Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2013 / Made available in DSpace on 2013-12-05T22:45:03Z (GMT). No. of bitstreams: 1
320420.pdf: 2068618 bytes, checksum: d0ce1c71192156986b4faf9a3fa4b28b (MD5)
Previous issue date: 2013 / A 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.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/106923 |
| Date | January 2013 |
| Creators | Brignoli, Juliano Tonizetti |
| Contributors | Universidade Federal de Santa Catarina, Sell, Denilson, Todesco, José Leomar |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 260 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds