Defesa de Mestrado de Marcos Felipe de Menezes Mota

28fev2020
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
Instituto de Computação
Privacy Overview

This website uses cookies so that we can provide you with the best user experience possible. Cookie information is stored in your browser and performs functions such as recognising you when you return to our website and helping our team to understand which sections of the website you find most interesting and useful.