Sistema especialista probabilístico para o manejo nutricional de pacientes diabéticos

July 19, 2017 | Autor: Andreia Malucelli | Categoria: Diabetes mellitus, expert System, Medical Informatic
Share Embed


Descrição do Produto

Sistema especialista probabilístico para o manejo nutricional de pacientes diabéticos Kristy Soraya Coelho1,2, Anderson Dutra Moura2, Julio Cesar Soares de Jesus3, João da Silva Dias2, Andreia Malucelli2, Deise Regina Baptista4, Marcos Augusto Hochuli Shmeil2 1

2

Faculdades Integradas “Espírita”, Curitiba, Paraná, Brasil Programa de Pós-graduação em Tecnologia em Saúde PUCPR, Curitiba, Paraná, Brasil 3 Meta IT, Curitiba, Paraná, Brasil 4 Universidade Federal do Paraná, Curitiba, Paraná, Brasil

Resumo – Este artigo apresenta um sistema especialista probabilístico desenvolvido para auxiliar no manejo nutricional do paciente com diabetes mellitus, utilizando como terapia nutricional a contagem de carboidratos. Sua principal função é contribuir na otimização do atendimento do paciente diabético e no apoio à decisão do profissional nutricionista, que ao receber informações coerentes e rápidas, poderá desenvolver seu trabalho de maneira mais adequada. Palavras-chave: Informática Médica, Sistemas especialistas, Diabetes mellitus, Contagem de Carboidratos. Abstract – This article shows probabilistic expert systems developed to help with diabetes mellitus patients' management nutritional using as nutritional therapy the carbohydrate counting. Your principal function is contribute with increase of diabetic patient attendance, as well in the nutritionist professional support, that when receiving coherent and fast information will be able to develop a adequate work. Key-words: Medical Informatics, Expert Systems, Diabetes mellitus, Carbohydrate Counting. Introdução O diabetes mellitus (DM) é uma síndrome caracterizada por hiperglicemia, resultante da deficiência na secreção e/ou ação da insulina, resultando em distúrbios do metabolismo dos carboidratos, gorduras e proteínas [1], [2] e [3]. As conseqüências a longo prazo da hiperglicemia crônica decorrem de alterações micro e macrovasculares, que levam a disfunção, dano ou falência de vários órgãos [4]. A contagem de carboidratos é uma estratégia nutricional, recomendada como forma de terapia nutricional para pacientes diabéticos, onde são contabilizados os gramas de carboidrato consumidos nas refeições, proporcionando maior flexibilidade do plano alimentar prescrito [5]. Objetiva otimizar o controle glicêmico [6] em função das menores variações 1 das glicemias pós-prandias , devendo ser inserida no contexto de uma alimentação saudável [7]. Com a incorporação dos avanços científicotecnológicos, a informática está cada vez mais presente nas diversas áreas da atividade humana [8]. Isso também tem sido uma realidade na área médica [8], sendo cada vez mais freqüente o uso de sistemas computacionais que visam apoiar o profissional na tomada de decisões [9] e [10].

1

Glicose do sangue após qualquer alimentação.

Uma das aplicações da informática médica são os sistemas especialistas (SE), que são sistemas computacionais que resolvem problemas de forma parecida com o especialista humano, sobre determinados campos do conhecimento [11], [12] e [13]. Os projetos na área de diabetes mellitus, voltados ao apoio à decisão, estão em amplo desenvolvimento, permitindo que os profissionais de saúde tenham acesso a informações com maior velocidade e qualidade. Com base neste contexto, este artigo apresenta o desenvolvimento de um sistema especialista probabilístico cujo objetivo é o apoio ao manejo nutricional do paciente diabético, utilizando como terapia nutricional a contagem de carboidratos, contribuindo na otimização do atendimento deste paciente, bem como no apoio ao profissional nutricionista, quanto à tomada de decisão. Metodologia O sistema proposto realiza o atendimento nutricional de pacientes diabéticos (do Tipo 1 ou Tipo 2), adulto (de 18 a 65 anos), cuja terapia nutricional é a contagem de carboidratos. Este sistema é composto por um protótipo, com requisitos necessários à avaliação nutricional e prescrição dietética. Para o desenvolvimento do protótipo foi utilizado o software BORLAND ® DELPHI Versão 7.0 e o sistema gerenciador de

®

banco de dados FIREBIRD Versão 1.5. O SE desenvolvido está integrado a este protótipo, utilizando técnicas de Inteligência Artificial (IA), representando adequadamente o tratamento da incerteza, no processo de decisão do profissional nutricionista. O desenvolvimento deste trabalho foi divido em várias fases as quais serão descritas a seguir. Levantamento das variáveis Foi necessário realizar um levantamento das variáveis necessárias ao desenvolvimento do SE. Para isso foram coletados dados na literatura e realizado contato com profissionais nutricionistas da área clínica. Sistematizou-se o processo de consulta nutricional, baseado nas informações coletados durante o atendimento nutricional, bem como se caracterizou as variáveis necessárias ao processo de tomada de decisão, para atender os objetivos do sistema. Para este atendimento nutricional, padronizaram-se duas consultas: Primeira consulta – onde são coletados os dados necessários para a avaliação nutricional e prescrição do plano alimentar, sendo eles: sexo, idade, atividade física, índice de massa corporal, quantidade de escolhas de carboidrato, número de refeições ao dia, risco cardiovascular e tratamento medicamento. Baseado nos dados coletados, o sistema proposto auxilia no diagnóstico nutricional, elaborando a prescrição dietética, utilizando a contagem de carboidratos. Segunda consulta – tem como objetivo verificar o diário com as auto-monitorizações de 2 glicemia capilar (AMGC) do paciente para efetuar o ajuste do plano alimentar, caso necessário. Com a sistematização do processo de consulta nutricional, verificou-se a dificuldade do profissional nutricionista avaliar o extenso conjunto de informações geradas pelo diário de glicemia do paciente diabético. Assim, para compor o SE, optou-se por utilizar a média das glicemias com o objetivo de determinar o diagnóstico das AMGC. Indo ao encontro do principal objetivo da terapia nutricional – contagem de carboidratos, que é o controle glicêmico em função das menores variações das glicemias, sugeriu-se neste trabalho, a criação de um coeficiente de variação, obtido a partir da média e do desviopadrão das AMGC. Essa proposta foi apresentada após a análise e discussões dos resultados apresentados pelo SE, que sem a informação sobre a variação das glicemias, poderia conduzir o profissional nutricionista a uma tomada de decisão equivocada, tendo em vista 2

É a determinação da glicose no sangue executadas pelo próprio paciente objetivando um bom controle da doença (diabetes mellitus).

que o valor da média das AMGC poderia ser ótimo, mas apresentar grande variação ou desequilíbrio, quando as AMGC são analisadas de forma isolada. O coeficiente de variação das AMGC, definido como coeficiente de variação nutricional (CVN), foi definido da seguinte forma: (a) variação de 0 a 50% – não há necessidade do profissional nutricionista alterar a prescrição do plano alimentar e (b) variação de 51 a 100% – perguntas pertinentes ao paciente, relacionadas às possíveis causas, bem como os horários em que ocorreram as variações de glicemia (hipoglicemia e/ou hiperglicemia), tendo em vista a necessidade do profissional nutricionista de verificar quais serão os ajustes necessários na prescrição do plano alimentar. Caracterização do atendimento nutricional Após a primeira consulta, devidamente orientado com o plano alimentar, o paciente é instruído a retornar após duas semanas, com o diário de glicemias preenchido. Este diário de glicemias deve contemplar um período de 14 dias, sendo que devem ser realizadas 3 automonitorização de glicose por dia, no mínimo, antes das refeições ou 2 horas após as refeições, sendo que a cada dia deverá ser monitorada uma refeição diferente. Os dados do diário de glicemia são inseridos no protótipo, que calcula a média, o desvio padrão e o coeficiente de variação das glicemias, conforme cada refeição e horário da auto-monitorização de glicemia (pré-refeição café, pós-refeição café, pré-refeição almoço, pósrefeição almoço, pré-refeição jantar, pós-refeição jantar e antes de deitar). Estas médias são enviadas para o SE que tem por objetivo determinar o diagnóstico das auto-monitorizações das glicemias capilares (ideal, acima, abaixo) e assim sugerir os ajustes necessários no plano alimentar, segundo medicamento, atividade física e escolhas de carboidratos. Posteriormente, é emitido um relatório, com os valores da média, do desvio padrão e do coeficiente de variação das auto-monitorizações de glicemia capilar do paciente, que serve de apoio à decisão ao profissional nutricionista, pois apresentará sugestões da consulta nutricional. Representação do conhecimento Na fase de representação do conhecimento foi utilizada a técnica de Redes Bayesianas (RB), método este capaz de manipular incertezas e imprecisão com o uso da probabilidade, (39) descrevendo o relacionamento entre variáveis . Estas redes utilizam inferência probabilística que, embora computacionalmente intratável no pior caso, pode ser realizada de maneira eficiente em muitas situações práticas [14]. A implementação ® foi realizada com a utilização do shell Netica ,

pois este software apresenta ótimo desempenho, além da facilidade de implementação. Uma RB é composta pela parte qualitativa – modelo gráfico da rede, composta pelas variáveis de entrada (evidência), variáveis de saída (hipótese) e os arcos (relação de dependência entre elas) e; quantitativa – representa a base de conhecimento, onde as incertezas são expressas em probabilidade a priori devendo ser estabelecidas pelo especialista, representando seu conhecimento. Nas RBs, o Teorema de Bayes (TB) é responsável por gerar os valores de probabilidades de cada variável de saída, sendo uma importante ferramenta matemática, que objetiva combinar probabilidades a priori gerando uma probabilidade a posteriori (final) para um determinado evento. Assim, um médico, ao conhecer a prevalência de uma doença, após a realização de um teste diagnóstico específico em um paciente, pode determinar o risco do paciente apresentar esta patologia fazendo uso do teorema, desta forma conhecendo a probabilidade a posteriori [15]. Construção das redes bayesianas Baseado nas recomendações do Internacional Diabetes Center (2005), para os níveis de glicemia capilar para paciente diabéticos do Tipo 1 e do Tipo 2 [16], foram criadas condutas para compor o SE. Para isto fez-se uso de faixas, com variação de 50 mg/dL facilitando a análise do profissional, uma vez que para diminuir este valor é necessário 1UI de insulina ultrarápida ou 30 minutos de atividade física e para aumentar este valor em mais 50 mg/dL é necessário uma escolha de carboidrato, ou seja, 15g de CHO. Treinamento das redes bayesianas A aquisição do conhecimento para o treinamento das RBs ocorreu através dos diários de glicemia de estudos de caso de 30 pacientes adultos, com faixa etária de 18 a 65 anos, portador de DM do Tipo 1 ou Tipo 2. Cada diário contemplava 14 dias de auto-monitorização, sendo que cada dia poderia conter até 7 automonitorizações: pré-refeição café, pós-refeição café, pré-refeição almoço, pós-refeição almoço, pré-refeição jantar, pós-refeição jantar e antes de deitar. Nos diários de glicemia, onde a automonitorização não foi realizado pelo paciente, foi atribuído o valor médio da glicemia capilar considerada ideal, segundo diretrizes do International Diabetes Center (2005): pré-refeição 70 a 140 mg/dL (média 105 mg/dL); pós-refeição 70 a 160 mg/dL (média 115 mg/dL) e antes de deitar 100 a 140 mg/dL (média 120 mg/dL). Para cada AMGC foram calculadas a média, o desvio-padrão e o coeficiente de variação e, baseado nesses valores, construiu-se

a base dados, atribuindo-se valores para as variáveis: diagnóstico, conduta e comentários. A base de dados (diários de glicemia) gerada não apresentou uma distribuição homogênea entre as faixas de glicemia definidas para treinar as redes, o que impossibilitou que a definição dos diagnósticos e condutas gerados pelas RBs, fossem semelhantes à do profissional nutricionista. Optou-se por utilizar mais 120 estudos de caso (diários de glicemia) aleatórios, gerados a partir de uma matriz lógica do software Microsoft ® Office Excel , totalizando assim, 150 casos para completar o treinamento das RBs. Desta forma, os problemas quanto ao treinamento foram corrigidos e as RBs apresentaram o desempenho adequado, para só então passar pelo processo de avaliação formal. Avaliação do sistema Para a avaliação do desempenho do sistema comparou-se o encaminhamento dos especialistas (consenso) quanto ao manejo nutricional do paciente diabético utilizando a contagem de carboidratos. O conjunto de casos do padrão-ouro foi formado por 14 diários de glicemia, escolhidos aleatoriamente dentre os 44 diários de glicemias coletados, que não fizeram parte do conjunto de casos utilizados para treinar a RB. Cada caso foi avaliado, separadamente, por cada um dos três especialistas da junta (pesquisadora e mais duas profissionais nutricionistas, com a mesma formação acadêmica, com no mínimo 5 anos de experiência profissional na área de nutrição clínica). Após o trabalho isolado de cada especialista, os mesmos se reuniram e avaliaram todos os casos novamente, sendo que nos casos onde houve discordância na avaliação individual, a decisão foi estabelecida mediante consenso dos três especialistas. Os diagnósticos e as condutas, quanto ao manejo nutricional apresentado pelo sistema foram comparados com o padrão-ouro. As repostas dadas pelo sistema referem-se à prevalência do diagnóstico e condutas gerados serem semelhantes à conduta do profissional especialista. Os valores de probabilidade obtidos para cada variável foram inseridos em uma tabela, junto com os valores de 1 (um) e 0 (zero) do padrão ouro. Esta tabela foi lida pelo software ® (Statiscal software), visando a MedCalc obtenção do ponto de corte e da curva ROC (Receiver Operator Characteristic). Baseado no ponto de corte sugerido pelo software é possível atribuir 1 (um) ou 0 (zero) para cada caso, ao invés de valores de probabilidade. A curva ROC representa, graficamente, a sobreposição entre a distribuição da sensibilidade e da especificidade para valor-limite de decisão

da normalidade, ou seja, o valor de ponto de corte entre o normal e o alterado. O melhor ponto deve ser aquele que revela a maior sensibilidade e a maior especificidade, correspondendo ao ponto mais elevado e desviado para a esquerda na curva [17]. Os valores de especificidade e sensibilidade, que caracterizam a qualidade intrínseca de um teste diagnóstico, assim como o valor da área abaixo da curva (ROC) e o valor do erro padrão, dado um ponto de corte, gerados ® pelo software MedCalc , indicam um valor de critério para o ponto de corte ótimo, maximizando ao mesmo tempo a sensibilidade e a especificidade. O ponto de corte é considerado o ponto ótimo, ou seja, refere-se ao valor mínimo de Falso Positivo (1–especificidade) e de Falso Negativo (1–sensibilidade).

partir dos 150 casos, pois não havia disponibilidade de uma base de dados com todas as variáveis e atributos necessários ao trabalho, definindo-se as probabilidades necessárias à construção das Tabelas de Probabilidade Condicional (TPC). A Figura 2 apresenta a TPC do nó Pre_refeicao_cafe (faixas de glicemia), em relação aos nós Diagnostico_pre_refeicao_cafe, Comentarios_pre_refeicao_cafe e Condutas_pre_refeicao_cafe, a fim de exemplificar a parte quantitativa da AMGC Rede bayesiana Pre_refeicao_cafe.

Resultados Parte qualitativa da rede bayesiana A definição da parte qualitativa da RB foi realizada considerando a relação entre as variáveis: AMGC (Pre_refeiçao, Pos_refeicao e Antes_deitar), diagnóstico da AMGC e as condutas da AMGC, bem como o coeficiente de variação das AMGC e os comentários pertinentes a esta variação. Foram construídas 7 redes bayesianas, sendo elas: pré-refeição café, pós-refeição café, pré-refeição almoço, pós-refeição almoço, prérefeição jantar, pós-refeição jantar e antes de deitar, para sistematizar o processo de controle glicêmico. A Figura 1 caracteriza a parte qualitativa da AMGC Rede bayesiana Pre_refeicao_cafe. Os nós Condutas_pre_refeicao_cafe, Diagnostico_pre_refeicao_cafe e Comentarios_pre_refeicao_cafe representam as variáveis de saída, com seus respectivos atributos e os demais nós representam as evidências ou variáveis de entradas da RB.

Figura 2 – Parte quantitativa da Rede Bayesiana Pre_refeicao_cafe. A interpretação da TPC exemplificada na Figura 2 é a seguinte: a probabilidade do nó Condutas_refeicao_cafe ser Manter_conduta, dada a faixa de glicemia ser De_71_a_140_mgdL, Diagnostico_pre_refeicao_cafe ser Ideal_estavel e Comentarios_pre_refeicao_cafe ser Nao_indicado é de 71,429%. Matematicamente a frase é representada da seguinte forma: P(Condutas_refeicao_cafe= Manter_conduta/Pre_refeicao_cafe=” De_71_a_140_mgdL”/ Diagnostico_pre_refeicao_cafe=” Ideal_estavel”/ Comentarios_pre_refeicao_cafe=” Nao_indicado”) = 71,429%. É importante salientar que o profissional nutricionista poderá utilizar outros indicadores (por exemplo, um exame de Hemoglobina glicada – HbA1c), caso não concorde com os indicadores e/ou coeficientes apresentados pelo sistema. A procura de novas evidências irá auxiliá-lo na conclusão final de sua prescrição, melhorando assim a taxa de acerto do profissional no seu cotidiano e otimizando o atendimento do paciente.

Figura 1 – Parte qualitativa da Rede Bayesiana Pre_refeicao_cafe. Parte quantitativa da rede bayesiana A implementação da parte quantitativa da RB foi realizada através do treinamento com a base de dados (diários de glicemia) gerada a

Avaliação de desempenho Observou-se que, tanto a especificidade, quanto a sensibilidade do sistema proposto apresentaram valores altos (100%), tanto para o diagnóstico, quanto para as condutas da AMGC, o que valida a sua utilização ao apoio à decisão, pois demonstra a capacidade do sistema em representar o padrão-ouro.

O fator capaz de explicar os altos valores para sensibilidade e especificidade se deve aos pontos de corte bem definidos para o diagnóstico e para as condutas das AMGC. O intervalo de confiança foi bem estabelecido e o erro padrão é nulo, valores esses que confirmam a concordância entre o padrão-ouro e as RBs. As Figuras 3 e 4, respectivamente, representam as curvas ROC para as variáveis Diagnostico_refeicao_cafe e Condutas_refeicao_cafe da Rede Bayesiana Pre_refeicao_cafe, onde é possível observar a curva totalmente desviada para a direção superior esquerda, o que indica concordância total entre o padrão-ouro e o sistema. Rede_Bayesiana_Pre_refeicao_cafe_variável_Diagnostico_pre_refeicao_cafe 100

Sensitivity

80

60

40

20

0 0

20

40

60

80

100

100-Specificity

Figura 3 – Curva ROC para a variável Diagnostico_pre_refeicao_cafe. Rede_Bayesiana_Pre_refeicao_cafe_variável_Condutas_pre_refeicao_cafe 100

Sensitivity

80

60

40

20

0 0

20

40

60

80

100

100-Specificity

Figura 4 – Curva ROC para a variável Condutas_pre_refeicao_cafe. Assim, após a análise dos dados apresentados pelas curvas ROC, conclui-se que o sistema proposto apresenta um ótimo desempenho quando ao diagnóstico e as condutas das AMGC para as situações de prérefeição, pós-refeição e antes de deitar, podendo ser utilizado pelo profissional nutricionista na tomada de decisão. Vale ressaltar que não foram definidos pontos de corte para a definição do diagnóstico e das condutas das AMGC para as situações de pré-refeição, pós-refeição e antes de deitar, pois é importante que o profissional nutricionista

conheça o valor probabilístico atribuído pelo sistema, ficando a seu critério a decisão final. É importante salientar que este trabalho fez uso de bases de treinamento e de teste (padrãoouro) reduzidas. Em bases numericamente maiores, o desempenho do sistema poderia apresentar diferenças em relação ao apresentado, pois uma base de dados maior, muito provavelmente apresentaria comportamentos diferentes para uma mesma situação, tendo em vista as diferenças na tomada de decisão entre os profissionais nutricionais. Discussão e Conclusão Embora nenhum sistema computacional possa substituir o conhecimento do profissional da área de saúde, ao examinar um paciente e determinar um possível diagnóstico, o uso de sistemas especialistas pode auxiliar a sistematização do processo de tomada de decisão, contribuindo de forma significativa na prática cotidiana deste profissional. A sistematização do processo de tomada de decisão na consulta nutricional permitiu conhecer as dificuldades, falhas, desafios e incertezas que envolvem a tomada de decisão, bem como possibilitou conhecer as variáveis necessárias ao processo de tomada de decisão e processos envolvidos na prática do profissional nutricionista. Destaca-se que o sistema especialista probabilístico criado trabalhou adequadamente com o tratamento da incerteza no processo de tomada de decisão do profissional nutricionista, simulando de forma satisfatória, o raciocínio do profissional em relação à tomada de decisão. A utilização das variáveis envolvidas no processo de consulta nutricional, da base de casos clínicos, possibilitou conceber um sistema com ótimo desempenho quanto aos testes de sensibilidade e especificidade. Vale ressaltar que a aplicação de mais casos, com o objetivo de aumentar a base de dados da rede bayesiana pode contribuir para um aperfeiçoamento nos resultados do sistema. Destaca-se, porém, a dificuldade em conseguir uma base de dados confiável e com todas as variáveis necessárias ao processo de tomada de decisão. Conclui-se que o sistema proposto contribuirá na otimização do atendimento do paciente diabético, bem como no apoio ao profissional nutricionista, quanto à tomada de decisão. Este profissional poderá desenvolver o seu trabalho de maneira mais adequada promovendo assim uma abordagem mais coerente e eficaz no atendimento deste paciente e até mesmo retardando suas complicações agudas e crônicas, principal objetivo do controle glicêmico Referências

[1] Expert Committee on the Diagnosis and Classification of Diabetes mellitus. Report of the Expert Committee on the Diagnosis and Classification of Diabetes mellitus. Diabetes Care 25 (2002);suppl:S5-S20. [2] World Health Organization – WHO. Diet, nutrition and the prevention of chronic diseases. Report of a joint FAO/WHO Expert Consultation. Technical Report Series 916, Geneva; 2003. [3] American Diabetes Association. Nutrition principles and recommendations in diabetes. Diabetes Care (2004); 27(1):36-46. [4] Galindo V, Cavalcanti N, Lyra R. Definição, diagnóstico e classificação dos distúrbios no metabolismo dos hidratos de carbono. In: Lyra R, Cavalcanti N, coordenação. Diabetes mellitus. Rio de Janeiro: Diagraphic; 2006. [5] Sociedade Brasileira de Diabetes. Consenso brasileiro sobre diabetes 2002: diagnóstico e classificação do diabetes melito e tratamento do diabetes melito do tipo 2. Rio de Janeiro: Diagraphic; 2003. [6] Caldas G, Griz LH, Thé ACF. Monitorização do diabético. In: Lyra R, Cavalcanti N, coordenação. Diabetes mellitus. Rio de Janeiro: Diagraphic; 2006. [7] Sociedade Brasileira de Diabetes. Manual oficial de contagem de carboidratos regional. Rio de Janeiro: Diagraphic; 2004. [8] Alves VLS, Cunha ICKO, Marin HF, Oliveira O. Criação de um Web Site para enfermeiros sobre Pé Diabético. Acta Paul Enferm (2006):19(1):5661.

[12] Cardoso JP, Rosa VA, Lopes, CRS, Vilela ABA, Santana, AS, Silva, AT. Construção de uma práxis educativa em informática em saúde para ensino de graduação. Ciência & Saúde Coletiva (2008):13(1):283-288. [13] Cardoso JP, Lopes CRS, Queiroz RS, Rosa VA, Vilela, ABA. O uso de sistemas especialistas para apoio à sistematização em exames ortopédicos do quadril, joelho e tornozelo. Rev. Saúde Com (2005); 1(1):24-34. [14] Russel SJ, Norvig P. Inteligência Artificial. Rio de Janeiro: Elservier; 2004. [15] Dias JS. Raciocínio médico e a abordagem bayesiana: um estudo de caso [tese titular]. Curitiba: Pontifícia Universidade Católica do Paraná; 2004. [16] International Diabetes Center. Prevenção, Detecção e Tratamento do Diabetes – Guia Rápido International Diabetes Center – Park Nicollet Institute: Matrex; 2005. [17] Zweig MH, Campbell G. Receiver Operating Characteristic (ROC) Plots: A Fundamental Evaluation Tool in Clinical Medicine. Clinical Chemistry (1993) 39:561-577. Contato Kristy Soraya Coelho [email protected] Anderson Dutra Moura [email protected] Julio Cesar Soares de Jesus [email protected]

[9] Rosso ML, Kmeteuk OF, Amorim MF, Dias JS. Sistemas especialistas de apoio à decisão em ventilação mecânica. In: VIII Congresso Brasileiro de Informática em Saúde – CBIS; 2002 Set/Out; Natal, Brasil.

João da Silva Dias [email protected]

[10] Abel M. Sistemas Especialistas. Porto Alegre: Universidade Federal do Rio Grande do Sul, Instituto de Informática; 1998.

Deise Regina Baptista [email protected]

RA. Inteligência Artificial. [11] Rabuske Florianópolis: Editora da Universidade Federal de Santa Catarina; 1995.

Andreia Malucelli [email protected]

Marcos Augusto Hochuli Shmeil [email protected]

Lihat lebih banyak...

Comentários

Copyright © 2017 DADOSPDF Inc.