Redes Bayesianas em Diagnóstico Médico: diferenças entre revisões

Fonte: aprendis
Saltar para a navegaçãoSaltar para a pesquisa
(Criou a página com "== '''Redes Bayesianas em Diagnóstico Médico''' == O diagnóstico médico consiste em um grande desafio da prática clínica e baseia-se no desenvolvimento do raciocínio complexo e que se utiliza dos métodos dedutivo e o indutivo para a formulação de hipóteses. No entanto, a incerteza ocupa um papel central neste processo e embora a certeza absoluta seja quase impossível, as condutas médicas são tomadas levando em consideração um alto grau de certeza, p...")
 
Sem resumo de edição
 
(Há uma edição intermédia do mesmo utilizador que não está a ser apresentada)
Linha 1: Linha 1:
== '''Redes Bayesianas em Diagnóstico Médico''' ==  
== '''Redes Bayesianas em Diagnóstico Médico''' ==
   
   
  O diagnóstico médico consiste em um grande desafio da prática clínica e baseia-se no desenvolvimento do raciocínio complexo e que se utiliza dos métodos dedutivo e o indutivo para a formulação de hipóteses. No entanto, a incerteza ocupa um papel central neste processo e embora a certeza absoluta seja quase impossível, as condutas médicas são tomadas levando em consideração um alto grau de certeza, portanto a introdução do raciocínio probabilístico (bayesiano) se faz necessária. <ref name="Bruno 1">Committee on Diagnostic Error in Health Care; Board on Health Care Services; Institute of Medicine; The National Academies of Sciences, Engineering, and Medicine; Balogh EP, Miller BT, Ball JR, editors. Improving Diagnosis in Health Care. Washington (DC): National Academies Press (US); 2015 Dec 29. 2, The Diagnostic Process. Available from: https://www.ncbi.nlm.nih.gov/books/NBK338593/</ref>
   
O diagnóstico médico consiste em um grande desafio da prática clínica e baseia-se no desenvolvimento do raciocínio complexo e que se utiliza dos métodos dedutivo e o indutivo para a formulação de hipóteses. No entanto, a incerteza ocupa um papel central neste processo e embora a certeza absoluta seja quase impossível, as condutas médicas são tomadas levando em consideração um alto grau de certeza, portanto a introdução do raciocínio probabilístico (bayesiano) se faz necessária. <ref name="Bruno 1">Committee on Diagnostic Error in Health Care; Board on Health Care Services; Institute of Medicine; The National Academies of Sciences, Engineering, and Medicine; Balogh EP, Miller BT, Ball JR, editors. Improving Diagnosis in Health Care. Washington (DC): National Academies Press (US); 2015 Dec 29. 2, The Diagnostic Process. Available from: https://www.ncbi.nlm.nih.gov/books/NBK338593/</ref>


O raciocínio probabilístico (também chamado bayesiano, uma vez que toma por base o teorema de Bayes), associado a heurísticas, podem ser aplicadas através do uso as redes bayesianas se tornam uma ferramenta confiável e explicável que pode ser adotada na prática clínica. Redes Bayesianas(RBs) são baseadas em grafos direcionados acíclicos (DAGs), onde os nós representam variáveis (como sintomas, diagnósticos ou exames) e as arestas representam dependências causais ou probabilísticas. Essa representação permite que os especialistas compreendam as relações entre variáveis de forma direta e calculam explicitamente as probabilidades condicionais, que podem ser interpretadas por médicos ou especialistas. Por exemplo, um médico pode entender qual é a probabilidade de uma doença, dado um conjunto de sintomas específicos, e como essa probabilidade muda com base em novos dados.<ref name="Bruno 1"/>,<ref name="Bruno 2">Muñoz-Valencia, C. S., Quesada, J. A., Orozco, D., & Barber, X. (2023). Employing Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Comprehensive Review. Retrieved from https://doi.org/10.48550/arXiv.2304.06400</ref>
O raciocínio probabilístico (também chamado bayesiano, uma vez que toma por base o teorema de Bayes), associado a heurísticas, podem ser aplicadas através do uso as redes bayesianas se tornam uma ferramenta confiável e explicável que pode ser adotada na prática clínica. Redes Bayesianas(RBs) são baseadas em grafos direcionados acíclicos (DAGs), onde os nós representam variáveis (como sintomas, diagnósticos ou exames) e as arestas representam dependências causais ou probabilísticas. Essa representação permite que os especialistas compreendam as relações entre variáveis de forma direta e calculam explicitamente as probabilidades condicionais, que podem ser interpretadas por médicos ou especialistas. Por exemplo, um médico pode entender qual é a probabilidade de uma doença, dado um conjunto de sintomas específicos, e como essa probabilidade muda com base em novos dados.<ref name="Bruno 1"/>,<ref name="Bruno 2">Muñoz-Valencia, C. S., Quesada, J. A., Orozco, D., & Barber, X. (2023). Employing Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Comprehensive Review. Retrieved from https://doi.org/10.48550/arXiv.2304.06400</ref>


As redes bayesianas tem sido adaptadas a uma ampla variedade de áreas médicas, e estudos tem evidenciado uma precisão preditiva superior a 75% (AUC) como mostra o artigo de revisão de Muñoz-Valencia et al., Employing Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Comprehensive Review.<ref name="Bruno 2"/>
As redes bayesianas tem sido adaptadas a uma ampla variedade de áreas médicas, e estudos tem evidenciado uma precisão preditiva superior a 75% (AUC) como mostra o artigo de revisão de Muñoz-Valencia et al., Employing Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Comprehensive Review.<ref name="Bruno 2"/>
Linha 10: Linha 11:
Podemos ver alguns dos exemplos de investigações do uso aplicado das RBs na prática clínica diagnóstica com resultados promissores:
Podemos ver alguns dos exemplos de investigações do uso aplicado das RBs na prática clínica diagnóstica com resultados promissores:
   
   
* Elemento de lista com marcas
* Cruz-Ramirez et al. Avaliaram redes bayesianas em datasets de mundo real para avaliação citoloógica por aspiração por agulha fina no auxílio ao diagnóstico de Cancro de Mama. <ref>N. Cruz-Ramirez, H. G. Acosta-Mesa, H. Carrillo-Calvet, L. A. Nava-Fernández, and R. E. Barrientos-Martinez, “Diagnosis of breast cancer using Bayesian networks: A case study,” Comput Biol Med, vol. 37, no. 11, pp. 1553–1564, 2007. https://doi.org/10.1016/j.compbiomed.2007.02.003</ref>
Cruz-Ramirez et al. Avaliaram redes bayesianas em datasets de mundo real para avaliação citoloógica por aspiração por agulha fina no auxílio ao diagnóstico de Cancro de Mama. <ref>N. Cruz-Ramirez, H. G. Acosta-Mesa, H. Carrillo-Calvet, L. A. Nava-Fernández, and R. E. Barrientos-Martinez, “Diagnosis of breast cancer using Bayesian networks: A case study,” Comput Biol Med, vol. 37, no. 11, pp. 1553–1564, 2007. https://doi.org/10.1016/j.compbiomed.2007.02.003</ref>


* Elemento de lista com marcas
* Vila-Francés et al. Avaliaram um modelo de apoio a decisão para ser usado na deteção de angina instável para ser usado em setores de emergência que se baseia apenas na história clinica e sintomas e que obteve como valor preditivo negativo 91.67%. <ref>J. Vila-Francés et al., “Expert system for predicting unstable angina based on Bayesian networks,” Expert Syst Appl, vol. 40, no. 12, pp. 5004–5010, 2013. https://doi.org/10.1016/j.eswa.2013.03.029</ref>
Vila-Francés et al. Avaliaram um modelo de apoio a decisão para ser usado na deteção de angina instável para ser usado em setores de emergência que se baseia apenas na história clinica e sintomas e que obteve como valor preditivo negativo 91.67%. <ref>J. Vila-Francés et al., “Expert system for predicting unstable angina based on Bayesian networks,” Expert Syst Appl, vol. 40, no. 12, pp. 5004–5010, 2013. https://doi.org/10.1016/j.eswa.2013.03.029</ref>


* Elemento de lista com marcas
* Seixas et al. conseguiram a construção de um modelo com boas métricas na avaliação diagnóstica dando uma estimativa do grau de certeza, e que continuam a melhorar à medida que tem recebido mais dados, para diagnosticar demência, doença de Alzheimer e declínio cognitivo leve.<ref>C. M. Carvalho, F. L. Seixas, D. C. Muchaluat-Saade, A. Conci, Y. Boechat and J. Laks, "A System for Aiding Diagnosis of Alzheimer’s Disease and Related Disorders with an Adaptable Decision Model," 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018, pp. 1-8, doi: 10.1109/IJCNN.2018.8489084. keywords: {Dementia;Adaptation models;Data models;Training;Computational modeling;Clinical Decision Support Systems;Computeraided diagnosis;predictive models;Alzheimer’s disease}</ref><ref>F. L. Seixas, B. Zadrozny, J. Laks, A. Conci, and D. C. M. Saade, “A Bayesian network decision model for supporting the diagnosis of dementia, Alzheimer׳ s disease and mild cognitive impairment,” Comput Biol Med, vol. 51, pp. 140–158, 2014. https://doi.org/10.1016/j.compbiomed.2020.104010</ref>
Seixas et al. conseguiram a construção de um modelo com boas métricas na avaliação diagnóstica dando uma estimativa do grau de certeza, e que continuam a melhorar à medida que tem recebido mais dados, para diagnosticar demência, doença de Alzheimer e declínio cognitivo leve.<ref>C. M. Carvalho, F. L. Seixas, D. C. Muchaluat-Saade, A. Conci, Y. Boechat and J. Laks, "A System for Aiding Diagnosis of Alzheimer’s Disease and Related Disorders with an Adaptable Decision Model," 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018, pp. 1-8, doi: 10.1109/IJCNN.2018.8489084. keywords: {Dementia;Adaptation models;Data models;Training;Computational modeling;Clinical Decision Support Systems;Computeraided diagnosis;predictive models;Alzheimer’s disease}</ref><ref>F. L. Seixas, B. Zadrozny, J. Laks, A. Conci, and D. C. M. Saade, “A Bayesian network decision model for supporting the diagnosis of dementia, Alzheimer׳ s disease and mild cognitive impairment,” Comput Biol Med, vol. 51, pp. 140–158, 2014. https://doi.org/10.1016/j.compbiomed.2020.104010</ref>


Com o avanço da IA na área de diagnósticos médicos, o uso de das redes bayesianas, que tem como ponto alto sua explicabilidade, pode ser uma alternativa ou mesmo ter uma atuação colaborativa aos modelos LLMs, visto que estes não estão livres de “alucinações” ou vieses cognitivos. <ref>Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2023). 1 A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. 2 arXiv:2311.05232.</ref><ref>Zwaan, Laura. “Cognitive Bias in Large Language Models: Implications for Research and Practice.” NEJM AI, vol. 1, no. 12, 27 Nov. 2024, DOI: 10.1056/AIe2400961. </ref>
Com o avanço da IA na área de diagnósticos médicos, o uso de das redes bayesianas, que tem como ponto alto sua explicabilidade, pode ser uma alternativa ou mesmo ter uma atuação colaborativa aos modelos LLMs, visto que estes não estão livres de “alucinações” ou vieses cognitivos. <ref>Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2023). 1 A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. 2 arXiv:2311.05232.</ref><ref>Zwaan, Laura. “Cognitive Bias in Large Language Models: Implications for Research and Practice.” NEJM AI, vol. 1, no. 12, 27 Nov. 2024, DOI: 10.1056/AIe2400961. </ref>

Edição atual desde as 21h08min de 28 de janeiro de 2025

Redes Bayesianas em Diagnóstico Médico

O diagnóstico médico consiste em um grande desafio da prática clínica e baseia-se no desenvolvimento do raciocínio complexo e que se utiliza dos métodos dedutivo e o indutivo para a formulação de hipóteses. No entanto, a incerteza ocupa um papel central neste processo e embora a certeza absoluta seja quase impossível, as condutas médicas são tomadas levando em consideração um alto grau de certeza, portanto a introdução do raciocínio probabilístico (bayesiano) se faz necessária. [1]

O raciocínio probabilístico (também chamado bayesiano, uma vez que toma por base o teorema de Bayes), associado a heurísticas, podem ser aplicadas através do uso as redes bayesianas se tornam uma ferramenta confiável e explicável que pode ser adotada na prática clínica. Redes Bayesianas(RBs) são baseadas em grafos direcionados acíclicos (DAGs), onde os nós representam variáveis (como sintomas, diagnósticos ou exames) e as arestas representam dependências causais ou probabilísticas. Essa representação permite que os especialistas compreendam as relações entre variáveis de forma direta e calculam explicitamente as probabilidades condicionais, que podem ser interpretadas por médicos ou especialistas. Por exemplo, um médico pode entender qual é a probabilidade de uma doença, dado um conjunto de sintomas específicos, e como essa probabilidade muda com base em novos dados.[1],[2]

As redes bayesianas tem sido adaptadas a uma ampla variedade de áreas médicas, e estudos tem evidenciado uma precisão preditiva superior a 75% (AUC) como mostra o artigo de revisão de Muñoz-Valencia et al., Employing Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Comprehensive Review.[2]


Podemos ver alguns dos exemplos de investigações do uso aplicado das RBs na prática clínica diagnóstica com resultados promissores:

  • Cruz-Ramirez et al. Avaliaram redes bayesianas em datasets de mundo real para avaliação citoloógica por aspiração por agulha fina no auxílio ao diagnóstico de Cancro de Mama. [3]
  • Vila-Francés et al. Avaliaram um modelo de apoio a decisão para ser usado na deteção de angina instável para ser usado em setores de emergência que se baseia apenas na história clinica e sintomas e que obteve como valor preditivo negativo 91.67%. [4]
  • Seixas et al. conseguiram a construção de um modelo com boas métricas na avaliação diagnóstica dando uma estimativa do grau de certeza, e que continuam a melhorar à medida que tem recebido mais dados, para diagnosticar demência, doença de Alzheimer e declínio cognitivo leve.[5][6]

Com o avanço da IA na área de diagnósticos médicos, o uso de das redes bayesianas, que tem como ponto alto sua explicabilidade, pode ser uma alternativa ou mesmo ter uma atuação colaborativa aos modelos LLMs, visto que estes não estão livres de “alucinações” ou vieses cognitivos. [7][8]

  1. ↑ 1,0 1,1 Committee on Diagnostic Error in Health Care; Board on Health Care Services; Institute of Medicine; The National Academies of Sciences, Engineering, and Medicine; Balogh EP, Miller BT, Ball JR, editors. Improving Diagnosis in Health Care. Washington (DC): National Academies Press (US); 2015 Dec 29. 2, The Diagnostic Process. Available from: https://www.ncbi.nlm.nih.gov/books/NBK338593/
  2. ↑ 2,0 2,1 Muñoz-Valencia, C. S., Quesada, J. A., Orozco, D., & Barber, X. (2023). Employing Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Comprehensive Review. Retrieved from https://doi.org/10.48550/arXiv.2304.06400
  3. ↑ N. Cruz-Ramirez, H. G. Acosta-Mesa, H. Carrillo-Calvet, L. A. Nava-Fernández, and R. E. Barrientos-Martinez, “Diagnosis of breast cancer using Bayesian networks: A case study,” Comput Biol Med, vol. 37, no. 11, pp. 1553–1564, 2007. https://doi.org/10.1016/j.compbiomed.2007.02.003
  4. ↑ J. Vila-Francés et al., “Expert system for predicting unstable angina based on Bayesian networks,” Expert Syst Appl, vol. 40, no. 12, pp. 5004–5010, 2013. https://doi.org/10.1016/j.eswa.2013.03.029
  5. ↑ C. M. Carvalho, F. L. Seixas, D. C. Muchaluat-Saade, A. Conci, Y. Boechat and J. Laks, "A System for Aiding Diagnosis of Alzheimer’s Disease and Related Disorders with an Adaptable Decision Model," 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018, pp. 1-8, doi: 10.1109/IJCNN.2018.8489084. keywords: {Dementia;Adaptation models;Data models;Training;Computational modeling;Clinical Decision Support Systems;Computeraided diagnosis;predictive models;Alzheimer’s disease}
  6. ↑ F. L. Seixas, B. Zadrozny, J. Laks, A. Conci, and D. C. M. Saade, “A Bayesian network decision model for supporting the diagnosis of dementia, Alzheimer׳ s disease and mild cognitive impairment,” Comput Biol Med, vol. 51, pp. 140–158, 2014. https://doi.org/10.1016/j.compbiomed.2020.104010
  7. ↑ Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2023). 1 A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. 2 arXiv:2311.05232.
  8. ↑ Zwaan, Laura. “Cognitive Bias in Large Language Models: Implications for Research and Practice.” NEJM AI, vol. 1, no. 12, 27 Nov. 2024, DOI: 10.1056/AIe2400961.
Obtida de "https://aprendis.med.up.pt/index.php?title=Redes_Bayesianas_em_Diagnóstico_Médico&oldid=8359"