Redes bayesianas para eleição da ventilação mecânica no pós-operatório de cirurgia cardíaca

Ano: 2011 | Volume: 24 | Número: 3

Autores: Carolina Napoli Macedo Schenekenberg, Andreia Malucelli, João da Silva Dias, Marcia Regina Cubas

Palavras-chave: Inteligência artificial, Rede bayesiana, Ventilação mecânica, Cirurgia cardíaca.

Resumo Português:

A ventilação mecânica no pós-operatório de cirurgia cardíaca pode trazer algumas complicações
respiratórias ao paciente. Para minimizar esse risco é necessária a adaptação correta e rápida do
ventilador mecânico. A dificuldade para isso está no número expressivo de variáveis para a regulagem
do ventilador mecânico e na obtenção de todas essas variáveis. Como o período de ventilação mecânica
geralmente não ultrapassa 12 horas, esse tempo deve ser otimizado para que o paciente possa estar em
ventilação espontânea o mais rapidamente possível. Objetivos: Este trabalho propõe o uso de redes bayesianas
(RB) para auxiliar o profissional no momento da decisão, agilizando o atendimento dos pacientes.
Materiais e métodos: Para o desenvolvimento da RB fez-se necessário o uso de uma base de dados com
casos clínicos, a qual se constituiu de 137 casos. A avaliação foi realizada por meio das medidas de validade
operacionais de instrumentos, tabelas de contingência e curvas ROC. Resultados: Mostraram que a RB desenvolvida apresentou um adequado desempenho para a eleição da modalidade e parâmetros ventilatórios.
Conclusão: Os resultados com a RB foram semelhantes aos indicados pela literatura, mostrando assim
uma compatibilidade entre o raciocínio humano e o computacional.

Resumo Inglês:

Mechanical ventilation in postoperative cardiac surgery can bring some respiratory complications
for the patient. To minimize this risk is necessary for proper and rapid mechanical ventilator. The difficult
for that is the large number of variables for adjusting the mechanical ventilator and getting all these variables.
As the period of mechanical ventilation, usually not exceed 12 hours, this time must be optimized so that the
patient may be in spontaneous ventilation as soon as possible. Objectives: This paper proposes the use of
Bayesian Networks to assist the professional in the making decision, speeding up the patients care. Materials
and methods: The development of the RB used a database composed of 137 clinical cases. The evaluation was
performed by the instruments operational validity measurement, contingency tables and ROC curves. Results:
RB presented an adequate performance for the election of the ventilatory modes and parameters. Conclusion:
The results applying RB were similar to those suggested by the literature, showing consistency between computational
and human reasoning.