In the health area, it is necessary to represent, integrate, and organize the knowledge derived from clinical data found in Electronic Medical Records (EMRs), providing advantages for developing scientific studies. Ontologies have been used in this context, can facilitate the extraction of information, disambiguate terms, and preserve the semantics of patient health variables. The usage of ontologies in the annotation of data in EMRs is a question discussed in related works. This article presents how to annotate data from EMRs, using data from the mental health field. Also, this work uses semantics data technique to generate knowledge graphs from ontologies and metadata models. Graphs can be explored later to filter base data to verify hypotheses in different scientific studies in the field of mental health. Resumo. Na área da saúde é necessário representar, integrar e organizar o conhecimento oriundo de dados clínicos encontrados em Prontuários Eletrônicos de Pacientes (PEPs), proporcionando vantagens para o desenvolvimento de estudos científicos. Ontologias têm sido utilizadas neste contexto, pois podem facilitar a extração de informações, desambiguar termos e preservar a semântica das variáveis de saúde do paciente. A utilização de ontologias na anotação de dados sobre PEPs é uma questão discutida em trabalhos correlatos. Este artigo apresenta como anotar dados de PEPs, a partir de dados na área de saúde mental. Utiliza a técnica dos dicionários semânticos de dados para gerar grafos de conhecimento a partir de ontologias e de templates de metadados. Os grafos podem ser explorados posteriormente para filtrar dados necessários para verificar hipóteses em diferentes estudos científicos na área da saúde mental.
Ontologias têm sido utilizadas para representar e organizar o conhecimento a fim de
anotar semanticamente dados e documentos [Gonçalves 2020]. Grafos de conhecimento
podem ser gerados a partir da anotação semântica enriquecendo técnicas de recuperação
de informação que auxiliam especialistas de domínio e cientistas de dados na fase de
preparação dos dados para análise. Os dados a serem explorados podem ser selecionados
pela navegação facetada em grafos que combinam e integram conceitualmente diferentes
datasets, ampliando e aprofundando o escopo investigativo dos estudos científicos e
levando à inferência de novos conhecimentos. O Dicionário Semântico de Dados
(Semantic Data Dictionary, SDD), proposto por
A seguir Seção 2 descreve os conceitos de PEP bem como os trabalhos correlatos.
A Seção 3 aborda os conceitos sobre SDDs e grafos. A Seção 4 apresenta um estudo de caso simplificado de integração de dados de PEPs na área da saúde mental. A Seção 5 discute os resultados e a Seção 6 faz as considerações finais e lista os trabalhos futuros.
Um PEP é um documento único que possui informações, sinais e imagens registradas,
geradas a partir de fatos, acontecimentos e situações relacionadas à saúde do paciente e
do atendimento realizado. Tais informações são de caráter legal, sigiloso e científico,
servindo de comunicação entre membros da equipe multiprofissional e a continuidade da
assistência oferecida ao paciente. PEPs são organizados com dados de anamnese, exame
físico, prescrição e evolução.
Diferentes motivos ensejam a anotação de dados médicos. Alguns visam melhorar
a extração de informações, desambiguar termos, preservar a semântica das variáveis de
saúde do paciente, além de muitos outros.
A pesquisa apresentada neste artigo se diferencia dos trabalhos acima por utilizar a modelagem ontológica aplicando a abordagem SDD para anotar dados [Rashid et al. 2017]. A anotação é realizada manualmente por especialistas da área da saúde mental, tais como médicos, terapeutas ou psicólogos. Assim, grafos de conhecimento são gerados a partir de uma ontologia e de templates de metadados.
Rashid et. al (2017) propõem o uso de SDDs para anotação da semântica de datasets. O
SDD é um conjunto de padrões de metadados fundamentados em ontologias que
descrevem objetos (representados por dados) em classes e relacionamentos. A anotação
por SDD associa os dados de um dataset a conceitos (ou classes) nas ontologias a fim de
enriquecer semanticamente os dados presentes em um dataset. A anotação de dados por
meio de SDD deve ser realizada por profissionais que compreendem o domínio, como
por exemplo, engenheiros do conhecimento ou cientistas, familiarizados tanto com os
conceitos fornecidos pela ontologia, quanto pelos datasets a serem anotados. A
preparação da anotação é feita de forma manual e utiliza um conjunto de documentos:
InfoSheet; Dictionary Mapping; CodeBook; Code Mapping; TimeLine; Properties Table.
Datasets com dados fictícios oriundos de PEPs em saúde mental serão anotados. A Tabela 1 traz a tabela que relaciona dados assistenciais e de internação em hospitais de saúde mental. A Tabela 2 traz o extrato do Boletim Médico Hospitalar (BMH), com dados de internações de pacientes em um hospital caracterizados por variáveis como data da admissão, alta faixa etária, pelos códigos CID (Classificação Internacional de Doenças) e outros.
ID Fuma CInternacao 36 Não 1 78 Sim 3 ... ... ...
CID F30-F39 F20-F29 ...
A anotação de dados é feita a partir de uma ontologia "base", i.e., a primeira versão
simplificada da ontologia de domínio. A ontologia utiliza conceitos da OSM e mais as
colunas das tabelas acima não mapeadas para conceitos da OSM. Questões de
competência ilustram problemas que poderiam ser respondidos pela análise das variáveis
nas Tabelas 1 e 2. (i) Qual é a prevalência de faixa etária das internações com demência
vascular? (ii) Avaliar os sintomas e monitorar o progresso dos pacientes melhora os
desfechos, qualidade de vida e funcionamento social? (iii) Reinternações compulsórias
estão associadas a quais transtornos mentais? Os templates de metadados em
Column Attribute AtributeOf ID osm:idPaciente ??Paciente DataAdm osm:dataInternacao ??Bmh Alta osm:dataAlta ??Bmh Município osm:cidadePaciente ??Bmh Sexo osm:Sexo ??Paciente CID osm:Cid10 ??Bmh Fuma osm:Tabagismo ??Paciente CInternacao osm:tipoInternacao ??Bmh FE osm:faixaEtaria ??Bmh ??paciente ??bmh
Entity
Unit
Time
Relation
inRelationTo sio:Date ??admissao sio:Date ??alta sio:Human;osm:Paciente; osm:Bmh osm:hasBmh ??bmh osm:isBmhOf ??paciente
Vários outros dados poderiam ter sido considerados para integração: médico, psicólogo, leito e consistência da dieta. O grafo RDF gerado pela interpretação das tabelas acima permite a navegação facetada pelos dados com a qual o pesquisador seleciona quais dados farão parte do dataset a ser gerado.
FE FE
FE CInternacao CInternacao CInternacao
ADL ADT IDS 1 2 3
Class osm:Demograficos osm:Demograficos osm:Demograficos osm:Internacao osm:Internacao osm:Internacao
A Figura 01 apresenta o grafo RDF, em sintaxe turtle, gerado pelo script sdd2rdf, tendo como entradas os metadados das Tabelas 3 e 4 e a primeira linha dos arquivos de dados das Tabelas 1 e 2. @prefix rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> . example-kb:ID-04 a example-kb:ID , osm:idPaciente ; @prefix rdfs: <http://www.w3.org/2000/01/rdf-schema#> . sio:isAttributeOf example-kb:Paciente-1d ; @prefix xsd: <http://www.w3.org/2001/XMLSchema#> . sio:hasValue "36"^^xsd:integer . @prefix sio: <http://semanticscience.org/resource/> . example-kb:Sexo-3f a example-kb:Sexo , osm:sexo ; @prefix example-kb: <http://example.com/kb/example#> . sio:isAttributeOf example-kb:Paciente-1d ; @prefix osm: <http://www.w3.org/2008/05/osm#> . sio:hasValue "M"^^xsd:string . example-kb:ID rdfs:subClassOf osm:idPaciente ; example-kb:CID-1f a example-kb:CID , osm:Cid10 ; sio:isAttributeOf example-kb:Paciente . sio:isAttributeOf example-kb:Bmh-18 ; example-kb:Sexo rdfs:subClassOf osm:sexo ; sio:hasValue "F30-F39"^^xsd:string .
sio:isAttributeOf example-kb:Paciente . example-kb:Fuma-27 a example-kb:Fuma , osm:Tabagismo ; example-kb:CID rdfs:subClassOf osm:Cid10 ; sio:isAttributeOf example-kb:Paciente-1d ;
sio:isAttributeOf example-kb:Bmh . sio:hasValue "Nao"^^xsd:string . example-kb:Fuma rdfs:subClassOf osm:Tabagismo ; example-kb:CInternacao-32 a example-kb:CInternacao , osm:Voluntario ; sio:isAttributeOf example-kb:Paciente . sio:isAttributeOf example-kb:Bmh-18 ; example-kb:CInternacao rdfs:subClassOf osm:tipoInternacao ; sio:hasValue "1"^^xsd:integer .
sio:isAttributeOf example-kb:Bmh . example-kb:FE-a5 a example-kb:FE , osm:adulto ; example-kb:FE rdfs:subClassOf osm:faixaEtaria ; sio:isAttributeOf example-kb:Paciente-1d ;
sio:isAttributeOf example-kb:Paciente . sio:hasValue "ADL"^^xsd:string . example-kb:Paciente rdfs:label "Paciente"^^xsd:string ; example-kb:Paciente-1d a example-kb:Paciente , sio:Human ; rdfs:subClassOf sio:Human ; rdfs:label "Paciente"^^xsd:string ; sio:inRelationTo example-kb:Bmh . sio:inRelationTo example-kb:Bmh-18 . example-kb:Bmh rdfs:label "Bmh"^^xsd:string ; example-kb:Bmh-18 a example-kb:Bmh , osm:Bmh ; rdfs:subClassOf osm:Bmh ; rdfs:label "Bmh"^^xsd:string ; sio:inRelationTo example-kb:Paciente . sio:inRelationTo example-kb:Paciente-1d .
Figura 01. Grafo de Conhecimento.
Como contribuição o trabalho apresenta a preparação de dados1, utilizando SDD, no âmbito de estudos científicos na área de saúde mental. Os dados anotados por metadados semânticos fundamentam a produção de grafos de conhecimento que representam conceitos e as conexões entre eles. Os elementos terminais dos grafos são valores que instanciam propriedades de objetos que, por sua vez, populam estudos científicos. Metadados semânticos utilizam a modelagem ontológica para organizar os dados. Os arquivos de dados organizados nos grafos contêm os valores em células tabulares e os templates de metadados (dicionários de dados e codebook) são compostos de anotações formais de propriedades (variáveis em dicionários de dados), objetos e estudos. Os templates de metadados fornecem estrutura para que especialistas no domínio identifiquem e definam explicitamente quais são os diversos objetos de um estudo científico; como tais objetos são organizados. Além disso, ontologias formalizam o entendimento acima exigindo que as definições sejam declaradas usando termos
consensuados no domínio. Os conceitos e dados organizados contribuem para o reuso de dados e a reprodução dos resultados de estudos realizados
A relevância do problema e da abordagem apresentada advém do alto custo decorrente dos desafios técnicos enfrentados hoje para reutilizar dados de estudos científicos. O artigo descreve a abordagem de dicionário semânticos e infraestrutura técnica para anotar dados de estudos científicos realizados sobre PEPs, que permitem a normalização e harmonização sistemática das variáveis dos estudos. Os dados são organizados em grafos RDF que podem ser explorados por consultas a fim de darem origem a outros arquivos de dados. Limitações podem ser vistas a partir da aplicação apresentada neste artigo. Campos de digitação livre da orientação médica e o relato de alta não foram explorados. Os conceitos presentes nestes poderiam ter sido anotados por técnicas de processamento de linguagem natural (NLP) a fim enriquecer os conjuntos de dados das Tabelas 1 e 2. Como trabalhos futuros pretende-se utilizar técnicas de NLP para reconhecer e extrair entidades salientes que representem outras variáveis para além daquelas presentes nos arquivos de dados das Tabelas 1 e 2.
em: