Harena System for medical training : causal modeling for procedural content generation of clinical cases = Sistema Harena para treinamento médico: modelagem causal para geração procedural de casos clínicos

Assunto: Jogos educacionais,Causalidade,Educacao medica,Educational games,Causality,Medical education

Resumo: 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 conhecidos como sistemas de e-Learning, um fator que impede a adoção em larga escala desse tipo de plataforma é a dificuldade e tempo necessário para criar conteúdo adequado para aprendizagem. Uma possível solução seria a geração desse conteúdo de forma algorítmica e esse é o objetivo de uma área chamada geração procedural de conteúdo (GPC). Em paralelo, 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 desta pesquisa é utilizar GPC e inferência causal para a geração de narrativas de casos clínicos. Para materializar esta abordagem foi utilizado o sistema extit{Harena}, sistema desenvolvido no Laboratório de Sistemas de Informação (LIS) em parceria com a Faculdade de Ciências Médicas (FCM) da Universidade Estadual de Campinas (Unicamp) e Universidade de Groningen. O extwidth{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 variáveis. Portanto, apesar de preliminares, os resultados indicam a capacidade de gerar narrativas clínicas para sistemas de treinamento médico através de GPC e modelagem causal. Assim, esta 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

Abstract: Abstract: Preparing medical students for emergency care is one of the biggest challenges in health education, as novice doctors must develop a broad spectrum of knowledge of a general practitioner in the shortest possible time. Research in medical training shows that a problem-based computer system for online learning, presenting clinical cases to be solved by students, has several benefits in the learning process. Despite the benefits of these educational systems, also known as e-Learning systems, one factor that hinders the widespread adoption of this type of platform is the difficulty and time required to create appropriate learning content. A possible solution would be to generate this content algorithmically, this is the purpose of a research field called procedural content generation (PCG). In parallel, most of available medical publications and data report cause and effect relationships among symptoms, disease, and medications, but PCG techniques do not incorporate any causal inference formalism in their models. Therefore, the approach of this research is to use PCG and causal inference for the generation of clinical case narratives. To materialize this approach, the extit{Harena} system was used, a system developed at the Laboratory of Information Systems (LIS) in partnership with the Faculty of Medical Sciences (FMS) at University of Campinas and University of Groningen. extit{Harena} is a web system that allows for the systematic creation of medical narratives and the compilation of narratives in an interactive clinical case. Using the cause and effect system and models, it was possible to generate playable clinical narratives with variable narrative schemes. Therefore, although preliminary, the results indicate the ability to generate clinical narratives for medical training systems through PCG and causal modeling. Thus, this research recommends further exploration of PCG in the context of medical applications and that integration with causality models may bring a richer model to PCG algorithms,\$aMestrado,\$aCiência da Computação,\$aMestre em Ciência da Computação,\$a001,\$aCAPES

Referência: MOTA, Marcos Felipe de Menezes. Harena System for medical training: causal modeling for procedural content generation of clinical cases = Sistema Harena para treinamento médico: modelagem causal para geração procedural de casos clínicos. 2020. 1 recurso online (67 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP.

Tags: