APLICAÇÃO DE MINERAÇÃO DE DADOS EM INFORMAÇÔES ORIUNDAS DE PRONTUÁRIOS
DE PACIENTE
i
APPLICATION OF DATA MINING IN INFORMATION CONCERNING PATIENT RECORDS
Ricardo César de Carvalho¹
¹ Mestre em Ciência da Informação pela
Universidade Estadual Paulista (UNESP).
E-mail: ricardo.cc@ifsp.edu.br
ACESSO ABERTO
Copyright: Esta obra está licenciada com uma
Licença Creative Commons Atribuição 4.0
Internacional.
Conflito de interesses: O autor declara que não
há conflito de interesses.
Financiamento: Não há.
Declaração de Disponibilidade dos dados:
Todos os dados relevantes estão disponíveis
neste artigo.
Recebido em: 20/09/2018.
Revisado em: 01/10/2018.
Aceito em: 10/10/2018.
Como citar este artigo:
CARVALHO, Ricardo César. Aplicação de
mineração de dados em informações oriundas
de prontuários de paciente. Informação em
Pauta, Fortaleza, v. 3, número especial, p. 161-
181, nov. 2018. DOI:
https://doi.org/10.32810/2525-
3468.ip.v3iEspecial.2018.39723.161-181.
RESUMO
Este artigo procura investigar a aplicação da
Mineração de Dados na descoberta de
conhecimento oriundo de informações
provenientes de prontuários do paciente. Diante
disso, o objetivo foi examinar a bibliografia na
busca da utilização, resultados e investimentos
na área. A metodologia utilizada consistiu no
levantamento bibliográfico, por meio de revisão
de literatura e a aplicação de uma etapa da
mineração de dados, a importação em dados
provenientes da saúde. Conclui-se que a
Mineração de Dados é eficiente, já existem
muitas pesquisas e investimentos de grandes
empresas e neste momento, possui um grande
potencial de crescimento.
Palavras-chave: Mineração de Dados.
Prontuário do Paciente. Descoberta de
Conhecimento em Bases de Dados.
ABSTRACT
This article seeks to investigate the application
of Data Mining in the discovery of knowledge
derived from information from patient records.
Therefore, the objective was to examine the
bibliography in the search of the use, results and
investments in the area. The methodology used
consisted of a literature review, through
literature review and the application of a step of
data mining, the importation into health data. It
is concluded that Data Mining is efficient, there
are already a lot of researches and investments
of large companies and now, it has a great
growth potential.
Keywords: Data Mining. Medical Records.
Knowledge Discovery in Databases.
Inf. Pauta
Fortaleza, CE
v. 3
Número especial
nov. 2018
ISSN 2525-3468
DOI: https://doi.org/10.32810/2525-3468.ip.v3iEspecial.2018.39723.161-181
ARTIGO
162
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
1 INTRODUÇÃO
Hoje acontece em todos os seguimentos da sociedade um crescimento
exponencial dos dados que são gerados, quantidades de dados sem precedentes, isso
leva a uma necessidade de se extrair informações na busca de conhecimento (ISOTANI,
BITTENCOURT, 2015). Para exemplificar esse volume dos dados, em 2014, a IDC Digital
Universe estimou que o universo digital, dados criados e copiados, no ano de 2013 era de
4.4 trilhões de gigabytes e que em 2020 deve estar próximo de 44 trilhões de gigabytes,
um crescimento anual de 40%, quase dobrando a cada 2 anos. (DIGITAL UNIVERSE,
2014).
O Brasil, seguindo as tendências mundiais, também enfrenta problemas com o
volume dos dados e a dificuldade de acesso e disponibilização dessas informações. Neste
contexto, diversas tecnologias digitais de informação e de comunicação marcaram
presença, alterando a forma de como as pessoas lidam com a informação. Na área da
saúde, particularmente, elas fornecem recursos para a geração, controle, manutenção e
arquivamento dos dados vitais dos pacientes, das pesquisas biomédicas e na captura e
disponibilização de imagens diagnósticas, que, inclusive, “refletem” os nossos órgãos,
átomos, células e moléculas mais internas. No caso do prontuário do paciente, conforme
evidencia o Conselho Federal de Medicina (BRASIL, 2016) o uso dessas tecnologias é
irreversível, o suporte de registro analógico (em papel) está migrando para o eletrônico,
possibilitando inúmeras vantagens.
E os profissionais que trabalham diretamente com esses prontuários também
cresce no país. A respeito do total de médicos em atividade no Brasil, em 12 de setembro
de 2018, de acordo com Conselho Federal de Medicina (2018), existem 457.719
registros médicos para uma população de 208.822.860 habitantes, segundo o IBGE
(BRASIL, 2018a). Para se ter uma ideia, no ano de 1970 haviam 58.994 médicos, em
comparação com 2018, esse aumento foi de 675%, sendo que no mesmo período, a
população brasileira cresceu 124% (segundo IBGE a população em 1970 era de
93.139.037 habitantes).
A pesquisa de Scheffer (2015), demonstra na figura 1, o crescimento na formação
desses profissionais e uma previsão de continuidade de crescimento no futuro. Outro
dado que a pesquisa apresenta, foi que médicos que atendem em consultórios tem um
maior número de vínculos empregatícios, fazem jornadas mais longas, são na maioria
especialistas e recebem os maiores salários. Em resumo, tais dados revelam que há
Carvalho| Aplicação de mineração de dados
163
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
muitos médicos no Brasil que atendem pacientes em consultórios, tem pouco tempo e
ganham mais. Essa constatação sugere que a existência de ferramentas que pudessem
facilitar o trabalho destes profissionais pode ser bem-vinda, e até mesmo poderia ajudar
no processo de diagnóstico, melhorando a qualidade de vida dos pacientes.
Figura 1– Evolução do número de registros de médicos e da população entre 1910 e 2015
Fonte: SCHEFFER (2015).
Neste contexto de muitos dados em saúde e muitos profissionais criando mais
informações a cada dia, citando apenas o Brasil, é que podemos pensar em estratégias
para recuperar informações relevantes aos usuários. Uma forma de tratar esse problema
é a utilização de ferramentas de recuperação de informação, que pode ser descrita como
“um processo ou método pelo qual um usuário da informação em potencial é capaz de
converter a sua necessidade de informação em uma lista real de citações de documentos
armazenados contendo informações úteis.” (MOOERS, 1951, p. 25, tradução nossa).
E retomando o foco de dados em saúde, vários estudos concluem que a análise
desses dados pode fornecer informações importantes para tomada de decisão e sua
utilização no processo de diagnóstico médico, e até mesmo citando a Mineração de
Dados como uma das ferramentas mais viáveis para isto (ANANIADOU; KELL; TSUJII,
2006; ZWEIGENBAUM et al., 2007; FALCÃO et al., 2009; SPASIĆ et al., 2008; SONG, 2013).
Dessa forma, esta pesquisa procura investigar a recuperação de informações e
descoberta de conhecimento oriundo de informações provenientes de sistemas de saúde
por meio de ferramentas de Mineração de Dados, além de determinar a existência de
pesquisas nesta área no Brasil e investimento por parte das empresas na
disponibilização de meios para qualquer usuário consiga manipular seus dados e extrair
164
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
novas informações, tanto para o trabalho do diagnóstico médico, quanto para o
planejamento de políticas públicas.
2 PRONTUÁRIOS DO PACIENTE E OS DADOS DE SAÚDE
De acordo com a Organização Mundial da Saúde (OMS), um sistema de
informação para a saúde constitui-se em “[…] um conjunto de componentes que atuam
de forma integrada por meio de mecanismos de coleta, processamento, análise e
transmissão da informação necessária e oportuna para implementar processos de
decisões no Sistema de Saúde.” Logo, esse sistema tem o propósito de “[...] selecionar
dados pertinentes e transformá-los em informações para aqueles que planejam,
financiam, proveem e avaliam os serviços de saúde” (ORGANIZAÇÃO MUNDIAL DA
SAÚDE, 1981, p. 42).
O processo de identificar uma informação que atenda às necessidades de um
usuário dentre um montante de documentos é denominado recuperação de informação,
Ferneda (2012) o descreve assim e também diferencia um sistema de recuperação de
informação de um gerenciador de banco de dados devido ao fato de que ele é capaz de
recuperar informações que atenderão à expressão de busca levando em consideração o
conteúdo do texto recuperado e não somente demonstrar quais documentos contém as
informações constantes na expressão de busca.
Estes sistemas de gerenciamento hospitalar permitem a pesquisa de termos a
partir de seus dados, embora isso seja feito em informações registradas de forma
estruturada no banco de dados, normalmente não oferecendo ferramentas automáticas
ou buscas a dados não estruturados, devido a uma série de fatores e problemas
encontrados nesse processo que poderiam não garantir a integridade das informações.
Em outras situações, os dados dos pacientes se encontram em meio analógico, ou seja,
em papel, devido ao fato de serem antigos ou anteriores à era da informatização, de
qualquer modo, a busca das informações nesses documentos é mais complexa devido ao
estado do papel, da grafia, da qualidade da escrita, entre outros fatores.
Estes documentos que retratam a saúde das pessoas, podem ser descritos, de
acordo com o Conselho Federal de Medicina (CFM), no Artigo 1º da Resolução de nº
1.638/2002, definindo como Prontuário do Paciente
Carvalho| Aplicação de mineração de dados
165
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
[...] o documento único constituído de um conjunto de informações, sinais e
imagens registradas, geradas a partir de fatos, acontecimentos e situações
sobre a saúde do paciente e a assistência a ele prestada, de caráter legal,
sigiloso e científico, que possibilita a comunicação entre membros da equipe
multiprofissional e a continuidade da assistência prestada ao indivíduo.
(BRASIL, 2002, p. 1).
É um documento multidisciplinar, temporal e abrangente devido aos diversos
tipos de profissionais que registram informações nesse documento e acessam seus
conteúdos informacionais. Nesse sentido, Bentes Pinto (2006, p. 36) entende que o
prontuário do paciente é
o documento que contém registradas todas as informações concernentes à
condição de saúde de uma pessoa, desde o seu nascimento até a sua morte.
Trata-se, portanto, de um documento que contém dados e informações clínicas
e não clinicas, de natureza sensível e, portanto, protegidas pelo ordenamento
jurídico nacional e internacional. Trata-se da memória escrita da história das
condições de saúde de uma pessoa, sendo, portanto, indispensável para a
comunicação intra e entre a equipe de saúde e entre ela e o paciente, para a
continuidade, a segurança, a eficácia e a qualidade de seu tratamento e
acompanhamento, bem como da gestão das organizações de saúde.
Na mesma linha de raciocínio, Galvão e Ricarte (2012) consideram que esse
documento é complexo devido a sua forma de produção, conteúdo, organização, acesso e
disponibilização, conforme descrito a seguir:
Evidenciou-se que o prontuário do paciente é um documento
informacionalmente complexo quanto ao modo de produção, quanto ao
conteúdo que compreende, quanto ao modo de organização e quanto ao modo
de acesso e disponibilização. Por esse motivo, seja em suporte papel, seja em
suporte eletrônico, para ter melhor qualidade o prontuário demanda
planejamento institucional, trabalho cooperativo e permanente da equipe de
saúde, dos gestores, dos profissionais da informação e de informática que
contam com o conhecimento necessário para sistematizar os aspectos
informacionais relacionados ao prontuário. (RICARTE, 2012, p. 45)
Então é possível classificar o Prontuário do Paciente, resumidamente, como um
documento: Universal, Temporal, Complexo, Informacional, Legal, Sigiloso,
Interdisciplinar, Multidisciplinar e Transdisciplinar, e que para atender ao quesito de
universalidade e multidisciplinaridade ainda conta com vocabulários das Equipes de
Saúde, Paciente, Família do Paciente, Gestores da Saúde, Advogados, Juízes, Auditores,
Docentes, Pesquisadores, Estudantes, entre outros. E se torna o elo de comunicação
entre todos estes envolvidos com o intuito de garantir o atendimento à saúde do usuário
paciente portador do mesmo.
166
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
A tecnologia pode fornecer meios para organizar esses documentos e facilitar o
acesso ao conteúdo relevante aos usuários, por meio de ferramentas que a informática
aplicada na saúde pode fornecer, descrita como o processo de se utilizar sistemas
computacionais visando apoiar e agilizar a administração dos serviços de saúde,
cuidados clínicos, investigação médica e treinamento. Isto requer a aplicação das
tecnologias de computação, como a Mineração de Dados e de comunicações para
otimizar o processamento de informações em saúde, em todas as etapas, como a coleta,
armazenamento, recuperação efetiva (no seu devido tempo e lugar) e análise e apoio à
decisão para os administradores, médicos, pesquisadores e educadores na medicina.
(HOBBS, 2001).
3 MINERAÇÂO DE DADOS
A Mineração de Dados pode ser uma das tecnologias que poderia num tempo
muito curto fornecer esses meios de acesso a essas informações, visto que ela é uma
tecnologia que pode vasculhar grandes quantidades de informações e trazer resultados
muito rapidamente.
Para demonstrar que neste momento já temos a possibilidade de aplicar essas
novas tecnologias na busca desse conhecimento, em seu trabalho, Galvão e Ricarte
(2015), explicam a transição tecnológica que vem acontecendo com o prontuário do
paciente, e o fazem demonstrando através de quatro ondas. Na primeira onda, ocorreu a
melhoria da qualidade enquanto suporte em papel, com o intuito de compreender os
fluxos e processos envolvidos, com a transição para o suporte por meio de tecnologias e
infraestrutura adequadas na segunda onda, em seguida, na terceira onda, começam
novas pesquisas para melhorar os conteúdos registrados nos prontuários por meio de
terminologias padronizadas e controle de qualidade, e finalmente na quarta onda, a
busca da melhoria no planejamento e avaliação da assistência em saúde usando toda a
infraestrutura tecnologia e informacional criada para esse fim.
A Mineração de Dados pode se enquadrar nesta quarta onda, porque fornece
acesso a conhecimento escondido em grandes quantidades de informações permitindo
melhores subsídios, tanto para o profissional da saúde tratar um paciente, quanto para
gestores planejarem os investimentos, ou mesmo, a prevenção de endemias que possam
acontecer.
Carvalho| Aplicação de mineração de dados
167
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
Se analisarmos a quantidade de dados gerados diariamente em qualquer
ambiente informacional, fenômeno chamado de Big Data, que classifica os dados
gerados em quantidades monstruosas, produzidos em vários formatos e armazenados
em uma grande quantidade de dispositivos e equipamentos. O Big Data vem trazendo
grandes mudanças na forma de olhar os dados que são gerados, permitindo manipular
de novas formas esses dados e trazendo muitas mudanças em todos os setores, por este
motivo ele é considerado uma nova revolução industrial (AMARAL, 2016).
Neste cenário de massificação de produção e armazenamento de dados, bem
como os processos e tecnologias para extraí-los e analisá-los, acabou por tornar inviável
uma análise sistemática baseada em técnicas manuais de estatística de grandes bases de
dados, nas quais pesquisadores da área da inteligência artificial, combinando técnicas de
estatística e programação avançada conseguiram desenvolver sistemas que podem
efetuar a extração e sumarização automática de informações úteis a partir de grandes
bases de dados, o que foi chamado de Mineração de Dados (QUILICI-GONZALEZ;
ZAMPIROLLI, 2015).
Este termo foi cunhado como alusão ao processo de mineração, porque explora
bases de dados brutas (terreno) contendo muito material aparentemente sem utilidade,
usando algoritmos especiais (ferramentas) adequados para se obter conhecimento
(pedra preciosa) que permita uma tomada de decisão (CASTRO; FERRARI, 2016). Na
Mineração de Dados, o objetivo é prover um método automático para descobrir padrões
em dados sem a tendenciosidade de uma análise feita meramente por um humano e sua
intuição (BRAGA, 2005).
Pode se classificar o processo todo como Descoberta de Conhecimento em Dados
Estruturados (Knowledge Discovery in Databases - KDD), e nesse contexto vários autores
colocam a Mineração de Dados como apenas uma parte desse processo, sendo
empregada na etapa de descoberta, que inclui a seleção e integração das bases de dados,
a limpeza dessa base, seleção dos dados, transformação dos dados, mineração e
avaliação dos dados (CASTRO; FERRARI, 2016).
Ainda assim é considerada uma área muito abrangente, vários autores citaram
três grandes tarefas que deveriam ser consideradas as principais da Mineração de Dados:
a predição, agrupamentos de dados e associação ou descoberta de regras de associação,
e que trabalhando juntas podem compor muitas variações e até permitir a criação de
168
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
subtarefas na resolução dos problemas. Também é possível dividir a Mineração de
Dados em dois grandes níveis de tarefas, as preditivas e as descritivas. As tarefas
preditivas utilizam de valores de atributos descritivos para tentar predizer valores
futuros ou desconhecidos, já as tarefas descritivas, têm o objetivo de encontrar padrões
que podem descrever os dados de maneira que o ser humano possa interpretar (SILVA;
PERES; BOSCARIOLI, 2016; CASTRO; FERRARI, 2016; BRAGA, 2005).
A Mineração de Dados por ser uma disciplina interdisciplinar e multidisciplinar
envolve conhecimento de áreas como banco de dados, estatística, aprendizagem de
máquina, computação de alto desempenho, reconhecimento de padrões, computação
natural, visualização de dados, recuperação da informação, processamento de imagens e
de sinais, análise espacial de dados, inteligência artificial, entre outras (CASTRO;
FERRARI, 2016). A figura 2 mostra a ligação entre as diversas áreas que contribuem
para com a Mineração de Dados, fornecendo ferramentas, técnicas e conhecimento.
Figura 2– A multidisciplinaridade da Mineração de Dados
Fonte: Adaptado de CASTRO; FERRARI (2016).
Os requerimentos para se fazer um processo de Mineração de Dados, na qual é
necessário um grande conhecimento prévio a respeito dos dados e do processo, é muito
complexo e envolve muitos atores e tecnologias, os autores o descreveram da seguinte
forma:
Contudo, minerar dados para descobrir conhecimento não é uma tarefa trivial.
É preciso conhecer os dados, o processo de análise e descoberta, as tarefas e
técnicas de mineração e as ferramentas matemáticas e computacionais que se
aplicam nesse contexto. Portanto, a descoberta é um processo. Ainda, é preciso
Carvalho| Aplicação de mineração de dados
169
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
conhecer o ambiente em que os dados são produzidos e que tipo de
conhecimento esse ambiente necessita e espera receber. Enfim, minerar dados
exige conhecimento técnico, tempo e dedicação. (SILVA; PERES; BOSCARIOLI,
2016).
Existe uma grande quantidade de ferramentas de Mineração de Dados no
mercado, tanto comerciais, quanto livres. As direcionadas para o público comercial são
fornecidas por alguns dos maiores fornecedores de tecnologia, como Microsoft, SAS, IBM,
Oracle. Já as ferramentas de código aberto mais populares são Weka, R e Orange. É
importante destacar que estes conceitos e técnicas aplicadas numa dessas ferramentas
podem ser aplicadas em qualquer ferramenta, pois o processo do aprendizado de
máquina é uma disciplina universal (AMARAL, 2016).
Neste artigo, para a validação do processo foi escolhida a ferramenta R por alguns
aspectos, como por exemplo, ser um ambiente de software livre para computação
estatística e gráficos. Ela fornece uma ampla variedade de técnicas estatísticas e
ferramentas para manipular os dados (R CORE TEAM, 2015).
Conforme descrito por Peng (2015), que utilizou dados importados para mostrar
a utilização da ferramenta R, e por meio dos comandos da ferramenta pôde criar funções,
expressões, simulações, estruturas de controle, vetores, além de imagens e gráficos. E
ainda para facilitar mais seu uso, existe a plataforma RStudio, que é um ambiente de
desenvolvimento integrado aberto e gratuito para o R, que permite a utilização da
linguagem através de janelas gráficas e de maneira visual, sendo essa a maior vantagem
sobre a ferramenta R pura, que deve ser manipulada somente em modo texto por meio
de um terminal (RSTUDIO, 2018).
Como uma das vantagens da utilização da Mineração de Dados, Quilici-Gonzalez e
Zampirolli (2015) citam vários exemplos da boa aplicação dessa técnica, inclusive na
área da saúde, como usar o sistema para adquirir conhecimento prévio podendo
demonstrar que algumas doenças e problemas de saúde podem estar mais associadas a
uma certa etnia do que a outras, e dessa forma pudesse auxiliar o médico na hora de
solicitar exames médicos, mesmo se o paciente não estiver apresentando sintoma prévio
da enfermidade. O autor também demonstra preocupação ao citar que problemas
podem ocorrer também, principalmente a respeito do sigilo e privacidade, como por
exemplo, os dados de pagamentos feitos por cartão de crédito de uma pessoa que podem
expor suas preferências religiosas, os hábitos de compra de livros revelando as
preferências políticas das pessoas, ou até mesmo gastos elevados, normais para essa
170
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
pessoa, podem colocá-lo no grupo de clientes de alto risco para conseguir empréstimos
bancários, sobre sua residência, o seu cep pode apontar que vive numa região
problemática ou mesmo num bairro nobre, seus dados médicos podem revelar detalhes
que podem custar uma vaga de emprego numa grande empresa que esteja pleiteando
uma contratação.
4 DESENVOLVIMENTO
A metodologia utilizada consistiu no levantamento bibliográfico e revisão de
literatura para fornecer subsídios teóricos para a compreensão do campo do estudo, por
meio de um levantamento de informações e referências em livros, artigos, manuais, leis,
decretos, para em seguida, a escolha de uma ferramenta e um conjunto de dados que
pudesse representar o cenário escolhido, para a aplicação prática com a utilização dessa
ferramenta de Mineração de Dados com o objetivo de testar a aplicabilidade das
tecnologias sobre dados provenientes da saúde. Neste momento não foram utilizados
dados de pacientes oriundos de prontuários de pacientes, mas a verificação da
bibliografia, isto é, se havia estudos sendo desenvolvidos nesta área e a facilidade na
utilização de ferramentas informacionais para a utilização por usuários que tenham
acesso a tais dados de pacientes e a permissão necessária para fazer quaisquer tipos de
consultas utilizando dados reais, mas que ainda desconhecem as ferramentas e técnicas
citadas neste trabalho.
Partindo do pressuposto que os dados de um prontuário do pacientes são
registrados por profissionais de saúde e outras áreas correlatas, independentemente do
local de trabalho, para a criação desses dados existem regras definidas pelo governo ou
por entidades de classe, para garantir a qualidade dos dados cadastrados, mas mesmo
alguns dados serem estruturados, pois dependem de tabelas de procedimentos, tabelas
de exames, siglários, bulário, entre outros, e estarem cadastrados nos banco de dados de
uma forma legível para as máquina e para os humanos, existem também os dados não
estruturados, cadastrados nos sistemas utilizando a linguagem natural e todos os seus
vícios, siglas, símbolos, abreviaturas e outras formas da linguagem, impedindo a busca
de forma eficiente por meio das máquinas. Podemos dizer que a qualidade dos dados
recuperados está ligada à qualidade dos dados registrados. Outras tecnologias também
Carvalho| Aplicação de mineração de dados
171
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
podem auxiliar o usuário no trabalho de levantamento de informações em bases de
saúde, como a mineração de textos que podem encontrar informações em dados não
estruturados, como a anamnese de um prontuário, que é redigido, normalmente,
utilizando linguagem natural. E o aprendizado de máquina, que através do resultado da
Mineração de Dados é possível criar modelos que aplicados a algoritmos especiais
podendo “ensinar” um computador a procurar informações e até fazer inferências a
respeito de situações encontradas nas grandes massas de dados.
Durante a pesquisa bibliográfica e documental, alguns artigos com aplicação da
Mineração de Dados nessa área foram identificados. Além disso foram encontrados
exemplos da utilização dessa tecnologia por parte de grandes empresas com alguns
grandes projetos, inclusive já em produção em hospitais no Brasil, que descreveremos
em seguida.
Um trabalho que avalia o processo de descoberta de conhecimento em bases de
dados (Knowledge Discovery in Databases - KDD) como ferramenta de avaliação da
usabilidade dos profissionais da enfermagem durante a utilização do prontuário
eletrônico do paciente. Que por meio da Mineração de Dados poderia complementar o
que já se sabe sobre as dificuldades da usabilidade. A opção pela Mineração de Dados em
saúde, contemplada no processo KDD, pela eficácia evidenciada na descoberta de
padrões que complementem o que os especialistas na área já conhecem (LOPES;
CARVALHO; LAHM, 2017).
A Mineração de Dados como ferramenta de classificação de pacientes de
fisioterapia, utilizando da metodologia na qual foi selecionado um subconjunto de dados,
referentes a prontuários disponíveis em uma clínica de fisioterapia, sendo extraídos três
grandes grupos-alvo de tarefas da Mineração de Dados: associação, classificação e
agrupamento, explicitados no texto. E como resultado do experimento foram extraídos
padrões a partir dos dados, de tal forma que se permitisse ao leitor entender passo a
passo o processo, ampliando sua compreensão dos resultados obtidos. Foram
descobertos padrões em diversos formatos, os quais evidenciaram as possíveis relações
entre as variáveis disponíveis. Em seguida, não apenas os padrões foram discutidos, mas,
também, a importância da qualidade dos dados coletados. Concluindo que as etapas de
classificação, descoberta de regras de associação e agrupamento dos dados oportunizou
melhor entendimento das especialidades de pacientes atendidos pela clínica em questão,
172
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
ampliando, assim, o conhecimento do profissional na identificação das condutas a serem
adotadas (CARVALHO et al., 2012).
A Mineração de Dados utilizada como ferramenta de descoberta de conhecimento
a partir de dados de promoção à saúde foi o tema do artigo cujo objetivo foi buscar
descobrir conhecimento com base nos dados de paciente armazenados em um sistema
de informação de uma operadora de planos de saúde. A partir da informação minerada,
profissionais da área de saúde (médicos, psicólogos, enfermeiros e afins) puderam
verificar como se encontra a saúde das pessoas dos Vales do Taquari e Rio Pardo ao
longo do tempo, assim como, acompanhar a tendência com base nos dados do passado,
para que possam ser tomadas algumas ações em relação a essa situação, sejam elas
ações proativas ou reativas. Foram encontradas informações importantes a respeito da
qualidade dos dados, que após as avaliações, descobriu-se que estavam muito falhos,
sendo que grande parte deles preenchidos de forma incorreta e muitos nem informados,
devido a não obrigatoriedade dos mesmos. Então, foi realizado um plano de ação para
tratar melhor as informações do sistema atual, ou até mesmo a troca do sistema
buscando um software mais confiável, com consistência de dados, obrigatoriedade nos
campos em informações cruciais para a futura análise, entre outros (GREGORY; PRETTO,
2016).
Outro trabalho consistia em obter, por meio de um processo de descoberta de
conhecimento pela Mineração de Dados, um modelo de classificação que pudesse ser
aplicado no auxílio à triagem de risco de vida, na medicina. Entende-se que atividades de
triagem têm o objetivo de identificar o risco de vida em pacientes mediante a análise de
seus sinais vitais. No conjunto inicial de dados havia 21.821 instâncias. Contudo, 10.499
armazenavam dados nulos e foram descartadas. Trezentos e vinte e cinco registros
continham dados discrepantes, ou seja, apresentavam valores inaceitáveis,
extremamente maiores ou menores que valores considerados para humanos, e foram
eliminados. Assim, mantiveram-se 10.997 instâncias no conjunto de dados utilizado
como entrada no estudo. Conclui-se que a aplicação de um processo de KDD utilizando
classificação com árvores de decisão a dados de triagem pode ser muito importante para
o entendimento de que tipo de característica é mais determinante para cada uma das
classes de risco, assim como os intervalos de valores de cada uma dessas características.
Esse conhecimento seria muito difícil de ser obtido a partir somente de análises visuais e
consultas simples a esses dados de triagem (MACIEL et al., 2015).
Carvalho| Aplicação de mineração de dados
173
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
Com a aplicação cada vez maior de tecnologia na saúde, alguns usos se tornaram
mais evidentes, um estudo mostra o uso de big data em saúde no Brasil através de
algumas perspectivas para um futuro próximo:
O uso de big data tem crescido em todas as áreas da ciência nos últimos anos.
Existem três áreas auspiciosas para o uso de big data em saúde: medicina de
precisão (precision medicine); prontuários eletrônicos do paciente; e internet
das coisas (internet of things). Entre as linguagens de programação mais
utilizadas em big data, duas têm se destacado nos últimos anos: R e Python. Em
relação às novas técnicas estatísticas, espera-se que técnicas de machine
learning (principalmente as árvores de classificação e regressão), metodologias
para controlar por associações espúrias (como a correção de Bonferroni e a
taxa de falsas descobertas) e metodologias para a redução da dimensão dos
dados (como a análise de componentes principais e o propensity score matching)
sejam cada vez mais utilizadas. A questão da privacidade será também cada vez
mais importante na análise de dados. O uso de big data na área da saúde trará
importantes ganhos em termos de dinheiro, tempo e vidas e precisa ser
ativamente defendido por cientistas de dados e epidemiologistas.
(CHIAVEGATTO FILHO, 2015).
Muitas outras pesquisas ainda estão em desenvolvimento, porém uma iniciativa
da empresa de tecnologia IBM já se encontra em produção, um ambiente de recuperação
de informação muito maior que apenas a mineração de dados, de acordo com a empresa.
Um dos braços de trabalho da empresa chama-se Watson Health, que quando aplicado à
análise de imagens médicas, utiliza uma plataforma cognitiva que busca extrair valor de
dados de imagens médicas em constante crescimento, analisando dados de pacientes,
populações e pesquisas médicas estruturadas e não estruturadas que residem em silos
desconectados.
A plataforma pretende organizar as informações disponíveis e apresentá-las de
maneira contextualmente relevante e orientada para a probabilidade, para auxiliar os
especialistas em diagnóstico, bem como tratar os médicos no consultório. Apenas em
2015 nos Estados Unidos, foram realizados cerca de 800 milhões de exames de
ressonância e tomografia, esses estudos geraram aproximadamente 60 bilhões de
imagens médicas. Nesse volume, cada um dos cerca de 31.000 radiologistas dos EUA
teria que visualizar uma imagem a cada dois segundos de cada dia útil durante um ano
inteiro, a fim de extrair informações potencialmente salvadoras de um punhado de
imagens escondidas em um mar de dados. O sistema procura analisar dados de imagem,
ler relatórios de diagnóstico e comparar informações clínicas com a lista de problemas
dos exames e o registro de faturamento para encontrar possíveis discrepâncias dignas
174
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
de uma segunda olhada. Além disso, visa ajudar os administradores do hospital a
monitorar com eficiência a qualidade dos cuidados sem treinamento especializado, e
projetar programas de qualidade orientados por dados para padronizar a consistência
dos cuidados em todos os locais e níveis dentro de uma empresa (INTERNATIONAL
BUSINESS MACHINES, 2016).
O Watson for Oncology é um dos primeiros sistemas de apoio à decisão clínica de
oncologia orientados pela inteligência artificial, que está sendo usado em todo o mundo
para ajudar os médicos a avançar no tratamento do câncer. Este sistema se integra aos
sistemas hospitalares e obtém centenas de atributos do registro de saúde eletrônico de
um paciente, incluindo notas de médicos e relatórios de laboratório, e analisando-os
com a tecnologia de processamento de linguagem natural (PNL). Em seguida, fornece
aos médicos opções de tratamento de confiança e evidências de apoio para ajudá-los a
tomar decisões de tratamento para seus pacientes. A ingestão de mais de 600 mil peças
de evidências médicas pelo Watson, mais de dois milhões de páginas de revistas médicas
e a capacidade adicional de pesquisar até 1,5 milhão de registros de pacientes para obter
mais informações dão a ele uma amplitude de conhecimento que nenhum médico
humano pode igualar. A taxa de diagnóstico bem-sucedido para o câncer de pulmão é de
90%, comparado a 50% para os médicos humanos (INTERNATIONAL BUSINESS
MACHINES, 2017).
É humanamente impossível acompanhar a proliferação diária de dados de saúde.
É necessário criar um ecossistema conectado em todo o setor de saúde para aproveitar o
conhecimento dessas informações e determinar o seu valor compartilhado. É estimada
uma explosão de 2.310 exabytes de dados de saúde projetados até 2020, que em 1
semana de internação pode ser igual a centenas de páginas em registros eletrônicos de
saúde, $47 trilhões de dólares são estimados pelo impacto econômico global das
doenças crônicas até 2030, em pesquisa e desenvolvimento, apenas 10% das drogas
atualmente em desenvolvimento chegam ao mercado, dessa forma, é demostrada que
existe uma demanda muito grande em formas de se analisar esse volume de dados que
cresce e já existem pesquisas e produtos em funcionamento nessa área
(INTERNATIONAL BUSINESS MACHINES, 2018).
Em continuidade com a pesquisa, para aquisição de dados para testes de
importação para a ferramenta de Mineração de Dados R, foi acessado o sitio do Portal
Brasileiro de Dados Abertos, mantido por Brasil (2018b), na Internet, que é um local
Carvalho| Aplicação de mineração de dados
175
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
mantido pelo Governo Federal para que todos os cidadãos possam encontrar e utilizar
dados e informações públicas, além disso, este portal segue princípios internacionais e
deve estar de acordo com a Lei de Acesso a Informação Pública (Lei 12.527/2011),
sancionada em 18 de novembro de 2011, e em seguida iniciar uma busca por dados de
saúde. Em sua tela inicial são mostradas algumas informações, como por exemplo, um
campo de pesquisa no qual são adicionados os termos a serem buscados, algumas
publicações mais recentes e notícias ligadas ao tema.
Na data desta pesquisa, setembro de 2018, na tela inicial havia uma informação
na qual o sistema mostra que é possível pesquisar em 5.972 conjuntos de dados com
30.576 recursos, porém estes números crescem diariamente, são os dados catalogados
do portal e formam as fontes de dados que são retornadas a partir das buscas.
Prosseguindo com o levantamento das informações por meio do sistema de busca
integrado, ao utilizar o termo “saúde” como palavra de busca, obtém-se um número de
262 conjuntos de dados encontrados. Cada conjunto de dados resgatado a partir da
busca é mostrado nas telas seguintes, cada um deles possui uma pequena descrição a
respeito do conteúdo e elementos visuais identificando os formatos de dados em que são
disponibilizados.
A metodologia usada neste trabalho para servir de métrica da capacidade de
aproveitamento dos dados disponibilizados a partir de informações oriundas de
estabelecimentos de saúde e prontuários de pacientes, e permitir uma grande interação
com a possibilidade de resultados promissores, a partir da importação dos dados
disponibilizados no sítio, por meio da ferramenta R, utilizando o ambiente de
desenvolvimento chamado RStudio.
Para efetuar o procedimento de importação, foram escolhidos diversos recursos
resultantes da busca do termo “saúde”, neste momento foi possível ler uma pequena
descrição desta fonte de dados, e ao entrar nelas é possível obter mais informações a seu
respeito e escolher qual o formato a ser utilizado. Para estes exemplos, foi escolhido o
formato CSV para ser efetuado o download para o computador do usuário, e
posteriormente a importação pela ferramenta R, como mostrado na figura 3.
176
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
Figura 3– Recursos disponibilizados e importados pelo R.
Fonte: Elaborado pelo autor (2018).
Utilizando a ferramenta RStudio para manipular os dados na linguagem R, foi
efetuada a importação com sucesso, e os dados ficaram disponíveis dentro da
ferramenta, pode-se analisar apenas uma fonte de dados ou, depois de importar outras
fontes, fazer um cruzamento entre diversas fontes, ou formatos, e ter a possibilidade de
criar regras e extrair informações.
Milhões de registros contendo dados a respeito da área da saúde foram
importados com sucesso, vide quadro 1. Os dados disponibilizados neste portal são
provindos de estabelecimento de saúde que registram, em boa quantidade, os dados nos
prontuários do paciente, como dados da doença, origem do paciente, procedimentos
efetuados, causa da mortalidade, dados do nascimento, resultados de exames, entre
muitos outros. A escolha para a utilização destes dados para este artigo foi devido ao
fato que o acesso aos dados dos pacientes de qualquer estabelecimento de saúde
depende de muitas regras de autorização e acesso por autorização por meio de comissão
de ética, entre outros, e por isso, se fosse possível a utilização dos dados no final de sua
cadeia, na disponibilização pelo governo como dado aberto, a sua utilização na origem
também seria justificada e até melhor aproveitada, pois contêm mais dados e mais
rapidez de acesso a todos os documentos. Neste caso, como proposta de trabalho futuro
é conseguir o acesso a dados médicos, aplicando as mesmas ferramentas e verificando os
resultados dos dados resgatados e do conhecimento descoberto. (Quadro 1).
Carvalho| Aplicação de mineração de dados
177
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
Quadro 1– Quantidade de registros importados para o R
Recurso
Quantidade
registros
Beneficiários Identificados SUS/ABI
5.341.053
Procedimentos Hospitalares por UF (São Paulo)
362.403
Exames Ambulatoriais e de Internação
174.870
Atendimentos e Consultas (07/2017)
172.324
Preços de Medicamentos
51.321
Aqui Tem Farmácia Popular
32.270
Taxa de câmbio - Livre - Dólar americano (compra)
8.466
Agentes Comunitários de Saúde
5.570
Postos de trabalho médicos no setor privado por mil
habitantes
5.566
Projetos e Pesquisas
4.990
Cirurgias
4.862
Cobertura do SAMU
3.760
Fonte: Elaborado pelo autor (2018).
Não faz parte desse artigo uma análise do conteúdo importado nem mesmo como
fazer a mineração pela linguagem R, apenas se por meio da importação, de dados
provindos do portal de dados abertos a respeito de saúde poderiam ser utilizados para a
Mineração de Dados. Foram efetuadas diversas importações com sucesso para a
ferramenta, e todos os seus dados ficaram disponíveis em diversas abas na parte
superior do programa, como mostrado na figura 3, permitindo neste momento serem
manipulados e interagirem entre si. No quadro 2 apresenta-se a importação dos dados.
Quadro 2 – Dados aproveitados de forma nativa pela ferramenta R.
Formato
Todo o Portal
Termo "saúde"
TXT
64
6
CSV
5.076
175
XLS
222
8
JSON
4.157
74
XML
398
26
HTML
3.976
140
Total aproveitado
13.893
429
Total de dados
19.747
822
Aproveitamento %
70,35%
52,18%
Fonte: Elaborado pelo autor (2018).
Uma informação importante sobre a possibilidade de importação dos dados, no
quadro 2, é que 52,18% dos conjuntos de dados fornecidos pelo portal dos dados
178
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
abertos foram retornados a partir da busca pelo termo “saúde” e 70,35% de todos os
conjuntos de dados do portal podem ser importados pela ferramenta R de maneira
nativa, sem a necessidade de outros aplicativos, de uma forma bem simples, permitindo
a qualquer usuário com um pouco de conhecimento da metodologia da Mineração de
Dados pode começar suas pesquisas. Fato este positivo, devido ao fato de existirem
muitos formatos de distribuição pelo portal, podendo gerar dúvidas sobre a taxa de
aproveitamento dos dados.
5 CONSIDERAÇÕES FINAIS
A conclusão é que a Mineração de Dados funciona bem sobre dados estruturados,
neste caso, sobre dados provenientes do portal de dados abertos cuja origem, em muitos
casos, foi de prontuários de paciente no momento do atendimento.
A existência de ferramentas livres e gratuitas já estão à disposição para utilização ,
mas também existem muitos investimentos nessa área, inclusive pelas gigantes de
tecnologia, como exemplo o IBM Watson, na qual a maior parte dos esforços de
desenvolvimento se concentram no estudo da Oncologia e Imagens Médicas, e nos
próximos anos muitas outras ferramentas na área de inteligência artificial e aprendizado
de máquina estarão disponíveis para aplicações na área da saúde e nos prontuários dos
pacientes.
A utilização da ferramenta R na importação dos dados foi bastante positiva, pois
segundo a pesquisa, quando os dados são importados para a ferramenta, um “mundo” de
possibilidades torna-se possível. De acordo com informações levantadas e citadas
anteriormente, essa ferramenta como função de Mineração de Dados, está ganhando
mais espaço entre todas as áreas, como as da computação e da estatística, pois permite a
manipulação de grandes volumes de dados e a criação de relatórios, dados visuais,
gráficos e dados estatísticos de forma automática, se os dados forem corretamente,
disponibilizados e atualizados.
Conclui-se que a Mineração de Dados como ferramenta de descoberta de
conhecimento oriundo de informações provenientes de sistemas de saúde é possível, e
até mesmo já encontra-se sendo pesquisada e aplicada, tanto por pesquisadores, quanto
por grandes empresas de tecnologia que, dentre muitas áreas, já têm investimentos na
Carvalho| Aplicação de mineração de dados
179
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
saúde. A aplicação da ferramenta R como plataforma de Mineração de Dados é uma
possibilidade devido a facilidade de encontrar o programa, ser gratuito e muito
poderoso, mas como descrito anteriormente, o processo da Mineração de Dados não
depende apenas do seu programa ou aplicativo, mas sim de profundo conhecimento do
usuário a respeito dos dados e seu fluxo, tempo e conhecimento a respeito das
necessidades informacionais, do mais, se aplicado corretamente e com as devidas
permissões de acesso às informações a prontuários do paciente em estabelecimentos de
saúde, pode trazer grandes avanços e permitir acesso aos médicos e gestores à um
conhecimento que sempre esteve presente nos documentos, porém faltava a tecnologia
que pudesse cruzar todos esses dados em tempo hábil e com a devida qualidade e
segurança.
REFERÊNCIAS
AMARAL, F. Aprenda Mineração de Dados:
teoria e pratica. Rio de Janeiro: Alta Books,
2016a.
AMARAL, F. Introdução à Ciência de Dados:
mineração de dados e big data. Rio de Janeiro:
Alta Books, 2016b.
ANANIADOU, S.; KELL, D. B.; TSUJII, J. Text
mining and its potential applications in
systems biology. Biotechnology, [S.l.], v. 24,
n. 12, p. 571-579, 2006. Disponível em:
<https://bit.ly/2RaQ1Y1>. Acesso em: 07 set.
2018.
BENTES PINTO, V. Prontuário eletrônico do
paciente: documento técnico de informação e
comunicação do domínio da saúde.
Encontros Bibli: revista eletrônica de
biblioteconomia e ciência da informação,
Florianópolis, v. 11, n. 21, 2006. Disponível
em:<https://bit.ly/2QgqD5V>. Acesso em:
03 ago. 2018.
BRAGA, L. P. V. Introdução à Mineração de
Dados: 2. ed. rev. ampl. Rio de Janeiro: E-
papers Serviços Editoriais, 2005.
BRASIL. Resolução CFM nº 1638/02, de 10
de julho de 2002. Brasília: Diário Oficial da
União; 09 de agosto de 2002.
BRASIL. Conselho Federal de Medicina.
Sociedade Brasileira de Informática em
Saúde. Manual de certificação para
Sistemas de Registro Eletrônico em Saúde
(S-RES) versão 4.2. Brasil, 2016.
BRASIL. Instituto Brasileiro de Geogradia e
Estatística. Projeção da população do
Brasil e das Unidades da
Federação, 2018a. Disponível em:
<https://bit.ly/2EIT9bH>. Acesso em: 12 set.
2018.
BRASIL. Portal brasileiro de dados abertos.
Brasília, 2018b. Disponível em:
<http://dados.gov.br>. Acesso em: 31 ago.
2018.
CARVALHO, D. R. et al. Mineração de Dados
aplicada à fisioterapia. Fisioterapia Mov.,
Rio de Janeiro, v. 25, n. 3, p. 595-605, jul.,
2012. Disponível em:
<https://bit.ly/2Qjf2mL>. Acesso em: 26 ago.
2018.
180
Carvalho| Aplicação de mineração de dados
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
CASTRO, L. N.; FERRARI, D. G. Introdução à
Mineração de Dados. São Paulo: Saraiva,
2016.
CHIAVEGATTO FILHO, A. D. P. Uso de big
data em saúde no Brasil: perspectivas para
um futuro próximo. Epidemiologia e
Serviços de Saúde, Brasília, v. 24, n. 2, p.
325-332, jun., 2015.
BRASIL. Conselho Federal de
Medicina. PORTAL MÉDICO. 2018.
Disponível em: <http://portal.cfm.org.br>.
Acesso em: 12 set. 2018.
FALCÃO, A. E. J. et al. InDeCS: método
automatizado de classificação de páginas
Web de Saúde usando mineração de texto e
Descritores em Ciências da Saúde
(DeCS). Journal of Health Informatics, São
Paulo, v. 1, n. 1, p. 1-6, jul. 2009. Disponível
em: <https://bit.ly/2PS6Vyd>. Acesso em:
17 jun. 2018.
FERNEDA, E. Introdução aos Modelos
Computacionais de Recuperação de
Informação. Rio de Janeiro: Ciência
Moderna, 2012.
GALVÃO, M. C. B.; RICARTE, I. L. M.
Prontuário do Paciente. Rio de Janeiro:
Guanabara Koogan, 2012.
GALVÃO, M. C. B.; RICARTE, I. L. M..
Prontuário eletrônico do paciente. 2015.
203 slides. Disponível em:
<https://bit.ly/2PR8A6V>. Acesso em: 10 jul.
2018.
GREGORY, G.; PRETTO, F. Mineração de
Dados para Descoberta de Conhecimento em
Dados de Promoção à Saúde. Revista
Destaques Acadêmicos, [S.l.], v. 8, n. 4, p.
51-65, 2016.
HOBBS, G. R. Data mining and healthcare
informatics. American journal of health
behavior, [S.l.], v. 25, n. 3, p. 285-289, 2001.
INTERNATIONAL BUSINESS MACHINES. IBM
Watson Health. 2016. Disponível em:
<https://ibm.co/2R9sBCj>. Acesso em: 14
maio. 2018.
INTERNATIONAL BUSINESS MACHINES.
Watson Health. 2018. Disponível em:
<https://ibm.co/2bHwY2s>. Acesso em: 10
set. 2018.
INTERNATIONAL BUSINESS MACHINES.
Watson and Cancer: Get the Facts. 2017.
Disponível em: <https://ibm.co/2wbxuzK>.
Acesso em: 19 set. 2017.
INTERNATIONAL DATA CORPORATION. The
Digital Universe of Opportunities: Rich
Data and the Increasing Value of the Internet
of Things. 2014. Disponível em:
<http://idcdocserv.com/1678>. Acesso em:
15 ago. 2018.
ISOTANI, S.; BITTENCOURT, I. Dados
Abertos Conectados. São Paulo: Novatec
Editora, 2015. Disponível em:
<https://bit.ly/2L5Wctr>. Acesso em: 10 jun.
2018.
LOPES, V. J.; CARVALHO, D. R.; LAHM, J. V.
KDD na Avaliação da Usabilidade do
Prontuário Eletrônico do Paciente por
Profissionais da Enfermagem. Revista
Brasileira de Inovação Tecnológica em
Saúde, Rio Grande do Norte, v. 6, n. 3, p. 20-
31, 2017.
MACIEL, T. V. et al. Mineração de Dados em
triagem de risco de saúde. Revista
Brasileira de Computação Aplicada, [S.l.], v.
7, n. 2, p. 26-40, 2015.
MOOERS, C. N. Zatocoding applied to
mechanical organization of knowledge.
American documentation, [S.l], v. 2, n. 1, p.
20-32, 1951.
ORGANIZAÇÃO MUNDIAL DA SAÚDE.
Evaluación de los programas de salud:
normas fundamentales para su aplicación en
el procesode gestion para el desarollo
nacional de la salud. Genebra, 1981. p. 49.
PENG, R. D. R Programming for Data
Science. Online: Leanpub, 2015. Disponível
em: <https://bit.ly/1JIouGj>. Acesso em: 03
ago. 2018.
QUILICI-GONZALEZ, J. A.; ZAMPIROLLI, F. A.
Sistemas Inteligentes e Mineração de
Carvalho| Aplicação de mineração de dados
181
Inf. Pauta, Fortaleza, CE, v. 3, número especial, nov. 2018 | ISSN 2525-3468
Dados. Santo André: Triunfa Gráfica e
Editora, 2015.
R CORE TEAM. Comprehensive R Archive
Network. R Data Import/Export. 2015.
Disponível em: <https://bit.ly/2KtBc0j>.
Acesso em: 10 ago. 2018.
RSTUDIO. Take control of your R code.
2018. Disponível em:
<https://bit.ly/1VLmlgA>. Acesso em: 13
ago. 2018.
SCHEFFER, M. et al., Demografia Médica no
Brasil 2015. Departamento de Medicina
Preventiva, Faculdade de Medicina da USP.
Conselho Regional de Medicina do Estado de
São Paulo. Conselho Federal de Medicina. São
Paulo, 2015, 284 p.
SILVA, L. A.; PERES, S. M.; BOSCARIOLI,
C. Introdução à Mineração de Dados: com
Aplicações em R. São Paulo: Elsevier, 2016.
SONG, M. Opinion: Text Mining in the Clinic.
The Scientist. Midland, abr. 2013. Opinion.
Disponível em: <https://bit.ly/2FEPYTd>.
Acesso em: 14 jun. 2018.
SPASIĆ, I. et al. Text mining and ontologies in
biomedicine: Making sense of raw
text. Briefings in Bioinformatics, Oxford:
University Press, v. 6, n. 3, p. 239-251, 2005.
ZWEIGENBAUM, P. et al. Frontiers of
biomedical text mining: current
progress. Briefings in
Bioinformatics, Oxford University, v. 8, n. 5,
p. 358-375, 2007.
NOTAS
i
A revisão ortográfica, gramatical e em Língua Portuguesa é de responsabilidade do autor.
