RESUMO
OBJETIVO: Na última década os computadores de mão se popularizaram entre profissionais da saúde. Nos EUA, por exemplo, cerca de 60-70% dos estudantes de medicina já os utilizam. A disponibilização de informação clínica nestes dispositivos pode auxiliar no ensino de práticas médicas, no entanto, a maneira como são estruturadas pode influenciar na satisfação e no aprendizado dos alunos. Portanto, este artigo objetiva apresentar os resultados da avaliação do MDFluxo: um programa para auxílio ao ensino de oftalmologia em computadores de mão. MÉTODOS: O programa foi desenvolvido com fluxogramas estruturados, extraídos do Guia de Oftalmologia da Universidade Federal de São Paulo. A avaliação foi realizada, comparando o desempenho de 20 estudantes de medicina na solução de casos clínicos, utilizando o programa, o livro ou nenhum material. RESULTADOS: Os resultados mostram que o desempenho dos estudantes na avaliação com o livro foi equivalente ao MDFluxo nas questões sobre etiologia (p<0,01) e conduta (p<0,05) na solução dos casos clínicos, desempenho melhor do que sem a utilização de nenhum material. CONCLUSÃO: Na avaliação de satisfação com o uso do programa 82,5% dos estudantes aprovou sua utilização na solução de casos clínicos.
OBJECTIVE: In the last decade the handheld computers have been popularized among health professionals, on the USA, for instance, among 60-70% of medical students already use them. Make clinical information available on these devices can aid teaching medical practices, however, the way they are structured may influence students' satisfaction and learning. The purpose of this paper is to present MDFluxo evaluation, a program developed in handheld computers to aid ophthalmology teaching. METHODS: The program was developed with structured flowcharts extracted from The Ophthalmology Guide book. The assessment was placed comparing 20 medical under-graduating students' performance solving clinical cases aided by the program, a book, or no material. RESULTS: The results shown that the performance of students in the evaluation with book was equivalent to MDFluxo in etiology (p <0.01) and conduct (p <0.05) on clinical cases solving and better performance than without the use any material. CONCLUSION: On MDFluxo user satisfaction evaluation 82.5% of students approved it's use on clinical case solving.
RESUMO
Introdução: Complicações associadas ao transplante de rim e imunossupressão podem ser prevenidas ou tratadas efetivamente quando são diagnosticadas em fases iniciais com o monitoramento pós-transplante. Objetivo: O objetivo deste estudo exploratório é comparar classificadores automáticos de padrões utilizando diferentes técnicas de inteligência artificial para prever eventos de nefrotoxicidade e rejeição celular aguda (RCA) em pacientes com até um ano do transplante renal. Métodos: Foram realizados testes estatísticos de incidência e regressão logística nas variáveis em relação à nefrotoxicidade e RCA. Foram utilizados diferentes classificadores (redes neurais, support vector machines (SVM), árvores de decisão, inferência bayesiana, e vizinhos mais próximos) com o objetivo de prever RCA e nefrotoxicidade. Os classificadores foram avaliados segundo o valor de sensibilidade, especificidade e área sob a curva ROC (AUC). Resultados: A incidência de RCA foi de 31,0% e de nefrotoxicidade de 26,9%. A técnica que apresentou o melhor valor de sensibilidade foi a SVM (algoritmo LIBSVM) com sensibilidade 0,87 (taxa de acerto 79,86%; especificidade 0,70; AUC 0,79). A técnica que apresentou o melhor valor de AUC para prever nefrotoxicidade ou RCA foi a de inferência bayesiana (algoritmo NaiveBayes) com AUC 0,80 (taxa de acerto 75,92%). Conclusão: Os resultados são animadores, com taxas de tentativa e erro condizentes com a determinação de rejeição celular aguda e nefrotoxicidade.
Background: Complications associated with kidney transplantation and immunosuppression can be prevented or treated effectively if diagnosed in early stages with monitoring post-transplant. Objective: The objective of this exploratory study is compare automatic classifiers using different techniques of artificial intelligenceáto predict events of nephrotoxicity and acute cellular rejection (ACR), with up to one year of renal transplantation Methods: The incidence and the statistical test logistic regression have been calculated in variables regarding nephrotoxicity and ACR.áWe used different classifiers (neural networks, support vector machines (SVM), decision trees, Bayesian inference, and closest neighbors) in order to provide ACR and nephrotoxicity. The classifiers were evaluated according to the value of sensitivity, specificity and area under ROC curve (AUC). Results: The prevalence of acute cellular rejection was 31.0% and 26.9% of nephrotoxicity. The technique had the highest sensitivity value prediction for the submission to the transplanted kidney biopsy was SVM (LIBSVM algorithm) with sensitivity rates of 0.87 (accuracy rate 79.86; specificity 0.70; AUC 0.79). The technique had the highest AUC for predicting nephrotoxicity and ACR was bayesian inference (NaiveBayes), with AUC rates of 0.8 (accuracy rate 75.92).Conclusion: The results are encouraging, with rates of accuracy and error consistent with the determination of acute cellular rejection and nephrotoxicity.