Ferramenta computacional de auxílio à interpretação de exames laboratoriais

Autores

Palavras-chave:

Análise laboratorial, Ferramenta, Redes Neurais, Tesseract, OCR

Resumo

A interpretação de exames laboratoriais bioquímicos frequentemente apresenta desafios significativos devido à diversidade de formatos e estruturas adotadas por diferentes laboratórios. A variação na apresentação dos dados e a falta de padronização muitas vezes dificultam a análise eficiente desses resultados, podendo levar a erros de interpretação e diagnósticos imprecisos. Profissionais da saúde enfrentam um obstáculo ao lidar com essa heterogeneidade, o que pode afetar a qualidade e a rapidez no processo de tomada de decisões clínicas. Nesse contexto, esse trabalho se concentra no desenvolvimento de uma ferramenta inovadora para lidar com essa problemática. Uma aplicação foi concebida utilizando tecnologias avançadas como Reconhecimento Óptico de Caracteres (OCR) combinado com uma Rede Neural Recorrente do tipo Long Short-Term Memory (LSTM). Essa abordagem permite a leitura precisa de exames provenientes de diferentes laboratórios, independentemente dos formatos utilizados. A aplicação se destaca ao criar uma interface que padroniza os resultados obtidos de maneira a simplificar a interpretação dos exames, facilitando assim o processo diagnóstico por esses profissionais. O modelo desenvolvido representa uma solução eficaz para os problemas expostos, superando a complexidade decorrente da diversidade de formatos. Ao automatizar e simplificar a análise, ela contribui para a redução de erros de interpretação e, consequentemente, para uma melhoria na qualidade do diagnóstico, impactando positivamente a eficiência e a precisão na área de saúde.

Biografia do Autor

André Neves Medeiros, Universidade Federal de Alfenas

Discente do curso de Ciência da Computação

Ricardo Menezes Salgado, Universidade Federal de Alfenas

Departamento de Ciência da Computação

Referências

AMBRÓSIO, Paulo Eduardo. Redes neurais artificiais no apoio ao diagnóstico diferencial de lesões intersticiais pulmonares. 2002. Tese de Doutorado. Universidade de São Paulo. Disponível em: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-26102002-155559/publico/Dissertacao.pdf. Acesso em: 10 de Outubro de 2023.

ANDRIOLO, A., et al. (2018). Recomendações da sociedade brasileira de patologia clínica/medicina laboratorial (SBPC/ML): fatores pré-analíticos e interferentes em ensaios laboratorias. Editora Manole Ltda.

DE CASTRO, F. C. C.; DE CASTRO, M. C. F. Redes neurais artificiais. Porto Alegre, RS: Pontifícia Universidade Católica do Rio Grande do Sul, 2001.

FATEMAN, Richard J. et al. Optical character recognition and parsing of typeset mathematics1. Journal of Visual Communication and Image Representation, v. 7, n. 1, p. 2-15, 1996.

GEEKSFORGEEKS. Introduction to Recurrent Neural Network.18 de Maio de 2023. Disponível em: https://www.geeksforgeeks.org/introduction-to-recurrent-neural-network/. Acesso em: 20 de Out. de 2023.

HAYKIN, Simon. Redes neurais: princípios e prática. Bookman Editora, 2001.

ICMC-USP. Redes Multi Layer Perceptron treinadas com BackPropagation. Disponível em: https://sites.icmc.usp.br/andre/research/neural/#cara. Acesso em: 12 de Out. de 2023.

KOVÁCS, Zsolt László. Redes neurais artificiais. Editora Livraria da Fisica, 2002.

LIMA-OLIVEIRA G, Volanski W, Lippi G, Picheth G, Guidi GC. Pre-analytical phase management: a review of the procedures from patient preparation to laboratory analysis. Scand J Clin Lab Invest. 2017 May;77(3):153-163. doi: 10.1080/00365513.2017.1295317. Epub 2017 Mar 7. PMID: 28266238.

MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, p. 115-133, 1943.

META, Platform. Inc. Menlo Park, Califórnia, Estados Unidos, 2004.

MITHE, Ravina; INDALKAR, Supriya; DIVEKAR, Nilam. Optical character recognition. International journal of recent technology and engineering (IJRTE), v. 2, n. 1, p. 72-75, 2013.

NAGY, George. At the Frontiers of OCR. Proceedings of the IEEE, v. 10, n. 7, Julho de 1992. Disponível em: https://sites.ecse.rpi.edu/~nagy/PDF_files/Nagy_ProcsIEEE92-Frontiers-0f-OCR.pdf. Acesso em: 15 de Out. de 2023.

RAUBER, Thomas Walter. Redes neurais artificiais. Universidade Federal do Espírito Santo, v. 29, 2005. Disponível em: https://www.researchgate.net/profile/Thomas-Rauber-2/publication/228686464_Redes_neurais_artificiais/links/02e7e521381602f2bd000000/Redes-neurais-artificiais.pdf. Acesso em: 16 de Out. de 2023.

SINGH, Amarjot; BACCHUWAR, Ketan; BHASIN, Akshay. A survey of OCR applications. International Journal of Machine Learning and Computing, v. 2, n. 3, p. 314, 2012. Disponível em: http://www.ijmlc.org/papers/137-L0022.pdf. Acesso em: 18 de Out. de 2023.

SOUSA, A. C. N.; RODRIGUES JUNIOR, O. M. . Main errors in the pre-analytical phase of laboratory tests: an integrative literature review. Research, Society and Development, [S. l.], v. 10, n. 15, p. e261101523662, 2021. DOI: 10.33448/rsd-v10i15.23662. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/23662. Acesso em: 20 de Out. de 2023.

STAUDEMEYER, Ralf C.; MORRIS, Eric Rothstein. Understanding LSTM - a tutorial into Long Short-Term Memory Recurrent Neural Networks. 23 de Setembro de 2019. Disponível em: https://arxiv.org/pdf/1909.09586.pdf. Acesso em: 15 de Out. de 2023.

Downloads

Publicado

30-07-2024

Como Citar

Medeiros, A. N., & Salgado, R. M. (2024). Ferramenta computacional de auxílio à interpretação de exames laboratoriais. Sigmae, 13(2), 1–22. Recuperado de https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/2299

Edição

Seção

Ciências da Computação