Aplicação de Técnicas de Computacionais em Bases de Dados de Transplante: Revisão de Trabalhos Publicados em 2008

Aplicação de Técnicas de Computacionais em Bases de Dados de Transplante: Revisão de Trabalhos Publicados em 2008 Anderson Diniz Hummel1, Rafael Fabio Maciel2, Alex Esteves Jaccoud Falcão1, Felipe Mancini1, Thiago Martini da Costa1, Renato Glauco de Souza Rodrigues3, Domingos Alves4, Ivan Torres Pisa5 1

Programa de Pós-graduação em Informática em Saúde, Universidade Federal de São Paulo (UNIFESP) 2 Programa de Pós-graduação em Saúde Coletiva, UNIFESP 3 Laboratório de Instrumentação e Acústica, Universidade Estadual de Ciências da Saúde de Alagoas (UNCISAL) 4 Departamento de Medicina Social, Faculdade de Medicina de Ribeirão Preto (FMRP), Universidade de São Paulo (USP) 5 Departamento de Informática em Saúde, UNIFESP

Resumo. O transplante de órgãos é um procedimento custoso e cada vez mais se tem aplicado técnicas estatística e computacional para aumentar a eficiência do procedimento. O objetivo deste artigo é apresentar resultados de uma revisão dos artigos publicados recentemente que relatam a utilização de técnicas computacionais em base de dados de transplantes. Foi realizada uma pesquisa em resumos de artigos publicados no ano de 2008 utilizando os buscadores Google Scholar, PubMed e Portal Periódicos CAPES. Foram selecionados quatro artigos para leitura completa e estes mostravam que redes neurais artificiais e regressão logística obtinham bons resultados quando aplicados em bases de dados de transplante de órgãos para descoberta de conhecimento. Concluiu-se que poucos estudos foram realizados com base de dados brasileiras e que existe dificuldade em validar o conhecimento descoberto e, consequentemente, desenvolver sistemas de apoio à decisão a partir deste conhecimento. Palavras-chave. Informática em Saúde, Mineração de Dados, Inteligência Artificial, Transplante de Órgãos; Revisão. Abstract. Organ transplant is an expensive procedure and several studies have been prepared using computational techniques to increase procedure efficiency. The objective of this article is to present review results about articles recently published that applied computational techniques in transplants database. A research was applied in article abstracts in Google Scholar, PubMed, and Portal Periódicos CAPES. Four articles were selected for full text reading. These articles show that artificial neural networks and logistic regression obtain good results when applied in organ transplant databases for acknowledge discover. We found few studies using Brazilian transplant databases and the authors declare difficulty to validate the knowledge discovered and, then, to develop decision support systems using computational techniques from this knowledge. Keywords: Health Informatics, Datamining, Artificial Intelligence, Organ Transplantation; Review.

Introdução Há séculos a humanidade se preocupa em substituir órgãos defeituosos por outros sadios. Somente há poucas décadas, os avanços da medicina tornaram esse sonho realidade através dos transplantes de órgãos [1]. É notável o fato de que existem menções sobre esse procedimento que remontam ao século 4 d.C. [2], no entanto, dificilmente resultavam em sucesso [1]. Foi somente após a introdução de drogas imunossupressoras menos tóxicas e mais potentes no inicio da década de 80 que o procedimento de transplante passou a ter maior taxa de sucesso [3,4]. Situação em que começou a ser executado em maior escala, devido à diminuição da

taxa da mortalidade e ao aumento do tempo de sobrevida do paciente [5]. Entre as décadas de 1980 e 1990 houve um aumento no número de transplantes realizados em vários paises [5], paradoxalmente a fila de espera por transplante também cresceu em decorrência do número de receptores ser superior ao número de doadores, e também pela dificuldade no processo de localização de doador compatível ao receptor [6], surgindo o problema da mortalidade associada à espera por um doador [7,8,9]. Além disso, a utilização de imunossupressores em longo prazo é um problema devido a sua nefrotoxicidade que pode ocasionar na perda do funcionamento dos rins [10]. Outro fator relevante é o alto custo de um transplante de órgãos. Como exemplo, há o transplante hepático que, segundo Castelo [11], 1

em 2004 teve um custo médio estimado em R$ 52.172,60 no Brasil. Vale ressaltar que nesse valor estão inclusos: a diária hospitalar, os exames complementares, os medicamentos, a hemoterapia e a taxa do uso cirúrgico. Constitui-se, assim, um cenário complexo no qual o transplante de órgãos está associado ao aumento da qualidade de vida e da sobrevida do paciente, como também a baixa oferta de órgãos, taxa de rejeição, taxa de mortalidade na fila de espera, nefrotoxicidade dos imunossupressores, alto custo do procedimento, e dificuldades na captação do órgão. Logo, melhorias nos procedimentos de transplante de órgãos que visem à diminuição do insucesso e melhorias na qualidade de vida do paciente têm tido cada vez mais ênfase. Algumas das formas de se obter esse tipo de melhoria, a partir da base de dados de transplantes de órgãos, é por meio da análise estatística [12,13], aplicação de modelos matemáticos [6,14] e aplicação de técnicas de inteligência artificial [15,16]. Essas metodologias podem ter como objetivo, desde melhorar o entendimento dos processos envolvidos [6], até a detecção de qual perfil de paciente receptor terá maior chance de sobrevida [15]. Essas técnicas contribuem de forma direta ou indireta na descoberta de conhecimento ainda não mapeado [17]. Sendo assim, o objetivo deste trabalho é fazer uma revisão de trabalhos publicados recentemente que relacionem aplicações das técnicas de análise de dados computacionais em bases de dados de transplante de órgãos. Métodos Para este trabalho foi adotada como metodologia uma pesquisa bibliográfica a partir das seguintes fontes de pesquisa virtuais: PubMed (http://www. ncbi.nlm.nih.gov/pubmed), Google Scholar (http://scholar.google.com.br) e Portal Periódicos CAPES (http://www.periodicos.capes.gov.br). Foram utilizadas na busca por artigos científicos palavras-chave que relacionam técnicas computacionais a transplantes de órgãos em inglês nos campos de título e resumo. As palavras utilizadas foram organ transplantation, organ donation, artificial intelligence, artificial neural network. Como critérios de inclusão foram considerados: artigos publicados no ano de 2008; informar no resumo explicitamente se a base de dados analisada é de transplante de fígado ou de rim; utilizar técnicas computacionais, estatísticas ou matemáticas para análise dos dados; ter a versão completa do artigo disponível para consulta. O critério de exclusão considerado foi se o artigo não apresentava as técnicas computacionais, estatísticas ou matemáticas utilizadas especificamente para a análise dos dados sobre transplante.

Resultados Tendo em vista a metodologia de seleção de artigos, 40 artigos foram selecionados na primeira lista, a partir das palavras-chave escolhidas. A partir da análise do resumo, dentro do critério de inclusão, foram selecionados 4 artigos [12,14,15,18] para leitura de sua versão completa. No estudo realizado por Patel [12] foram analisados utilizando regressão logística 3.074 transplantes de fígado de 28 centros norte americanos no período de 2004 a 2005. O estudo de Costa [14] utilizou uma estratégia heurística para calculo de distancia na analise de correspondência múltipla (MCA) em uma base de dados de 556 transplantes de rins do Hospital Universitário Pedro Ernesto mo período de Janeiro de 1986 a Dezembro de 1994. Já Wang [15] comparou técnicas de Redes Neurais Artificiais (RNAs) e Regressão Logística para prever a resposta ao tratamento de hepatite C crônica em 107 pacientes, vale ressaltar que um dos tratamentos recomendados é o transplante de rim. Goshal [18] faz uma revisão critica de trabalhos que utilizam técnicas de RNA em base de dados de pacientes com cirrose hepática que serão submetidos a transplantes comparando os resultados da aplicação de técnicas de RNA com as técnicas adotadas atualmente para prever a mortalidade de pacientes que receberam transplante de fígado. Em suma, as técnicas utilizadas nesses quatro artigos foram: regressão logística, RNA e MCA. A regressão logística é um modelo para predizer a probabilidade da ocorrência de um evento utilizando função logística a partir da analise estatística de um conjunto de dados [19]. Como exemplo, a regressão logística foi aplicada no estudo de Patel [12] para determinar a probabilidade de um transplante de fígado ser mal sucedido tendo em vista se a pessoa fuma. RNAs são sistemas de equações que imitam a topologia dos neurônios no cérebro, sendo necessário o treinamento da RNA a partir de um conjunto de dados para que ela possa predizer um determinado comportamento [20]. Como exemplo, o estudo de Wang [15] em que uma topologia de RNA é utilizada para prever a resposta ao tratamento de hepatite C crônica. Na técnica de MCA é feita uma análise de correspondência entre mais de duas variáveis, esta técnica é utilizada para definir a distância entre duas categorias, a partir da analise de um conjunto de dados [21]. Costa [14] utiliza essa técnica para análise de dados de transplante de rins.

2

Discussão

Conclusão

Segundo Chwif [22], o primeiro ponto a ser observado para se melhorar um processo ou sistema é o seu correto entendimento, obtendo-se quais são os pontos que podem ser melhorados. E a modelagem é uma técnica que tem sido utilizada cada vez mais em processos e sistemas de saúde de saúde [23]. O trabalho de Marinho [6] propicia um entendimento da fila de transplantes utilizando o modelo de teoria de filas e permite extrapolar considerações importantes sobre as variáveis envolvidas nesse processo. Algumas dessas variáveis podem ser alteradas com o intuito de diminuir o tamanho da fila de espera por transplantes. Por exemplo, segundo esse modelo o aumento do numero de doadores, uma de suas variáveis, corresponderá à diminuição significativa da fila de espera. Uma estratégia plausível para aumento do numero de doadores seria diminuir ou flexibilizar os critérios de exclusão de doadores. No entanto, para implementar esta estratégia faz-se necessário conhecer os riscos associados a cada fator de exclusão, recorrendo-se a técnicas de análise estatística. Por exemplo: uso de tabaco, obesidade e idade maior que 50 anos aumentam os riscos de morbidade, mas possuem odds ratio baixas [12]. Segundo Patel [12], a análise estatística com pequenas bases de dados biomédicos pode ser enviesada por eventos de baixa freqüência. E uma das formas de se analisar grandes quantidades de dados é através de técnicas estatísticas complexas, como regressão logística. Outra abordagem é a utilização de ferramentas que identifiquem a gravidade da doença ou o melhor tratamento ajudando o médico a tomar a melhor decisão para cada caso [24,25]. As técnicas de inteligência artificial, particularmente as de RNAs, têm sido largamente aplicadas nesse tipo de problema [15,18]. Como exemplo, o estudo de Wang [15] mostra que é possível formular uma abordagem baseada em RNA que apresente maior acurácia que o uso da regressão logística no caso da previsão da resposta do tratamento da hepatite C crônica. Estes resultados corroboram constatações anteriores [16] que detectavam uma acurácia superior das RNAs em comparação às metodologias já existentes. Já Ghoshal [18] aponta que são necessários mais estudos para que um sistema de apoio a decisão baseado em RNA seja aplicado à realidade – neste caso, para auxiliar a escolha de qual será o paciente que receberá um órgão –, mesmo que a aplicação de RNA resulte em melhor acurácia que o protocolo usado, por exemplo, MELD [26] e Child–Pugh [27] baseados em regressão logística.

As técnicas computacionais têm ganhado cada vez mais espaço para análise de dados de transplante [18]. Em contra partida, poucos estudos foram realizados utilizando bases de dados brasileiras, a despeito de que o Brasil é um dos paises com maior número de transplantes no mundo [1]. Esta revisão contribuirá para a escolha estratégica de técnicas a serem experimentadas para a construção de um sistema de apoio a decisão para transplante de órgãos usando bases de dados brasileiras, a ser conduzida pelos autores. Referências [1] Lazzaretti CT. Dádiva da contemporaneidade: doação de órgãos em transplante intervivos. Epistemo-somática. 2007 Jul; 4(1):50-61. [2] Küss R, Bourget P. An Illustrated History Of Organ Transplantation: The Great Adventure Of The Century. France: Laboratoires Sandoz, 1992. [3] Starzl and others (1981). Liver transplantation with use of cyclosporin a and prednisone. N Engl J Med. 1981 Jul 30;305(5):266-269. [4] Perez RV, Matas AJ, Gillingham KJ, Payne WD, Canafax DM, Dunn DL, Gores PF, Sutherland DE, Najarian JS. Lessons learned and future hopes: three thousand renal transplants at the University of Minnesota. Clin Transpl. 1990:217231. [5] Arent S, Mallat M, Westendorp R, van der Woude F, van Es L. Patient survival after renal transplantation; more than 25 years follow-up. Nephrology Dialysis Transplantation, 1997; 12(8):1672-1679. [6] Marinho A. A study on organ transplantation waiting lines in Brazil's Unified National Health System. Cadernos de Saúde Pública. 2006 Oct; 22(10): 2229-2239. [7] Kim WR, Therneau TM, Benson JT, Kremers WK, Rosen CB, Gores GJ, Dickson ER. Deaths on the Liver Transplant Waiting List: An Analysis of Competing Risks. Hepatology. 2006; 43(2): 345-351. [8] Freeman Jr RB, Edwards EB. Liver Transplant Waiting Time Does Not Correlate With Waiting List Mortality: Implications for Liver Allocation Policy Liver Transplantation. 2000 Sep; 6(5) 543552. [9] Fryer J, Pellar S, Ormond D, Koffron A, Abecassis M. Mortality in Candidates Waiting for Combined Liver– Intestine Transplants Exceeds 3

That for Other Candidates Waiting for Liver Transplants Liver Transplantation. 2003 Jul; 9(7):748-753. [10] Morales JM. Immunosuppressive treatment and progression of histologic lesions in kidney allografts. Kidney International. Kidney Int Suppl. 2005 Dec;(99):S124-30. [11] Castelo A, Pessôa MG, Barreto TCBB, Alves MRD, Araújo DV. Estimativas de custo da hepatite crônica B no sistema único de saúde Brasileiro em 2005. Rev. Assoc. Med. Bras. 2007;53(6): 486-491. [12] Patel S, Cassuto J, Orloff M, Tsoulfas G, Zand M, Kashyap R, Jain A, Bozorgzadeh A, Abt P. Minimizing morbidity of organ donation: analysis of factors for perioperative complications after living-donor nephrectomy in the United States. Transplantation. 2008 Feb; 85(4):561-565. [13] Murugan R, Venkataraman R, Wahed AS, Elder M, Hergenroeder G, Carter M, Madden NJ, Powner D, Kellum JA; HIDonOR Study Investigators. Increased plasma interleukin-6 in donors is associated with lower recipient hospital-free survival after cadaveric organ transplantation. Critical Care Medicine. 2008 Jun; 36(6):1810-1816. [14] Costa JCGD, Almeida RMVR, Infantosi AFC, Suassuna JHR. A heuristic index for selecting similar categories in multiple correspondence analysis applied to living donor kidney transplantation. Computer Methods and Programs in biomedicine. 2008 June; 90(3):217-229. [15] Wang CH, Mo LR, Lin RC, Kuo JJ, Chang KK, Wu JJ. Artificial Neural Network Model Is Superior to Logistic Regression Model in Predicting Treatment Outcomes of Interferon-Based Combination Therapy in Patients with Chronic Hepatitis C. Intervirology. 2008; 51:14-20. [16] Banerjee R, Das A, Ghoshal UC, Sinha M. Predicting mortality in patients with cirrhosis of liver with application of neural network technology. J Gastroenterol Hepatol. 2003; 18:1054–60. [17] Mcgarry K, A survey of interestingness measures for knowledge discovery. The Knowledge Engineering Review, 2001 Mar; 20(1):39–61. [18] Ghoshal UC, Das A. Models for prediction of mortality from cirrhosis with special reference to

artificial neural network: a critical review. Hepatology International. 2008; 2: 31-38. [19] Oliveira NF, Santana VS, Lopes AA. Ratio of proportions and the use of the delta method for confidence interval estimation in logistic regression. Rev. Saúde Pública. 1997 Feb; 31(1): 9099. [20] Mohamad HH. Fundamentals of Artificial Neural Networks. Cambridge: MIT Press, 1995. [21] Greenacre MJ, Blassius J. Correspondence analysis in practice. Barcelona: Academic Press, 1993. [22] Chwif L, Medina AC. Modelagem e simulação de eventos discretos: teoria e aplicações. São Paulo: Ed. Dos Autores, 2006. [23] Harrel CR, Mott JRA, Bateman RE, Bowden RG, Gogg TJ. Simulação: otimizando sistemas. São Paulo: IMAM, 2002. [24] Hunt D, Haynes R, Hanna S, Smith K. Effects of computer-baseddecision support systems on physician performance and patient outcomes. JAMA. 1998; 280:1339–1346. [25] Blumenthal D. The future of quality measurement and management in a transforming health care system. Journal of the American Medical Association. 1997; 278:1622–1625. [26] Forman L, Lucey M. Predicting the prognosis of chronic liver disease: an evolution from Child to MELD. Hepatology. 2001; 33:473–475 [27] Infante-Rivard C, Esnaola S, Villeneuve JP. Clinical and statistical vlidity of conventional prognostic factors in predicting short-term survival among cirrhotics. Hepatology. 1987; 7:660–664.

Contato Os autores podem ser encontrados no Departamento de Informática em Saúde da UNIFESP, no endereço Rua Botucatu, 862, Vila Clementino, São Paulo, SP. E-mails para contato: [email protected], [email protected], falcã[email protected], [email protected], [email protected], [email protected], [email protected], [email protected].

4