Uso do Computador no Apoio ao Diagnóstico Médico

Renato M.E. Sabbatini


Núcleo de Informática Biomédica da Universidade Estadual de Campinas
WWW: http://home.nib.unicamp.br/~sabbatin Email:renato@sabbatini.com

Revista Informédica, 1(1): 5-11, 1993.


Introdução

O processo de tomada de decisões ocorre em diversos pontos da atividade do médico. Algumas delas são bastante elementares, como é o caso da interpretação de um resultado de laboratório. Entretanto existem três outras importantes situações ao longo da atenção médica, nas quais o computador pode auxiliar as decisões. Elas estão relacionadas basicamente à resolução de problemas que caracteriza a Medicina clínica [28]: o diagnóstico, o planejamento terapêutico e o prognóstico.


Figura 1 - Processos básicos de tomada de decisão em Medicina


Estes três níveis de decisão são fortemente interrelacionados, e fazem parte de um ciclo repetitivo e auto-modificável de avaliação-decisão-ação-avaliação (Fig. 1). Em conseqüência, muitos programas de computador de apoio a decisão incluem os três aspectos como um todo. O primeiro e bem sucedido exemplo é o MYCIN, um programa desenvolvido nos Estados Unidos nos anos setenta, por Shortliffe e colaboradores [34], o qual é um sistema de apoio ao diagnóstico e terapia na área de infecções por microrganismos.

Sem dúvida, a área mais complexa e difícil da tomada de decisão médica é o diagnóstico. As principais razões para isto são as seguintes [11,38]:

Portanto, não é de se surprender que vários médicos eminentes e cientistas de computação acreditem que programas de diagnóstico médico totalmente autônomos são quase impossíveis de implementar, ou pelo menos, não têm utilidade na prática clínica. Iremos ver, contudo, que este não é o caso, e que mesmo os microcomputadores podem ser ferramentas úteis para aperfeiçoar e aumentar a precisão e a certeza dos diagnósticos médicos.


Classificação dos Sistemas de Decisão

Os sistemas de apoio à decisão médica podem ser classificados da seguinte maneira [28]:

O objetivo deste artigo é discutir sistemas de apoio à decisão mais complexos, ou seja, programas computacionais capazes de fazer um raciocínio automático e inferências lógicas (indução e dedução). Até recentemente (isto é, a metade da década dos 80), estes tipos de programas podiam ser implementados apenas em computadores de grande porte, devido aos seus requisitos de memória e velocidade. Muitos deles, embora não necessariamente, utilizam as técnicas de processamento da informação que são próprias da Inteligência Artificial (IA). IA é o ramo da ciência da computação que estuda como imitar em um computador as capacidades típicas do intelecto humano.

Uma das áreas de interesse da IA é, justamente, a referente aos chamados sistemas especialistas [3]. Como o nome implica, estes são programas especializados numa área bastante estreita do conhecimento, tais como os sistemas capazes de diagnóstico médico diferencial. Embora os sistemas especialistas não sejam o único exemplo da tecnologia de IA aplicada ao campo médico, eles tem se constituído na área predominante de desenvolvimento nas últimas décadas, principalmente em função do aparecimento de diversos sistemas especialistas genéricos altamente potentes, para microcomputadores de 16 e 32 bits disponíveis no mercado.

Os sistemas especialistas proliferaram porque é mais fácil implementar bases de conhecimento médico mais restritas. Elas são mais bem definidos em termos de representação do conhecimento, regras de decisão, dados para apoiar a decisão, padronização de nomenclatura e concordância entre os especialistas; e produzem resultados mais úteis do ponto de vista prático, pois enfocam seus poderes de resolução em problemas diagnósticos difíceis. São geralmente considerados como especialistas confiáveis, pelos médicos que os utilizaram [13]. Contudo, têm sido feitas algumas tentativas de construir sistemas gerais de diagnóstico médico assistido por computador, tais como o INTERNIST/CADUCEUS [20] e o QMR (Quick Medical Record) [21], que tem encontrado, entre outras, interessantes aplicações no ensino médico [22].

A metodologia mais comum para a implementação de raciocínio automático em um computador é através de um sistema de consulta, o qual é essencialmente interativo. Nele, o médico fornece ao computador os dados sobre o paciente, e, em resposta, o programa fornece os diagnósticos mais prováveis, tratamentos, etc. Assim, o programa de computador age como um médico mais experiente (especialista), e pode citar dados da literatura que respaldem as suas afirmações, avaliações, propostas, etc. (capacidade explicativa). Outra metodologia, mais recente, é a dos chamados sistemas de crítica [16]. Nestes, o médico fornece sinais, sintomas e resultados de exames, assim como o diagnóstico, ou diagnósticos, presumidos. O programa de computador elabora, a partir desses dados, uma crítica sobre o diagnóstico hipotético fornecido pelo médico, e o orienta como determinar diagnósticos mais precisos, que tipo de dados adicionais devem ser conseguidos, etc.


Técnicas de implementação

As principais técnicas em uso para o auxílio automatizado ao diagnóstico médico podem ser classificadas em cinco grandes paradigmas:

Historicamente, os sistemas algorítmicos são os mais antigos, e começaram a ser propostos já no final da década dos 50 [14]. Eles se caracterizam por implementar decisãoes na forma de uma seqüência de comandos condicionais (IF...THEN) embutidos em um programa. Atualmente, são utilizados apenas para programas de apoio à decisão médica de pequeno tamanho e complexidade, devido à grande dificuldade que se tem de depurar e corrigir erros de lógica, e também ao fato de que a base de conhecimentos não é independente do programa [11].

Os sistemas lógicos baseados em regras, por sua vez, são uma "invenção" mais recente (a partir da metade da década dos 70), e conseguiram eliminar as dificuldades básicas dos sistemas algorítmicos. As regras são sentenças do tipo SE...ENTÃO...SENÃO, armazenadas à parte do programa, em um arquivo contendo a base de conhecimento. Estas sentenças são chamadas de regras de produção. Um exemplo:

SE o paciente tem dor torácica;
E a dor é opressiva;
E a dor inicia rapidamente;
E a dor aumenta com o tempo
ENT<183>O o diagnóstico é Infarto Agudo do Miocárdio.

Através desta técnica, se chega ao diagnóstico final após os dados disponíveis e relevantes sobre o paciente terem sido submetidos a estes testes condicionais.


IA e sistemas especialistas médicos

Desde os anos 70, quando começaram a ser utilizadas as técnicas de Inteligência Artificial em Medicina, foi desenvolvido um grande número de sistemas de apoio à decisão, de média ou grande complexidade. Além dos sistemas MYCIN e CADUCEUS/INTERNIST, citados acima [20,34], tivemos inúmeros outros sistemas, entre os quais:

Hoje se contam às centenas os sistemas especialistas médicos publicados na literatura especializada.


Figura 2 - Estrutura de um sistema especialista


A estrutura de um sistema especialista completamente operacional compreende quatro componentes essenciais (Fig. 2):

Logo depois que se desenvolveram sistemas especialistas específicos, foi reconhecido que eles eram relativamente fáceis de programar, mas que a parte que exigia raciocínio era a aquisição de conhecimento e a sua verificação (isto é, conferir se existem inconsistências, pontos cegos, erros e contradições no conhecimento fornecido pelos especialistas humanos). Isto pode levar de 2 a 10 anos, dependendo do tamanho do sistema ! Portanto, foi feito um grande progresso na direção do desenvolvimento de "shells" genéricos de sistemas especialistas, isto é, somente a parte de software do sistema especialista. Surgiram o EMYCIN (Essential MYCIN) [6], o EXPERT [41], etc. os quais estão sendo usados em outros domínios da medicina. Esta tendência influenciou o aparecimento posterior de um grande número de sistemas especialistas genéricos para microcomputadores.

Um elemento importante do raciocínio médico é o encadeamento causal, isto é, os médicos normalmente sabem porque um determinado sintoma ou resultado de teste aparece, como consequência de alguma alteração fisiológica, anatômica ou bioquímica subjacente. Portanto, muitos sistemas especialistas usam uma outra técnica de IA chamada de redes causais. O CASNET [13] e o INTERNIST [20] são sistemas que trabalham deste modo.


Sistemas especialistas em microcomputadores

Os microcomputadores de 16 e 32 bits tornaram possível o desenvolvimento e a comercialização de diversas sistemas especialistas do tipo "shell", tais como EXPERT-EASE, M-1, INSIGHT, ARBORIST, EXSYS, ES/P, PERSONAL CONSULTANT, GURU, NEXPERT, etc. Em nosso centro, desenvolvemos, para fins de ensino, um pequeno "shell" para desenvolvimento de sistemas especialistas baseados em regras, denominado EXPERTMD [30,32], que está disponível no domínio público.

Outra alternativa é usar uma linguagem de programação para escrever o software de um sistema especialista específico. Praticamente todas as linguagens importantes existentes foram usadas para este propósito: BASIC, FORTRAN, ALGOL, PASCAL, FORTH, etc. Contudo, existem algumas linguagens de computador que foram desenvolvidas para facilitar o desenvolvimento de aplicações de IA: o LISP, o LOGO e o PROLOG são as mais conhecidas.


O tratamento da incerteza

Infelizmente, o grau de certeza exigido pelos sistemas baseados em lógica é muito raro na Medicina. Portanto, é pequena a utilidade e a precisão dos programas puramente determinísticos. Este fato levou ao desenvolvimento de programas que levam em conta a incerteza na produção de regras. Existem três abordagens para tratar a incerteza na programação lógica:

a) lógica possibilística, também chamada 'fuzzy logic' (lógica difusa, ou nebulosa) [1,44]. Na álgebra booleana, os valores assumidos pelos extremos lógicos, falso e verdadeiro, seriam representados numericamente por 0 e 1 respectivamente. Na lógica difusa podemos ter qualquer número fracionário entre 0 e 1, de tal maneira que temos "verdades parciais". Eles são úteis para descrever conceitos que são normalmente vagos em alguma área de diferenciação, como, por exemplo:

p(obeso(paciente)) = 0,75 isto é, a proposição de que o paciente é obeso é 25% falsa, ou 75% verdadeira !

b) Fatores de certeza. São fatores aproximados, baseados mais na pragmática do que na estatística. Um exemplo clássico é o do programa MYCIN [34], onde esta notação foi primeiramente usada:

SE a infecção é bacteremia primária;
E o sítio de cultura é estéril;
E a porta de entrada suspeita é o trato gastrointestinal
ENTÃO o organismo deve ser bacteróide (FC=0,7)

Note que a regra de inferência tem um fator de certeza (FC) de 0,7, isto é, um especialista teria certeza disto somente em 70% das ocasiões. Os FC expressam o grau de confiabilidade que poderia ser atribuído a uma dada conclusão como um resultado da evidência associada.

c) Probabilidades: esta abordagem exige probabilidades "reais", ou seja, números associando eventos e populações, obtidos por estudos estatísticos próprios. Os programas de diagnóstico diferencial baseados no teorema de Bayes (14) usam a abordagem de construir uma matriz contendo as probabilidades de um dado sintoma , sinal, etc., ser associado a uma doença, como resultado de algum estudo estatístico numa amostra de pacientes, numa área de diagnóstico médico. Por exemplo:

A probabilidade de que um paciente apresente uma perda de peso persistente, dado que ele tem tuberculose miliar é de 0,8

O teorema de Bayes fornece uma abordagem para calcular as probabilidades para cada diagnóstico,, dado um conjunto de indicadoes. É um modo simples de combinar as probabilidades condicionais, produzindo uma probabilidade final, que poderia ser a seguinte:

A probabilidade de:
ENDOCARDITE BACTERIANA é de 0,85
TUBERCULOSE MILIAR é de 0,23
FEBRE TIFOIDE é de 0,01
DOENÇA DE HODGKIN é de 0,0011

d) Classificação multivariada: esta abordagem foi muito usada no passado, mas atualmente tem sido substituída pela onda dos sistemas especialistas baseados em lógica [19]. Existem diversos métodos multivariados que podem ser usados para solucionar o problema de classificação de doenças, utilizados com dados numéricos ou não numéricos (nominais).


Figura 3 - Representação espacial de um problema de classificação


Sistemas que aprendem

Uma dos obstáculos ao maior uso de sistemas de apoio à decisão médica é a dificuldade em se criar e atualizar a base de conhecimentos. Muitas das tarefas associadas à decisão são de difícil sistematização e caem no domínio do que chamamos problemas mal definidos, ou seja, que não podem ser expressos por formalismos matemáticos, estatísticos ou lógicos. O reconhecimento de padrões espaciais ou temporais complexos (classificação de um traçado de EEG, reconhecimento de uma afecção de pele) é um desses problemas, muito freqüentes em Medicina.

Assim, tem sido feitos esforços no sentido de desenvolver sistemas especialistas capazes de "aprender" sozinhos as associações lógicas. Estes sistemas são chamados de adaptativos. O mais recente paradigma de utilização de sistemas adaptativos no campo de apoio à decisão médica são as redes neurais artificiais (também chamadas de sistemas conexionistas). Eles procuram imitar a organização altamente paralela do cérebro, que tem propriedades de computação coletiva e distribuída, e que possuem a capacidade de aprendizado supervisionado ou não supervisionado [27]. Os sistemas conexionistas têm sido utilizados para um número crescente de tarefas de classificação de doenças, controle de equipamentos biomédicos inteligentes, processamento de sinais e imagens, etc. [33]


A utilidade do diagnóstico assistido por computador

Nos últimos anos, tem sido anunciado na literatura um grande número de programas de apoio à decisão médica. Muitos deles são bastante sofisticados e têm, sistematicamente, um desempenho melhor que os médicos comuns. Uns poucos programas são bem melhores que os médicos mais graduados e são taxados de especialistas pelos humanos. Contudo, só raramente os sistemas de auxílio ao diagnóstico têm sido usados rotineiramente na prática clínica. Quando são usados, provam ser bastante confiáveis e úteis. Um programa para o diagnóstico da etiologia de uma dor abdominal aguda, desenvolvido na Inglaterra, por exemplo, tem sido rotineiramente usado nas enfermarias de emergência de alguns hospitais. O seu uso ajudou na redução em 50% nas taxas de apendicite perfurada, e na redução de 36% para 14% da incidência de cirurgias abdominais desnecessárias9. O sistema MYCIN também foi avaliado extensamente, com bons resultados [43]. Alguns poucos sistemas especialistas médicos tem sido oferecidos comercialmente, geralmente embutidos em equipamentos biomédicos, como é o exemplo de um sistema de avaliação respiratória2, e outro de interpretação automática de eletroforese de proteínas [42].

Uma aplicação muito interessante e bem aceita pelos profissionais de saúde é o uso de sistemas especialistas para alerta automático de riscos de saúde, procedimentos necessários, etc., a partir dos dados armazenados no registro clínico da instituição. O sistema HELP, desenvolvido na Universidade de Utah [25,39] realiza com sucesso este tipo de tarefa para sistemas hospitalares. Outra aplicação ainda é a descoberta automática de relações causais-estatísticas entre variáveis de um banco de dados médico, através de programas especializados, como o DX5.

Independentemente deste problema de aceitação por parte do pessoal médico, o qual é encontrado muitas vezes; poderíamos atribuir tal falta de penetração dos programas de diagnóstico a outros fatores que provavelmente serão superados nos próximos anos [15,37], tais como a pouca disponibilidade dos programas. Muitos deles foram desenvolvidos para fins de pesquisa, e não para aplicações práticas, e são difíceis de conseguir. Por outro lado, os médicos normalmente desconhecem os benefícios e as potencialidades de uso destes tipos de programas, e existem problemas éticos e legais envolvidos com o uso de computadores na decisão médica [18,40].

Com o desenvolvimento e comercialização em massa dos poderosos microcomputadores com palavras de 16 e 32 bits, temos agora a possibilidade de implementar e comercializar programas de diagnóstico, que ultrapassem àqueles usados até agora em grandes computadores. A disponibilidade generalizada e o baixo custo destas máquinas e o aparecimento de sistemas especialistas genéricos e ensináveis, permite-nos antever um crescente aumento no papel dos programas de diagnóstico médico assistidos por computador baseados em Inteligência Artificial.

Para os leitores que quiserem se aprofundar no tema da Inteligência Artificial aplicada à Medicina, recomendamos uma bibliografia adicional [3,6,8,11,17,26,35,38,39], que pode ser encontrada em bibliotecas especializadas, como a do Centro de Informática em Saúde da Escola Paulista de Medicina, ou no Centro de Documentação em Informática Biomédica (CEDIB), do Núcleo de Informática Biomédica da Unicamp. Cursos em nível de pós-graduação também são oferecidos por essas duas instituições.


Referências Bibliográficas

  1. Adlassnig, K.; Kolarz, G. - CADIAG-2: Computer-assisted medical diagnosis using fuzzy subsets. In: Gupta, M.; Sanchez, E. (Eds.) - Fuzzy Information and Decision Processes. Amsterdam: North-Holland, p. 219-247, 1982.
  2. Aikins, J.; Kunz, J.; Shortliffe, E.H. et al. - PUFF: An expert system for interpretation of pulmonary function data. Comput. Biomed. Res., 16:199-208, 1983.
  3. Barr, A.; Feigenbaum, E.A. - Applications-oriented AI research: Medicine. The Handbook of Artificial Intelligence. Reading, MA: Addison-Wesley, p. 175-222, 1982.
  4. Bleich, H.L. - Computer-based consultation: electrolyte and acid-base disorders. Amer. J. Med., 53: 285, 1972.
  5. Blum, R.L.; Wiederhold, G. - Inferring knowledge from clinical data banks: utilizing techniques from artificial intelligence. Proceed. II Symp. Comput. Appl. Med. Care. Washington, DC: IEEE, p. 303-5, 1978.
  6. Buchanan, B.; Shortliffe, E.H. (Eds.) - Rule-Based Expert Systems. Reading, MA: Addison-Wesley, 1984.
  7. Clancey, W. - Use of MYCIN's rules for tutoring. In: Buchanan, B.; Shortliffe, E.H. (Eds.) - Rule-Based Expert Systems. Reading, MA: Addison-Wesley, 1984.
  8. Clancey, W.; Shortliffe, E.H. (Eds.) - Readings in Medical Artificial Intelligence: The First Decade. Reading, MA: Addison-Wesley, 1984.
  9. de Dombal, F.T.; Leaper, D.F.; Horrocks, J.C. - Human and computer-aided diagnosis of abdominal pain. Further report with emphasis on performance of clinicians. Brit. Med. J., 1:376-380, 1974.
  10. Fagan, L. - Knowledge engineering for dynamic clinical settings. Giving advice in the intensive care unit. Doctoral Dissertation, Stanford University, 1979.
  11. Fattu, J.M.; Patrick, E.A. - Computer-aided diagnosis and decision making. In: Javitt, J. (Ed.) - Computers in Medicine. Applications and Possibilities. Philadelphia, PA: W.B. Saunders, p. 201-233, 1986.
  12. Gorry, G.A.; Silverman, H.; Pauker, S.G. - Capturing clinical expertise: a computer program that considers clinical responses to digitalis. Amer. J. Med., 54: 452-460, 1978.
  13. Kulikowski, C.A.; Weiss, S. - Representation of expert knowledge for consultation. The CASNET and EXPERT projects. In: Szolovitz, P. (Ed.) - Artificial Intelligence in Medicine. Westview Press, Boulder, CO, pp. 21-55, 1982.
  14. Ledley, R.S.; Lusted, L.B. - Reasoning foundations of medical diagnosis. Science, 130:9, 1959.
  15. Machado, R. - Decisão médica assistida por computador. II. Os sistemas especialistas. Rev. Bras. Inform. Saúde, 3: 3-9, 1987.
  16. Miller, P.L. - Expert Critiquing Systems: Practice-Based Medical Consultation by Computer. New York: Springer-Verlag, 1986.
  17. Miller, P.L. (Ed.) - Selected Topics in Medical Artificial Intelligence. New York: Springer-Verlag, 1984.
  18. Miller, R.A.; Schaffner, K.F.; Meisel, A. - Ethical and legal issues related to the use of computer programs in clinical medicine. Ann. Int. Med., 102: 529-36, 1985.
  19. Patrick, E.A. - Decision Analysis in Medicine: Methods and Applications. Englewood Cliffs, NJ: Prentice-Hall, 1979.
  20. Miller, R.A.; Pople, H.E.; Myers, J.D. - Internist-I: an experimental computer-based diagnostic consultant for general medicine. N. Engl. J. Med., 307:468, 1982.
  21. Miller, R.A.; Masarie, F.E.; Myers, J.D. - Quick Medical. Reference (QMR) for diagnostic assistance. M.D. Computing, 3(5): 34, 1986.
  22. Miller, R.A.; Masarie, F.E. - Use of the Quick Medical Reference (QMR) program as a tool for medical education. Meth. Inform. Med., 28(4): 340-5, 1989.
  23. Patil, R.S.; Szolovits, P.; Schwartz, W.B. - Modeling knowledge of the patient in acid-base and electrolyte disorders. In: Szolovitz, P. (Ed.) - Artificial Intelligence in Medicine. Westview Press, Boulder, CO, pp. 191-226, 1982.
  24. Pauker, S.G.; Gorry, G.A.; Kassirer, J.P.; Schwartz, W.B. - Toward the simulation of clinical cognition: taking a present illness by computer. Amer. J. Med., 60: 981-995, 1976.
  25. Pryor, T.; Gardner, R.M.; Clayton, P.D.; Warner H.R. - The HELP system. J. Med. Syst., 7:87, 1983.
  26. Reggia, J.A.; Tuhrim, S. - Computer-Assisted Medical Decision Making (Vols. 1/2). New York: Springer-Verlag, 1985.
  27. Reggia, J.A.; Sutton III, G.G. - Self-processing networks and their biomedical implications. Proc. IEEE, 76(6): 580-92, 1988.
  28. Sabbatini, R.M.E. - Microcomputers Applications in Medicine: a Review. Geneva: World Health Organization, Information Systems Support Division, mimeo, 1985.
  29. Sabbatini, R.M.E. - Automação de sistemas de arquivo médico baseados em microcomputadores. In: Rodrigues, R.J. (Ed.) - A Informática e o Administrador Hospitalar. São Paulo: Pioneira, p. 71-82, 1987.
  30. Sabbatini, R.M.E. - A practical course on knowledge engineering for Health professionals. In: Barber, B.; Cao, D.; Qin, D.; Wagner, G. (Eds.) - Proc. 6th World Congress of Medical Informatics. Amsterdam: North-Holland, p. 949-952, 1989.
  31. Sabbatini, R.M.E. - A anamnese clínica automatizada. MedNews, São Paulo, SP, Pp. 29-38, julho de 1991.
  32. Sabbatini, R.M.E. - EXPERTMD I. Manual de Uso. 3ª Edição, Núcleo de Informática Biomédica da Universidade Estadual de Campinas, Campinas, janeiro de 1992.
  33. Sabbatini, R.M.E. - Aplicações biomédicas de redes neurais artificiais. Campinas, SP: Núcleo de Informática Biomédica da Universidade Estadual de Campinas, 1992.
  34. Shortliffe, E.H. - Computer-Based Medical Consultation: Mycin. Amsterdam, Elsevier Scientific Publ., 1976.
  35. Shortliffe, E.H. - Clinical decision-support systems. In: Shortliffe, E.H.; Perreault, L.E.; Wiederhold, G.; Fagan, L.M. (Eds.) - Medical Informatics. Computer Applications in Health Care. Reading, MA: Addison-Wesley, 1990.
  36. Shortliffe, E.H.; Scott, A.; Bischoff, M. - ONCOCIN: an expert system for oncology protocol management. Proc. Internat. Joint Conf. Artif. Intellig., p. 876-881, 1981.
  37. Shortliffe, E.H. - Testing reality: the introduction of decision-support technologies for physicians. Meth. Inform. Med., 28:1, 1989.
  38. Szolovits, P. - Artificial Intelligence and Medicine. In: Szolovits, P. (Ed.) - Artificial Intelligence in Medicine. Westview Press, Boulder, CO, pp. 21-55, 1982
  39. Warner, H. - Computer-Assisted Medical Decision-Making. New York, NY: Academic Press, 1979
  40. Watson, B.L. - Liability for failure to acquire or use computers in medicine. New York: IEEE Comput. Soc., 879-83, 1981
  41. Weiss, S.; Kulikowski, C.A. - EXPERT: A system for developing consultation nodes. Proceed. 6th Intern. Joint Conf. Artif. Intellig. p. 942-947, 1979
  42. Weiss, S.; Kulikowski, C.A.; Galen, R. - Developing microprocessor-based expert models for instrument interpretation. Proceed. 7th Intern. Joint Conf. Artif. Intellig. Los Altos, CA: Morgan-Kauffman, 1981
  43. Yu, V.L.; Buchanan, B.B.; Shortliffe, E.H.; Wriath, S.M.; Davis, R.; Scott, A.C.; Cohen, S.N. - Evaluating the performance of a computer-based consultation. Comput. Prog. Biomed., 9: 95-102, 1979
  44. Zadeh, L.A. - The role of fuzzy logic in the management of uncertainty in expert systems. J. Fuzzy Sets Syst., 11(3): 199-227, 1983
    Voltar à HomePage Voltar ao Índice de Artigos Enviar email p/o Editor
    Copyright (c) 1995 Renato M.E. Sabbatini