The lack of semantic information is a big challenge, even in contextdriven areas like Healthcare, characterized by established terminologies. Here semantic data integration is the solution to provide precise information and answers questions like: how many individuals diagnosed with a congenital anomaly live in the city of Sa˜o Paulo? This case study will evaluate two ontology based data access frameworks (Linked Data Mashup and Ontop) regarding integration quality (precision, completeness, and processing time to answer competence questions), time dispended and the possibility of scalability and replicability. We have a partnership with the city of Sa˜o Paulo's Health Department to access identified databases related to congenital anomalies. Resumo. A auseˆncia do uso de contexto nos dados tem sido um desafio mesmo para a´reas com terminologias estabelecidas como a da sau´de. A integrac¸a˜o semaˆntica dos dados e´ uma soluc¸ a˜o para obter informac¸ o˜es mais precisas e responder perguntas como: Quantos indiv´ıduos com anomalia congeˆnita vivem no munic´ıpio de Sa˜o Paulo? Este estudo de caso avaliara´ dois frameworks de acesso a dados baseado em ontologias (Linked Data Mashup e Ontop), quanto a` qualidade das junc¸o˜es (precisa˜o, cobertura e processamento para responder a`s questo˜es de competeˆncia), ao tempo demandado e a` possibilidade de escalabilidade e replicabilidade. A Secretaria Municipal de Sa˜o Paulo disponibilizara´ o acesso a`s bases identificadas referentes a anomalias congeˆnitas.
integrado por meio de seus significados. Para acessar esse conteu´do surguiu o paradigma
Ontology Based Data Access (OBDA). No OBDA uma ontologia define o esquema
global de alto n´ıvel de um conjunto de dados (ja´ existente, normalmente em bancos de
dados relacionais) e promove um vocabula´rio para realizac¸a˜o de buscas pelo usua´rio
[
Segundo a iniciativa Open Data Barometer1, em 2016 o Brasil era o 18o colocado no ranque de 144 pa´ıses avaliados quanto a` disponibilidade e qualidade dos dados pu´blicos de seus munic´ıpios em a´reas como: sau´de, educac¸ a˜o, financ¸as, legislac¸a˜o. Embora bem colocado e com diversas iniciativas de publicac¸ a˜o dos dados2, e´ percept´ıvel a necessidade de melhora da qualidade das fontes, no que diz respeito a` presenc¸a de licenc¸as para uso aberto, identificadores-chave para os registros e formatos leg´ıveis por ma´quinas. Este cena´rio demonstra a fragilidade semaˆntica dos dados disponibilizados.
O Brasil possui cerca de 140 sistemas de informac¸a˜o em sau´de, desenvolvidos
pelo Ministe´rio da Sau´de para a notificac¸a˜o de eventos relacionados a` atenc¸a˜o a` sau´de
[
A redundaˆncia e fragmentac¸ a˜o das informac¸o˜es e´ evidenciada em temas como o
do reporte das anomalias congeˆnitas. Segundo [
2Algumas iniciativas nacionais para a disponibilizac¸a˜o de dados: Portal Brasileiro de dados abertos: http://dados.gov.br/ Governo Aberto SP: http://www.governoaberto.sp.gov.br/ Dados Abertos, Prefeitura de Sa˜o Paulo: http://dados.prefeitura.sp.gov.br/ 3CID-10: http://www.cid10.com.br/ 4SIGTAP: http://sigtap.datasus.gov.br/ 5SINASC: http://datasus.saude.gov.br/sistemas-e-aplicativos/eventos-v/ sinasc-sistema-de-informacoes-de-nascidos-vivos
6SIM: http://datasus.saude.gov.br/sistemas-e-aplicativos/eventos-v/ sim-sistema-de-informacoes-de-mortalidade
7SIH: http://datasus.saude.gov.br/sistemas-e-aplicativos/hospitalares/
informac¸o˜es hospitalares), TANU (de triagem auditiva neonatal), bases de gesta˜o do
sistema de sau´de (GSS e SIGA) e de produc¸ a˜o ambulatorial (BPA-I e APAC). Isso resulta
em pacientes presentes na base do TANU, mas na˜o na do SINASC, por exemplo. Ter as
informac¸o˜es dispersas entre as bases significa na˜o saber ao certo quantos pacientes foram
diagnosticados e quais esta˜o em tratamento. A falta de informac¸o˜es leva a` sub-notificac¸a˜o,
o que impede a elaborac¸a˜o de indicadores demogra´ficos e de sau´de acurados, bem como o
melhor desenvolvimento de sistemas de vigilaˆncia e estabelecimento de pol´ıticas de sau´de
[
Ao inquirir soluc¸ o˜es, e´ observado que a compreensa˜o das terminologias utilizadas para o preenchimento dos registros e a necessidade de ana´lises extremamente contextualizadas dificultam iniciativas de profissionais de fora da a´rea da sau´de. Por outro lado, lidar com o tamanho das bases e a complexidade computacional que as permeiam e´ um fator limitador para os profissionais da sau´de. Isto e´ agravado quando a populac¸a˜o alvo e´ a do munic´ıpio de Sa˜o Paulo, que em 2010 era de mais de 11 milho˜es de habitantes8, equiparando a complexidade de seu sistema de sau´de a uma unidade da federac¸a˜o. Deste modo na˜o ha´ relatos do desenvolvimento de uma soluc¸a˜o de integrac¸a˜o de bases de dados escala´vel para todo o munic´ıpio.
Para o desenvolvimento deste projeto de mestrado foi reconhecida a necessidade de uma equipe multidisciplinar. Assim, foi realizada uma parceria com a Secretaria Municipal de Sau´de de Sa˜o Paulo (SMS-SP), que: disponibilizara´ o acesso a`s bases de dados identificadas (SINASC, SIM e SIH) com informac¸o˜es referentes a`s anomalias congeˆnitas; auxiliara´ na compreensa˜o dos conceitos e na eleic¸a˜o das questo˜es de competeˆncias utilizadas para validar as ontologias. As questo˜es de competeˆncia elencadas ate´ agora foram: Qual a prevaleˆncia de anomalias congeˆnitas na cidade de Sa˜o Paulo? Quem sa˜o os pacientes com anomalia congeˆnita? Quais sa˜o suas caracter´ısticas? Qual o caminho de cuidado a que cada paciente tem se submetido?
Este estudo de caso visa, a longo prazo, integrar as bases de dados identificadas,
relacionadas a`s anomalias congeˆnitas, SINASC, SIM e SIM, pertencentes a` Secretaria Municipal
de Sau´de de Sa˜o Paulo. No entanto, para isso e´ necessa´rio eleger uma metodologia
escala´vel para o problema. Assim, inicialmente havera´ a comparac¸a˜o de dois frameworks
de OBDA: Ontop e Linked Data Mashup (LDM). Estes sera˜o medidos quanto a` precisa˜o,
cobertura e tempo de processamento ao responder a`s questo˜es de competeˆncia e a`s
capacidades de escalabilidade e replicabilidade. O framework Ontop9, desenvolvido pela
Free University of Bozen-Bolzano, foi escolhido por fazer parte do estado da arte. A
selec¸a˜o do LDM [
8IBGE, Sa˜o Paulo, SP https://cidades.ibge.gov.br/brasil/sp/sao-paulo/ panorama 9Framework Ontop: http://ontop.inf.unibz.it/ 10IBGE, cidade de Taua´-CE: https://cidades.ibge.gov.br/brasil/ce/taua/ panorama
Os objetivos espec´ıficos sa˜o: Mapear as terminologias utilizadas nas bases de dados SINASC, SIM e SIH; Mapear as similaridades entre os dois frameworks: Ontop e LDM; Criar as ontologias, contendo as terminologias e a estrutura das bases de dados; Integrar o conteu´do das bases de dados SINASC e SIM atrave´s do nu´mero da declarac¸a˜o de o´bito; Integrar o conteu´do das bases de dados SINASC e SIH atrave´s das varia´veis pessoais, tais como: nome, sexo e data de nascimento; Realizar consultas atrave´s das ontologias; Avaliar a qualidade da integrac¸a˜o; Extrair um me´todo de trabalho;
Disponibilizar os dados na˜o identificados, ja´ pu´blicos, em formato RDF;
O desenvolvimento do projeto se dara´ seguindo duas etapas. Ate´ que ocorra a aprovac¸ a˜o para uso dos dados identificados por meio dos comiteˆs de e´tica do IME e da SMS-SP, sera˜o utilizados os dados pu´blicos sem identificac¸ a˜o. Nesta fase se dara´ o processo de criac¸ a˜o das ontologias seguindo os dois frameworks a serem testados. Com isso, e´ esperado que todas as terminologias relacionadas a`s bases de dados estejam em formato ontolo´gico para o recebimento dos dados identificados. Tambe´m e´ prevista a publicac¸ a˜o das bases de dados em formato RDF. Na segunda etapa, iniciada apo´s as autorizac¸o˜es, sera˜o finalizados os mapeamentos semaˆnticos, realizadas as consultas de acordo com as questo˜es de competeˆncia e analisados os dois frameworks, como pode ser observado na Tabela 1.
Tabela 1. Apresenta c¸a˜ o da metodologia Framework Framework LDM Ontop Especifi- Materiacac¸a˜o lizac¸a˜o
Construc¸a˜o das ontologias Realizac¸a˜o dos mapeamentos Realizac¸a˜o das consultas
Ana´lise das respostas 3.1. Fases de modelagem pelo framework Linked Data Mashup O framework LDM integra as bases de dados percorrendo treˆs etapas: X X X
– –
Especificac¸a˜o de um LDM: E´ a etapa do processo ligada ao mapeamento e projec¸a˜o da integrac¸a˜o semaˆntica. Aqui, sera˜o selecionados os conjuntos de dados, modeladas as ontologias de dom´ınio, escolhidos os conceitos essenciais que unira˜o as ontologias, especificados os links semaˆnticos e as regras de fusa˜o do conjunto de dados.
Materializac¸a˜o de um LDM: E´ na materializac¸a˜o onde de fato ocorrera´ a criac¸a˜o das ontologias e a integrac¸a˜o semaˆntica. Nesta etapa, as bases de dados sera˜o traduzidas em ontologias atrave´s do plugin R2RML processor11 e sera˜o acessadas a partir do banco de dados pelo plugin D2RQ12. Os links semaˆnticos sera˜o criados e importados para a ontologia por meio do SILK13. Por fim, as regras de fusa˜o materializara˜o a integrac¸a˜o e avaliara˜o sua qualidade atrave´s do plugin SIEVE14. Visa˜o de aplicac¸ a˜o de um LDM: Uma vez criadas as ontologias e realizadas as ligac¸o˜es semaˆnticas sera´ poss´ıvel realizar buscas espec´ıficas nas bases. Nesta etapa sera˜o selecionados os conceitos e filtrados os dados para fazer consultas de acordo com as questo˜es de competeˆncia.
O framework Ontop engloba as fases de linkage das bases de dados utilizando
apenas o software de modelagem de ontologias Prote´ge´15 e seu plugin neste software
[
Construc¸a˜o da ontologia: Os conceitos ja´ presentes nas bases de dados sera˜o modelados em ontologias correspondentes a cada base. Em seguida, sera´ constru´ıda uma ontologia de ligac¸a˜o que sera´ utilizada pelo plugin do Ontop no Prote´ge´ para realizar a integrac¸a˜o dos dados.
Integrac¸a˜o dos dados: Para realizar a integrac¸a˜o dos dados sera´ necessa´rio realizar uma conexa˜o com a base de dados e executar o mapeamento dos links semaˆnticos por meio do assistente de mapeamentos do Ontop.
Consultas SPARQL16: As consultas feitas a partir das questo˜es de competeˆncia sera˜o realizadas na pro´pria interface do Prote´ge´ para consultas em SPARQL.
Uma vez triplificadas as bases, os frameworks sera˜o avaliados. A ana´lise considerara´ a qualidade das junc¸o˜es quanto a` precisa˜o, cobertura e tempo de processamento ao responder a`s questo˜es de competeˆncia e as capacidades de escalabilidade e replicabilidade dos me´todos.
Em uma comparac¸a˜o na˜o metodolo´gica, e´ sabido que o framework LDM possui a facilidade da descric¸ a˜o do me´todo e de ter sido testado em duas bases de dados do Sistema U´nico de Sau´de. No entanto, isso ocorreu com poucos registros, dado o tamanho do munic´ıpio em que o caso de uso foi realizado. Por outro lado, o framework Ontop e´ 11R2RML: https://www.w3.org/TR/r2rml/ 12D2RQ: http://d2rq.org/ 13SILK: http://silkframework.org/ 14SIEVE: http://sieve.wbsg.de/ 15Prote´ge´: https://protege.stanford.edu/ 16SPARQL https://www.w3.org/TR/rdf-sparql-query/ completamente integrado, na˜o sendo necessa´rio utilizar plugins dispersos. Entretanto na˜o houve o teste para bases de dados como as que sera˜o integradas neste trabalho, embora em sua documentac¸a˜o haja um apelo a` escalabilidade.
As contribuic¸ o˜es propostas para este projeto esta˜o relacionadas a` comparac¸ a˜o de dois frameworks que utilizam conceitos de OBDA para e a integrac¸a˜o semaˆntica dos conteu´dos das bases de dados SINASC, SIM e SIH. Assim, e´ esperado realizar:
Comparac¸a˜o dos frameworks de OBDA: LDM e Ontop, mapeando as similaridades e extraindo um me´todo de trabalho; Integrac¸a˜o das bases de dados identificadas SINASC e SIM, SINASC e SIH da cidade de Sa˜o Paulo pertencentes a` SMS-SP, para indiv´ıduos cujos CIDs-10 sejam iguais a Q00-Q99 ou D18, referentes a`s anomalias congeˆnitas; Disponibilizac¸a˜o das bases de dados SINASC, SIM e SIH, na˜o identificadas do munic´ıpio de Sa˜o Paulo em formato RDF.
Com a integrac¸a˜o semaˆntica das treˆs bases de dados (SINASC, SIM e SIH) e´ esperado poder seguir os pacientes por todo o fluxo de cuidado, localiza´-los, aumentar a quantidade de informac¸o˜es sobre um indiv´ıduo, melhorar o acompanhamento cl´ınico e aumentar a confiabilidade dos dados, acarretando num auxilio na tomada de decisa˜o dos gestores de sau´de. Por outro lado as ontologias desenvolvidas podera˜o ser reutilizadas em outras cidades que utilizam as mesmas bases.