Adicionando informações estruturadas ao Bulário Eletrônico da ANVISA

• João Silva Universidade Tecnológica Federal do Paraná
• Carlos Jr. Universidade Tecnológica Federal do Paraná
• André Kashiwabara Universidade Tecnológica Federal do Paraná

DOI: https://doi.org/10.5753/sbsi.2015.5856

Resumo

O Ministério da Saúde e outros órgãos relacionados pretendem evitar a automedicação e incentivar o cuidado do uso concomitante entre medicamentos, porém estes órgãos não disponibilizam ferramentas para facilitar este processo. A ANVISA disponibiliza um conjunto de 6.076 bulas em formato PDF, mas as informações nelas contidas não estão estruturadas. Um dos desafios deste trabalho consistiu em extrair automaticamente as informações presentes nesse conjunto de bulas. Este artigo apresenta uma metodologia semiautomática de mineração de textos para mapear as bulas da ANVISA nas redes de interações entre fármacos da base de dados DrugBank, juntamente com as doenças encontradas na base SNOMED-CT. Os medicamentos, as doenças, os fármacos e suas relações foram estruturadas e armazenadas em um banco de dados em grafos utilizando a tecnologia Neo4j.

Palavras-chave: mineração de textos, bulas, interações, fármaco, doença

Referências

ANVISA. Resolução-rdc no 47, de 8 de setembro de 2009, 2009.

C. S. Sean and B. Paul. Martindale: the complete drug reference. Pharmaceutical press1Lamberth High Street, London SEI, 7:219–599, 2002.

D. S. Wishart, C. Knox, A. C. Guo, D. Cheng, S. Shrivastava, D. Tzur, B. Gautam, and M. Hassanali. Drugbank: a knowledgebase for drugs, drug actions and drug targets. Nucleic acids research, 36(suppl 1):D901–D906, 2008.

D. Yoon, M. Park, N. Choi, B. Park, J. Kim, and R. Park. Detection of adverse drug reaction signals using an electronic health records database: Comparison of the laboratory extreme abnormality ratio (clear) algorithm. Clinical Pharmacology & Therapeutics, 91(3):467–474, 2012.

J. Wallace and D. S. Paauw. Appropriate prescribing and important drug interactions in older adults. Medical Clinics of North America, 99(2):295–310, 2015.

L. M. Schriml, C. Arze, S. Nadendla, Y.-W. W. Chang, M. Mazaitis, V. Felix, G. Feng, and W. A. Kibbe. Disease ontology: a backbone for disease semantic integration. Nucleic acids research, 40(D1):D940–D946, 2012.

M. da Saúde. Uso racional de medicamentos: temas selecionados. 1. ed. Brasília: Editora MS, 2012. 156 p.

M. J. Rho, S. R. Kim, S. H. Park, K. S. Jang, B. J. Park, and I. Y. Choi. Development common data model for adverse drug signal detection based on multi-center emr systems. In Proceedings of the 2013 International Conference on Information Science and Applications (ICISA), pages 1–7. IEEE, 2013.

M. Liu, M. E. Matheny, Y. Hu, and H. Xu. Data mining methodologies for pharmacovigilance. ACM SIGKDD Explorations Newsletter, 14(1):35–42, 2012.

Neo4j. Intro to cypher. http://neo4j.com/developer/cypher-query-language/, nov. 2014.

P. G. Sun. The human drug–disease–gene network. Information Sciences, 306:70–80, 2015.

R. A. Côté, C. of American Pathologists, A. V. M. Association, et al. The systematized nomenclature of human and veterinary medicine: SNOMED international. College of American Pathologists; Schaumburg, IL: American Veterinary Medical Association, 1993.

R. M. d. A. B. J. e. A. d. P. O. A. R. Lamas, J. L. Filho. Ontologias e web services aplicados ao desenvolvimento de sistemas de informação geográfica móveis sensíveis ao contexto. Anais do V Simpósio Brasileiro de Sistemas de Informaçao (SBSI), pages p. 157–168, 2009.

S. H. D. B. Cassiani. A segurança do paciente e o paradoxo no uso de medicamentos. Rev Bras Enferm, 58(1):95–99, 2005.

Tesseract. Ocr. https://code.google.com/p/tesseract-ocr/, nov. 2014.