Grelina

O grande modelo da glicose

Identificação de Sistemas vs. Identificação de Modelos

"No entanto, ainda o problema de identificação de sistemas não foi resolvido de forma completa. Consequentemente, nos dias de hoje, novas ideias e métodos para resolver o desafio de identificação de sistemas são propostos e desenvolvidos" Keesman 2011. 

Inteligência artificial em Medicina

Inteligência artificial apareceu nos anos 1950s na tentativa de nomear um grupo de novas metodologias e atitudes filosóficas em torno de problemas considerados de natureza importante, mas sem solução usando ferramentas disponíveis na época. Nos anos 1980s, inteligência artificial teve um declínio sério no que tange popularidade e respeito por parte da comunidade acadêmica, que de forma interessante foi o crescimento de metodologias alternativas, famosas até hoje, como controle inteligente, lógica nebulosa (confusa), e redes neurais, hoje em dia sendo o corpo principal da inteligência computacional, essas são metodologias baseadas em "números", inteligência artificial tinha forcado fortemente em metodologias simbólicas, o que segundo muitos foi o grande erro da IA, essa posição deixou metodologias como redes neurais fora do jogo por um bom tempo.

vídeo publicações

Introdução

Pode-se afirmar que atualmente simulação está entre as ferramentas mais universais e importantes do milênio corrente e ainda por chegar, trono ocupado pelo cálculo diferencial e mecânica clássica por décadas antes da aparição, disseminação, e aceitação dos computadores como ferramenta indispensável em pesquisas aplicadas e teóricas. Isto se deve principalmente à corrente demanda por junção de campos científicos antes não mesclados, e de forma adicional à demanda por tratar modelos cada vez mais reais e multidisciplinares. Concluir-se que as décadas antes das anteriores foram dedicadas a criar “os pedaços” da ciência, como se fossem “disparos” isolados de criatividade, campos de conhecimento separados, as décadas passadas a entender melhor as partes, e esta década e aquelas ainda por vir a juntar estes, algo que geralmente somente matemática tradicional torna esta busca uma atividade formidável ou mesmo impossível.

Abaixo segue um vídeo no qual uma versão simplificado  do problema de aplicar controle ótimo em ciências da vida é apresentado, devido a problemas durante a gravação, o vídeo esta mudo.  

Deve ser observado que o modelo é meramente ilustrativo, nenhum experimento foi conduzido, o modelo é (teórico) intuitivo. Aplica-se controle ótimo neste sistema para estudar a melhor forma otimizada de desenhar o tratamento, omite-se os detalhes metodológicos. De forma simples, aplica-se a teoria de controle ótimo, então se usa a teoria de integração numérica de equações diferenciais ordinárias para achar o controle ótimo e a trajetória ótima para a densidade de células cancerígenas. Vale a pena recordar que somente o fármaco no local do câncer é desejado, antes de atingir o ponto de atuação, este circula pelo sistema circulatório. Aqui se assumi um modelo de compartimento único, ou seja, a mesma concentração no plasma sanguíneo é a na região do câncer. Deve-se lembra que a quantidade de compartimentos depende do fármaco e do indivíduo.

Referências

LENHART, S.; WORKMAN, J.T, Optimal Control Applied to biological models, Chapman & Hall/ CRC, Mathematical and Computational Biology Series, 2007. 

JG Pires, R Maggio, C Manes, P Palumbo, On the importance of pharmacokinetics and pharmacodynamics in engineering sciences as an inter- and multidisciplinary field: an introductory analysis. SIMPEP 2014, Submetido. 

JG Pires, C Manes, P Palumbo, On the importance of optimal control theory in engineering sciences as a complementary and supplementary methodology to Operations Research: a case-study analysis. SIMPEP 2014, Submetido. 

M. RUDEK, APOSTILA DE TÉCNICAS DE PROGRAMAÇÃO. PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ. CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA. DEPARTAMENTO DE ENGENHARIA MECATRÔNICA. CURITIBA: 2002 .

Introdução

Processos fisiológicos em análise sobe várias dimensões físicas ou mesmo matemática (como sub-celular, celular, tecidos, órgãos, ou mesmo populações) são estocásticos de forma realística devido a um considerável conjunto de fatores que o fenômeno em questão (sobe investigação) possui. De forma mais específica e explanatória, modelos determinísticos (representando a maior quantidade de modelos atualmente empregados em biomedicina) não são realísticos (aproximações e consideração difíceis ou mesmo impossíveis de serem mantidas em modelos realísticos são presentes em abundância). Posto deste modo, ao menos que flutuações aleatórias (chamadas em geral de “ruídos”) nesses modelos permaneçam em pequena escala, desprezíveis, estes modelos são apenas didáticos e/ou exemplares.   Mais ainda, uma representação incorreta, omitindo ruídos substanciais do sistema que estão realmente presentes, leva à identificação de modelos de forma ineficiente (não confiável, fadado a erros), estimação de parâmetros de forma viesada (tendencioso, não realmente representativo), e conclusões inconsistentes com a realidade.

Primeira parte da minha apresentação feita para o IASI-CNR (Institute of Systems Analysis and Computer Science) como primeiro feedback formal em 2014 e aceita como exame em controle ótimo. 

=====

Jorge Pires

Blogs: main , others