A inovação do modelo proposto pela graph md está baseada na integração entre a representação de conhecimento através das cadeias semânticas com a conectividade fornecida pelas redes neuronais. Essa integração estabelece o aumento da abstração do processo conectivo proposto pela rede neural artificial. A nova abstração apresenta nodos conectivos baseados em diferentes níveis definidos por uma ontologia e implementados por um grafo que armazena o conhecimento nos respectivos mapas conceituais.
No formulário do atendimento clínico pode-se observar que a representação do conhecimento é realizada através dos mapas conceituais. A análise automatizada de bancos de informações (imagens, registros de exames e dados clínicos), através deste modelo, permite estabelecer o grau de relacionamento de um contexto específico de um paciente, as respectivas possibilidades mais relevantes, propondo uma padronização e simplificação do diagnóstico. A ideia de uso da tecnologia proposta é ajudar a relacionar estas informações básicas suprindo os especialistas com as informações relevantes a cada momento. O objetivo é contribuir com o desenvolvimento de tecnologia para ajudar o médico especialista a realizar um diagnóstico acurado.
A seguir são apresentados alguns aspectos relacionados à complexidade de criação dessas bases: superação de problemas éticos, propriedade das informações, usabilidade do sistema, assim como, privacidade e segurança dos dados. Uma estratégia para a solução desses problemas foi fornecida inicialmente por Alex Pentland do MIT, que contextualizou o uso do grande volume de informações relacionadas ao comportamento das pessoas associado à computação móvel e ou Web. A contribuição do autor nesta proposta é a transferência do foco do problema. Inúmeras iniciativas de implementação de uma solução de prontuário eletrônico integrado esbarram nos problemas de um grande sistema centralizado, que deveria permitir a integração de todas as instituições de saúde através de uma rede.
A plataforma graph.md tem uma iniciativa sobre um outro ponto de vista. O foco é a pessoa ter a propriedade dos seus dados de saúde. Essa pessoa pode permitir o acesso de seus dados ao médico que estiver realizando um atendimento e ou diagnóstico. Por outro lado, o médico que realizou o diagnóstico também tem direito aos dados que ele gerou para o paciente. Essa propriedade não daria, ao paciente, direito de alteração das informações que estariam assinadas digitalmente pelos médicos através de um processo de certificação digital (BlockChain) associado ao seu CRM. Esse compartilhamento de informações é a estratégia de uso da solução. Assim, é possível disponibilizar o super app graph.md, não só para o paciente, mas também para o médico e ou instituições como: Unidades de Pronto Atendimento, Unidades Básicas de Saúde, clínicas e hospitais. cada um dos elementos (pacientes, médicos e hospitais) tem uma instancia virtual do graph.md isolada, desta forma cada um deles tem a garantia de manter os seus dados na linha do tempo. A síntese de conhecimento cria novas instâncias para realizar as análises diagnósticas pelos agentes inteligentes. Entram na base de síntese apenas os dados necessários ao diagnóstico, retornam para os elementos apenas os dados suficientes e necessários aos registros clínicos dos eventos (consultas, exames, diagnósticos, etc) os nodos com suas propriedades e os relacionamentos, portanto, fazem o intercâmbio das informações com pontos de vistas diferentes.
No elemento paciente, que têm todos os seus eventos clínicos, existe um evento de um médico específico que forneceu um determinado diagnóstico em um certo momento. Por outro lado, esse mesmo médico, também é um elemento, e desta forma, tem todos os diagnósticos atribuídos a todos os seus pacientes. e pensando naquele paciente específico, citado inicialmente neste exemplo, aqui dentro do isolamento da instância virtual do médico é apenas um evento. A instituição segue a mesma ideia, abarcando todos os seus médicos e pacientes. Assim, nenhuma fronteira é atravessada, fato que garante o isolamento das relações e diminui ao máximo a complexidade computacional do sistema. Outros impactos positivos no modelo a partir desta ideia são apresentados em outras seções do site. Mas salienta-se que desta forma o sistema complexo se limita ao universo das 10k doenças e 4k sintomas, trabalhando sempre apenas com um único paciente e um único médico a cada momento. isso não significa que o sistema perde desempenho, pois 35k conceitos do conhecimento médico diagnóstico são complementares aos 15k termos diretos o que totaliza neste momento 50k termos dentro da plataforma graph.md. para apoio ao diagnóstico médico, sendo contabilizados mais de mil artigos científicos que suportam os termos definidos na plataforma.
Trabalhamos continuamente para agregar novos conhecimentos dos médicos especialistas, por esse motivo a plataforma estará sempre em contínua evolução, armazenando a cada instante de tempo novos conceitos que representam a síntese do conhecimento médico aplicado aos pacientes, transpondo as barreiras físicas da instituição e agregando valor a saúde preventiva das pessoas nas suas próprias casas através dos dispositivos eletrônicos que passam a monitorar personalizadamente e constantemente o estado de percepção de saúde subjetivo e objetivo de cada paciente. [analysis e2 audiobook]
