A+A-ContrastAcessibilidade
EnglishPortuguese
Buscar

Defesa de Mestrado de Marcos Felipe de Menezes Mota

28 Fev
10:00 Defesa de Mestrado Auditório 2 do IC 3
Tema
Harena System for Medical Training: Causal Modeling for Procedural Content Generation of Clinical Cases
Aluno
Marcos Felipe de Menezes Mota
Orientador / Docente
André Santanchè
Breve resumo
Preparar os estudantes de medicina para prestar atendimento de emergência é um dos maiores desafios da educação em saúde, pois os médicos novatos devem desenvolver o amplo espectro de conhecimento de um médico generalista no menor tempo possível. Pesquisas em treinamento médico demonstram que um sistema computacional para aprendizado online baseado em problemas, apresentando casos clínicos a serem resolvidos pelos alunos, traz vários benefícios no processo de aprendizagem. Apesar dos benefícios desses sistemas educacionais, também conhecido como sistemas de e-Learning, um fator que impede à adoção em larga escala desse tipo de plataforma é a dificuldade e tempo necessário para criar conteúdo adequado para aprendizagem. Uma possível solução a seria a geração desse conteúdo de forma algorítmica, esse é o objetivo de uma área chamada geração procedural de conteúdo (GPC). A maior parte das publicações e dados médicos disponíveis relatam relações de causa e efeito entre sintomas, doenças e medicamentos, mas as técnicas de GPC não incorporam nenhum formalismo de inferência causal em seus modelos. Portanto, a abordagem dessa pesquisa é utilizar GPC e inferência causal para a geração de narrativas de casos clínicos. Para materializar essa abordagem foi utilizado o sistema Harena, sistema desenvolvido no Laboratório de Sistemas de Informação (LIS) em parceria com a Faculdade de Ciências Médicas (FCM). O Harena é um sistema web que permite a criação de narrativas médicas de maneira sistemática e a compilação de narrativas em um caso clínico interativo. Utilizando o sistema e modelos de causa e efeito, foi possível gerar narrativas clínicas jogáveis e com esquemas de narrativas variável. Portanto, apesar de incipientes, os resultados indicam a capacidade de gerar narrativas clínicas para sistemas de treinamento médico através de GPC e modelagem causal. Assim, essa pesquisa recomenda maior exploração de GPC no contexto de aplicações médicas e que a integração com modelos de causalidade podem trazer um modelo mais rico para os algoritmos de GPC.
Banca examinadora
Titulares:
André Santanchè IC/UNICAMP
Dario Cecilio Fernandes FCM/UNICAMP
Hélio Pedrini IC/UNICAMP
Suplentes:
Julio Cesar dos Reis IC/UNICAMP
Thiago Martins Santos FCM/UNICAMP