPLIA, foi estudada a viabilidade do uso de RBs como um recurso pedagógico para o desenvolvimento dos seguintes atributos: modelar e avaliar o conhecimento do aluno; seguir as ações do aluno durante o processo de aprendizagem; ao aluno fazer inferências probabilísticas e selecionar ações pedagógicas com o máximo de utilidade para cada aluno, em cada momento de seu processo de construção do conhecimento. Todas estas aplicações são probabilísticas, permitindo envolver toda a complexidade e dinâmica de um

processo de aprendizagem humano do agente e seu acompanhamento por agentes artificiais. O conjunto de idéias descritas neste artigo mostra nossa perspectiva de como analisar, interpretar e modelar os fenômenos complexos que ocorrem no processo de ensinoaprendizagem e como construir um modelo do aluno no processo de negociação pedagógica. A implantação do ambiente AMPLIA no Hospital de Clínicas de Porto Alegre foi realizada de maneira evolutiva, de forma a estar disponível (embora ainda não com todas as suas capacidades) desde o início do projeto. Os resultados até agora obtidos foram coletados a partir de um curso de extensão promovido já nas dependências do hospital. Este curso contou com dois módulos: o primeiro abordou os recursos pedagógicos, os conceitos teóricos sobre domínios incertos, redes probabilísticas e representação do conhecimento. No segundo módulo, os professores construíram as redes dos especialistas em suas áreas de domínio, e que foram incorporadas na base de conhecimento do Agente de Domínio. Finalmente, grupos de alunos utilizaram o AMPLIA para as primeiras avaliações e validações. Os dezesseis profissionais da saúde inscritos no curso são oriundos de diferentes especialidades médicas, tais como, cirurgia, anestesia, psiquiatria, endocrinologia, cardiologia, medicina interna, odontologia e enfermagem. O propósito do curso foi promover a divulgação do ambiente AMPLIA junto à comunidade de ensino médico, visto que a concepção do ambiente esteve sempre voltada a esses profissionais. Nossa intenção, além da validação do ambiente de ensino-aprendizagem foi a de sensibilizar os médicos docentes a utilizarem o ambiente como ferramenta adicional na formação de jovens médicos. Esta metodologia de interação e colaboração tem um papel importante no processo de desenvolvimento do projeto permitindo a avaliação constante das características do ambiente em diversos aspectos (educação formal, cultura, competências, preferências, etc.), mas que é basicamente homogênea em relação aos objetivos telemáticos: (a) aprendizagem – neste caso a interação alunoprofessor é mediada pela máquina e, (b) educação continuada – a informação atualizada é acessada através da máquina. Agradecimentos Os autores agradecem a CAPES e CNPq pelo apoio parcial a este projeto. Ao Prof. Sérgio Felipe Zirbes, coordenador do Grupo de Sistemas do Hospital de Clínicas de Porto Alegre pelo empréstimo do laboratório para a elaboração e testes dos casos clínicos nas redes.

Referências Ministério da Educação (2001), “Diretrizes curriculares nacionais para o ensino da graduação em medicina”. Brasília. Souza, M.P., Rangel, M. (2003) “Avaliação: um impasse na educação médica”. Rev. Bras. Educ. Med., n. 27, p.213-222. Ministério da Saúde (2004), “Portaria GM/MS n. 198/2004”. In: Brasil. Política de Educação e Desenvolvimento para o SUS. Caminhos para a Educação Permanente em Saúde. Projetos, programas e relatórios. Brasília, DF, série C, p.43. Yudkowsky, R., Loy, G., York, J. (2005), “Ensuring medical student competence in basic procedural skills”. In: Med. Educ. v. 39, p. 515. Prince K. et al. (2005), “Students’ opinions about their preparation for clinical practice”. Med. Educ., v. 39, p.704. Beullens J., Struyf E., VanDamme B. (2005) “Do extended matching multiple-choice questions measure clinical reasoning?” Med. Educ., v.39, p. 401. Barnsley L et al. (2004), “Clinical skills in junior medical officers: a comparison of self-reported confidence and observed competence”. Med. Educ, v.38, p.358. Talbot M. (2004) “Monkey see, monkey do: a critique of the competency model in graduate medical education”. Med. Educ., v.38, p.587592. Albanese M. (2004), “Developing effective, efficient and practical methods of assessing the professional skills of physicians in practice”. Med. Educ., v.38, p.4. Rees C., Richards L. (2004), “Outcomes-based education versus coping with complexity: should we be educating for capability?” Med. Educ., v.38, p.1203. Morgan P.J. et al. (2002), “Simulation technology: a comparison of experiential and visual learning for undergraduate medical students”. Anesthesiology, v. 96, p.10-6. Mamede S., Penaforte J. (2001). “Aprendizagem baseada em problemas: anatomia de uma nova abordagem educacional”. In: HUCITEC, Fortaleza. Berbel N.N. (1998) “Problematization and Problem-Based Learning: different words or different ways?”. In: Interface: Comunicação, Saúde, Educação, v.2. Soares V.A. (1998), “Aprendizado baseado em problemas aplicado ao curso de Medicina”. Medicina On line: Rev. Virt. Med. v.1. Disponível em: . Acesso em: 13 jun 2006. Tomaz J.B.C. et al. (2004), “Educação à distância como estratégia de capacitação permanente em saúde: um relato de experiência”.

Disponível em: . Acesso em: 13 jun 2006. Diagnostic reasoning cases software system. Disponível em: . Acesso em: 27 set 2005 Computer-based case simulations. Disponível em: . Acesso em: 27 set 2005. ACLS simulation package. Disponível em: . Acesso em: 7 set 2005. Cleave-Hogg, D., Morgan, P. (2000), “Evaluation on medical students’ performance in anaesthesia using a CAE Med-Link simulator system”. In: Proceedings International Computer Assisted Assessment Conference; 2000; Loughborough, UK. On-line Proceedings, 2000. Disponível em: . Acesso em: 13 jun 2006 Sigulem D. et al. (1998), “Sistemas de apoio à decisão em medicina”. In: Atualização terapêutica: manual prático de diagnóstico e tratamento. Versão eletrônica em CD, 1998. Disponível em: . Acesso em: 13 jun 2006. Russel S., Norvig P. (1995) Artificial intelligence: a modern approach. New Jersey: Prentice-Hall. Jensen F.V., Olsen K.G., Andersen S.K. (1990) “An algebra of Bayesian belief universes for knowledge-based systems”, Networks, v.20, p.637-659. Pearl J. (1993) “Belief networks revisited”. Artif. Intel., v.59, p.49-56. Lee T.H. et al (1999), “Derivation and prospective validation of a simple index for prediction of cardiac risk of major noncardiac surgery”. Circulation. v.1000, p.1043-1049. Contato 1

PhD pelo Programa de Pós-Graduação em Computação/UFRGS, Professora da FFFCMPA, Porto Alegre, Brasil. [email protected] 2 PhD pelo Programa de Pós-Graduação em Informática na Educação/UFRGS, Professora Adjunta da Faculdade de Farmácia da UFRGS. Porto Alegre, Brasil. [email protected] 3 Especialista em Pneumologia e Intensivismo, Médico-Anestesiologista do Serviço de Anestesia do Hospital de Clínicas de Porto Alegre. Porto Alegre, Brasil. [email protected] 4 PhD pela Universidade de Coimbra, Professora do Instituto de Informática/UFRGS. Porto Alegre, Brasil. [email protected] 5 PhD pela Universidade de Londres, Professora Adjunto do Departamento de Cirurgia da Faculdade de Medicina/ UFRGS. Porto Alegre, Brasil. [email protected]