In this third scheme, we present the second form related to the first, showing the complexity of integrating concepts at the beginning of knowledge modeling. The symptoms in the maps are associated with a network of connections in which the nodes are concepts, with a consensual meaning, for medical diagnosis. The proposal is precisely to establish the relationship between symptoms that represent the behavioral logic of this reasoning. Interaction with the doctor during the diagnostic process makes it possible to identify the most relevant paths within the defined hypotheses. Each next step taken has the function of presenting all relevant information about the patient and diagnostic possibilities, always seeking to associate the patient, through the execution of a graph algorithm, with a type of diagnosis at the end of the interactive process.

The importance of culture related to data science is observed here, for the creation of a healthy technological environment that provides the basis for supporting diagnosis. Part of the energy in the care process must be directed not only to identifying what is affecting the patient but also to ensuring the integrity of the information entered into the knowledge base. Since this will be the base that will assist with upcoming diagnoses and will also monitor patients remotely. This enhances service, through intelligent agents that will be constantly observing all patients at all times. In this context, it is not the patient who goes to see the doctor, it is the doctor who goes to see the patient.

If there is a need, the patient is called for a face-to-face consultation. A fact that completely changes the process. The benefits of reaching this level of diagnostic maturity are immeasurable from the point of view of the quality of life of patients who are not even affected by the diseases. The diagnosis becomes focused on the physiology itself. See that people pay for the knowledge of the specialist who will always monitor their health and thus prevent illness. If there is a need, then the patient enters the flow of knowledge defined for each institution, together with its clinical staff.

The proposal to focus on information ownership brings the benefit of an autonomous system, without the need for an implementation process. Each person installs the super app on their cell phone (patient.health.eco.br) and saves their data in the cloud computing new. eco. br. The account could be your records or those of related people, parents could have their children's records and doctors could have their patients' records. Based on this, the new eco intelligence model was built, which will be aimed at both the collection of anamnesis information and the analysis of system data to aid efficient diagnosis and also the comparison of similar groups to prevent disease in patients.

The innovation of the proposed model is based on the integration of knowledge representation through semantic chains with the connectivity provided by neural networks. This integration establishes increased abstraction of the connective process proposed by the artificial neural network. The new abstraction presents connective nodes based on different levels defined by an ontology and implemented by a graph that stores knowledge in the respective conceptual maps.

In the clinical care form, it can be seen that the representation of knowledge is carried out through concept maps. The automated analysis of information banks (images, exam records, and clinical data), through this model, makes it possible to establish the degree of relationship in a specific patient context, the respective most relevant possibilities, proposing standardization and simplification of the diagnosis. The idea of ​​using the proposed technology is to help relate this basic information, supplying specialists with relevant information at all times. The objective is to contribute to the development of technology to help specialist doctors make an accurate diagnosis.

Below are some aspects related to the complexity of creating these bases: overcoming ethical problems, ownership of information, usability of the system, as well as privacy and data security. A strategy for solving these problems was initially provided by Alex Pentland from MIT, who contextualized the use of the large volume of information related to people's behavior associated with mobile computing and/or the Web. The author's contribution to this proposal is the transfer of focus from the problem. Numerous initiatives to implement an integrated electronic medical record solution come up against the problems of a large centralized system, which should allow the integration of all health institutions through a network.

New Eco has an initiative from another point of view. The focus is on people having ownership of their health data. This person could allow access to their data to the doctor who was providing care and/or diagnosis. On the other hand, the professional who carried out the diagnosis would also have the right to the data he generated for the patient. This property would not give the patient the right to change the information that would be digitally signed by doctors through a digital certification process (BlockChain) associated with their CRM. This sharing of information defines the strategy for using the solution. Thus, it would be possible to make the super app available not only to the patient (patient.health.eco.br) but also to a doctor (doctor.health.eco.br) and/or institutions such as Emergency Care Units, Basic Units of Health, clinics and hospitals.

It all starts with the first form..

To illustrate the possibilities of knowledge synthesis, we will discuss the nursing care form at the entrance of a hospital complex in Porto Alegre. This schema shows part of the universe of mapped concepts related to patients in the care and diagnosis process. The complete mapped flow of information linked to patient care goes from admission to outpatient care to pre- and post-surgical neurology. Information on accessing the knowledge base can be found on the website: synthesis.clinic.

The function of the model developed by new eco is to store the behavior of the action generated by the specialist doctor's reasoning to reach a diagnosis defined through maps and, also, relate information about the patient's symptoms to those existing on the maps. Knowledge synthesis technology defines a computational model to index concepts and store diagnoses. Patient information is entered through dynamic electronic forms and directly related to each respective symptom. In this process, patient information is associated with an instance of a concept related to a map. Subsequently, the association with existing concepts in the diagnoses is checked.

The concepts in the maps do not contain values, but rather, rules to validate the patient's information and relate it to the concepts in the diagnostic maps. For example: if information is 10 years old, the age rule is between 8 and 12, in this case, the verification is considered true. The system provides lists of patients related to the concepts saved in consultations, in addition to enabling statistical analysis of the care provided and allowing the improvement of existing maps, identifying more intelligent lines of reasoning.

The proposed architecture makes it possible to create an environment for executing intelligent agents to assist in the medical diagnosis process. This environment must define access standards for the system's basic components (data layer) and interaction with users (presentation layer) with the provision of plugins. In this way, the result of the development of the CAD system is at the application layer. The knowledge base is designed in such a way that it allows integration with the database model of a hospital system. It is also important to highlight that the new eco's electronic medical record system works independently of the smart model. Its processes can be “invisible” to the user if desired.

Neste terceiro esquema apresentamos o segundo formulário relacionado ao primeiro, mostrando a complexidade da integração dos conceitos já no início da modelagem do conhecimento. Os sintomas dos mapas são associados a uma rede de conexões em que os nodos são conceitos, com um significado consensual, para o diagnóstico médico. A proposta é justamente estabelecer o relacionamento entre sintomas que representam a lógica comportamental desse raciocínio. A interação com o médico durante o processo diagnóstico possibilita a identificação dos caminhos mais relevantes dentro das hipóteses definidas. Cada próximo passo percorrido tem a função de apresentar todas as informações relevantes do paciente e das possibilidades diagnósticas, buscando sempre a associação do paciente, através da execução de um graph algoritm, a um tipo de diagnóstico no final do processo interativo.

Observa-se aqui a importância da cultura relacionada à ciência de dados, para a criação de um ambiente tecnológico saudável que forneça a base para o suporte ao diagnóstico. Parte da energia no processo de atendimento deve ser direcionada, não só para identificar o que acomete o paciente, mas também para garantir a integridade da informação inserida na base de conhecimento. Já que esta será a base que fornecerá o auxílio aos próximos diagnósticos e também monitorará os pacientes remotamente. Isto potencializa o atendimento, através dos agentes inteligentes que estarão constantemente observando todos os pacientes a todo instante. Neste contexto, não é o paciente que vai ver o médico, é o médico que vai ver o paciente.

Existindo a necessidade o paciente é acionado para uma consulta presencial. Fato que muda completamente o processo. Os benefícios de se atingir esse nível de maturidade diagnóstica são imensuráveis sob o ponto de vista da qualidade de vida dos pacientes que nem chegam a ser acometidos pelas doenças. O diagnóstico passa a ser focado na própria fisiologia. Veja que as pessoas pagam pelo conhecimento do especialista que estará sempre monitorando a sua saúde e assim evitando a doença. Existindo a necessidade, aí sim, o paciente dá entrada no fluxo de conhecimento definido para cada instituição, em conjunto com o seu corpo clínico.

A proposta de focar na propriedade das informações traz o benefício de um sistema autônomo, sem a necessidade de um processo de implantação. Cada pessoa instala o super app no celular (patient.health.eco.br) e guarda os seus dados na nuvem da new. eco. br. (Cloud Computing). A conta pode ser o seu próprio prontuário ou das pessoas relacionadas, pais poderiam ter os prontuários dos filhos e médicos poderiam ter os prontuários dos seus pacientes. Baseado nisso, foi construído o modelo de inteligência da new eco que estará voltado, tanto para o conjunto de informações da anamnese, como para a análise dos dados do sistema e para o auxílio a um diagnóstico eficiente e, também, na comparação de grupos semelhantes para a prevenção de doenças dos pacientes.

A inovação do modelo proposto 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 new eco tem uma iniciativa sobre um outro ponto de vista. O foco é a pessoa ter a propriedade dos seus dados de saúde. Essa pessoa poderia permitir o acesso de seus dados ao médico que estivesse realizando um atendimento e ou diagnóstico. Por outro lado, o profissional que realizou o diagnóstico também teria 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 seria a estratégia de uso da solução. Assim, seria possível disponibilizar o super app não só para o paciente (paciente.health.eco.br), mas também para o médico (doctor.health.eco.br) e ou instituições como: Unidades de Pronto Atendimento, Unidades Básicas de Saúde, clínicas e hospitais.

Tudo começa com o primeiro formulário..

No sentido de ilustrar as possibilidades da síntese de conhecimento falaremos sobre o formulário do atendimento da enfermagem da entrada de um complexo hospitalar de Porto Alegre. Este schema mostra parte do universo dos conceitos mapeados relacionados aos pacientes no processo de atendimento e diagnóstico. O fluxo mapeado completo das informações vinculadas ao atendimento dos pacientes vai desde a entrada, passando pelo atendimento ambulatorial e indo até a neurologia pré e pós cirúrgica. Informações sobre como ter acesso a base de conhecimento encontram-se no site: saude.sintese.de.

A função do modelo desenvolvido pela new eco é armazenar o comportamento da ação gerada pelo raciocínio do médico especialista para chegar a um diagnóstico definido através de mapas e, também, relacionar informações dos sintomas dos pacientes aos existentes nos mapas. A tecnologia de síntese de conhecimento define um modelo computacional para indexar os conceitos e armazenar os diagnósticos. As informações dos pacientes são inseridas através de formulários dinâmicos eletrônicos e relacionados diretamente a cada respectivo sintoma. Nesse processo, a informação do paciente é associada à instância de um conceito relacionada a um mapa. Posteriormente, é realizada a verificação de associação com os conceitos existentes nos diagnósticos.

Os conceitos dos mapas não contém valores, mas sim, regras para validar as informações do paciente e relacioná-las aos conceitos nos mapas diagnósticos. Como exemplo: informação 10 anos, regra idade entre 8 e 12, neste caso a verificação é tida como verdadeira. O sistema fornece as listas de pacientes relacionados aos conceitos salvos nas consultas, além de possibilitar a análise estatística dos atendimentos realizados e permitir o aprimoramento dos mapas existentes, identificando linhas de raciocínio mais inteligentes.

A arquitetura proposta possibilita a criação de um ambiente para execução dos agentes inteligentes para auxiliar no processo de diagnóstico médico. Esse ambiente deve definir os padrões de acesso aos componentes básicos do sistema (camada de dados) e a interação com os usuários (camada de apresentação) com a disponibilização de plugins. Dessa forma, o resultado do desenvolvimento do sistema de CAD está na camada de aplicação. A base de conhecimento é projetada de tal forma que permite a integração com o modelo de banco de dados de um sistema hospitalar. É importante também destacar, que o sistema de prontuário eletrônico da new eco funciona independentemente do modelo inteligente. Os processos deste podem ficar “invisíveis” para o usuário, caso assim seja desejado.

Novas estruturas de armazenamento não relacionais estão sendo desenvolvidas, conforme citado anteriormente, a plataforma de armazenamento de dados Cloud Aura DB da Neo4J tem a capacidade de colocar toda estrutura de tabelas de um banco de dados relacional em um Graph DB. Nesse contexto, é importante desenvolver tecnologia para gerar uma base de conhecimento de um sistema de apoio ao diagnóstico, a partir de um conjunto de informações (Ex.: anamneses) associadas a condutas médicas, a fim de viabilizar a transformação de informações textuais relacionadas ao diagnóstico em conceitos que poderiam ser integrados a bases de conhecimento do prontuário do paciente.

A análise das informações textuais da anamnese possibilita a criação de um algoritmo para detecção dos termos de junção (Ex.: de), permitindo que um determinado algoritmo relacionasse a palavra a um sintoma (Ex.: Dor) , e o seu respectivo contexto posterior (Ex.: Cabeça). O resultado seria a identificação do sintoma "Dor de Cabeça". Outras possibilidades são: a ocorrência de um número relacionado, um elemento de ligação entre os sintomas (Ex.: e), ou um complemento ao sintoma detectado (Ex.: Alta). Desta forma, o texto "Dor de cabeça e Febre Alta" poderia ser relacionado a dois conceitos: "Dor de Cabeça" e "Febre Alta". Dividindo os sintomas do texto seria possível identificar os prováveis contextos diagnósticos relacionados. O algoritmo trataria todas as palavras como conceitos relacionados e ordenados dentro de um mapa. A PLN (Processamento de Linguagem Natural) dos dados seria feita com o objetivo de adquirir listas de termos que não seriam considerados importantes, classificando o texto como em uma rede de palavras representadas através de um mapa conceitual. Nesta área o foco de pesquisa é suportado pelo princípio do menor esforço definido por George Kingsley Zipf. A lei de zipf direciona o foco em P&D de linguagem do projeto. A estruturação dos dados permite o reconhecimento de padrões, assim como a implementação de um sistema de auxílio, tendo como base os diagnósticos e sintomas apontados por médicos especialistas, descritos em campos de texto de um sistema convencional.

O registro de todas as informações das interações médicas na plataforma health.eco.br pode contribuir como uma iniciativa tecnológica e trazer significativos benefícios para a população em geral. Caso o paciente permitisse que a ferramenta analisasse os seus dados, o sistema poderia informar possibilidades de riscos associados à ocorrência de uma determinada doença. E ainda, o sistema sugeriria a pessoa um comportamento mais saudável sobre um determinado aspecto. Com as autorizações de acessos aos dados concedidas, o sistema poderia reconhecer mais padrões, a partir da análise epidemiológica da população. Se o software identificasse o efetivo padrão da doença, a aplicação indicaria um médico especialista para analisar os dados da pessoa. Existindo o processo operacional de aceitação das duas partes, a pessoa agora seria paciente do respectivo médico que teria acesso a todos os dados históricos necessários para a referida análise diagnóstica. Surgindo a necessidade de mais dados e/ou exames, o sistema poderia fornecer, em um processo interativo entre o médico e o paciente, os formulários dinâmicos especificamente personalizados de visualização e registro de informações relacionadas, tanto de forma síncrona, como assíncrona.

As informações identificadas no processo diagnóstico estariam associadas a Graph DBs utilizados para representação do conhecimento através de sintomas relacionados, e integrados com aqueles sintomas diagnósticos pré definidos na estrutura cognitiva do médico especialista, contendo as informações relacionadas às respectivas possibilidades. Esse mapeamento tem o objetivo de criar protocolos (guidelines) para facilitar a análise dos dados e permitir a formalização das informações relacionadas a cada diagnóstico.

A health.eco.br propõe um modelo inteligente de prontuário virtual médico do paciente. A ideia principal é que cada pessoa possa ter seu próprio prontuário em um aplicativo com todo o seu histórico de atendimentos médicos (consultas, exames, internações e diagnósticos). Os dados seriam de propriedade do paciente e poderiam ser disponibilizados aos médicos durante as consultas em uma interface web. No final de cada atendimento, o prontuário seria atualizado por meio de um processo automatizado de integração com o sistema da clínica ou hospital, permitido pelo uso dos protocolos utilizados na área da saúde. O modelo armazena as informações em conceitos dentro de uma base de conhecimento através de um sistema de agentes inteligentes.

O objetivo principal da new eco é desenvolver sistemas de informações pessoais com Graph DB integrado a Next.JS. Utilizando em conjunto a API do Neo4j Graph Data Science com ML em Python com as ferramentas da Apache SparkX e Kafka, temos interesse específico em (D3.js e Neovis) para fornecer suporte a visualização dos Graph DBs pessoais da plataforma da síntese de conhecimento.

A ideia básica é fornecer um espaço eletrônico unificado para as pessoas armazenarem suas informações pessoais em Graph DBs inteligentes. Criamos o ecossistema digital new.eco.br com as ferramentas de filtros inteligentes e visualização de mapas no nosso console sintese.eco.br trarão um valor agregado ao projeto. O especial interesse é em utilizar o suporte ao Timeline integrado aos parâmetros gerados pela GDS (Graph Data Science). Desta forma, pretendemos utilizar as funcionalidades de visualização da linha temporal associadas aos parâmetros preditivos gerados pela IA. Fornecendo assim, possibilidades de escolha, e simulação futura, para mostrar aos usuários o impacto positivo de mudanças nos seus parâmetros (situação atual).

Exemplificando, queremos mostrar o impacto positivo na saúde de uma pessoa se ela mudar seus hábitos atuais (ruins) para futuros (saudáveis). Este exemplo pode ser utilizado para diversas áreas na vida das pessoas: nutrição, suplementação, sono, educação, esporte, relacionamentos, etc. Assim, o foco seria utilizar o Timeline não só para o passado, mas também para o futuro.

O prontuário eletrônico é definido como um conjunto de informações do paciente, de seu estado de saúde, incluindo os atendimentos médicos e tratamentos por ele recebidos, mantidos de forma eletrônica e armazenados de tal modo que pudessem vir a servir à múltiplos profissionais da saúde integrados em uma rede. Comumente chamado de prontuário médico, é considerado um documento essencial para o atendimento dos indivíduos em relação a sua saúde, e deve disponibilizar todas as informações necessárias para garantir que, através deste, seja possível o atendimento eficiente e a continuidade dos tratamentos prestados ao paciente.

É necessário ainda, pensar na integração do PEP (Prontuário Eletrônico do Paciente) com outros sistemas e equipamentos. A utilização de padrões contribui para que os dados do sistema proposto sejam estruturados a ponto de serem compreendidos pelos outros sistemas. Com isso, surgiu a necessidade da utilização de padrões também na área da saúde. Eles podem ser classificados em padrões de: identificação; comunicação; conteúdo e estrutura; representação de dados clínicos; confidencialidade, segurança e autenticação; indicadores de qualidade, conjunto de dados e diretrizes.

No projeto em health.eco.br são usados padrões de certificação de sistemas de registros eletrônicos em saúde. Um importante padrão aplicado no sistema é o HL7 (Health Level Seven), um protocolo internacional para o intercâmbio de dados eletrônicos em todos os ambientes da área da saúde, que define não só o formato da mensagem, mas também os seus conteúdos, conforme as circunstâncias em que se comunicam. Esse protocolo será usado para troca de (mensagens) conteúdo das informações das consultas entre a health.eco.br ...

Muitos diagnósticos em diversas áreas da medicina e da biomedicina são frequentemente complexos, caros e incluem uma sequência extensa de etapas. Essas etapas podem ter complexidade elevada comprometendo a performance do diagnóstico especialmente em regiões remotas de países em desenvolvimento.

O acesso rápido às informações dos pacientes e seus exames, de forma organizada, descentralizada e distribuída, é muito importante para a comunidade médica em geral. A utilização desses dados pelos Sistemas de Apoio ao Diagnóstico pode aumentar a acurácia do resultado.

O desenvolvimento de modelos computacionais baseados na perspectiva do médico especialista tem o objetivo de transformar informações clínicas em conhecimento, a fim de propor a criação de sistemas de auxílio ao diagnóstico mais eficientes. Essa definição tem o objetivo de facilitar o processo de análise dos dados e permitir a formalização das informações relacionadas a cada diagnóstico. Os conceitos computacionais utilizados para a criação dessa tecnologia estão ligados à Engenharia do Conhecimento.

Com a análise automatizada de bancos de informações (dados clínicos, exames laboratoriais, exames de imagens e diagnósticos), busca-se estabelecer o grau de relacionamento de um contexto diagnóstico específico a um determinado paciente e seus respectivos sintomas. Em termos restritos, o conhecimento só é criado por indivíduos, sendo necessário que as organizações apoiem os indivíduos criativos ou lhes proporcionem contextos adequados. Esse processo deve ser entendido como um fator para ampliar organizacionalmente o conhecimento criado pelos indivíduos, cristalizando-o como parte da rede de dentro da instituição. Observa-se ainda que o referido processo ocorre dentro de uma comunidade de interação em expansão, que atravessa níveis e fronteiras interorganizacionais. Ontologia pode ser definida como uma especificação explícita abstrata e simplificada (conceitualização) de um domínio a ser representado. Na área de Sistemas Inteligentes, se uma entidade pode ser representada, então ela é uma especificação explícita de uma conceitualização. Assim, a conceitualização é definida como a interpretação estruturada dos conceitos, relacionando-os. Neste caso, referem-se aqueles selecionados como relevantes em um determinado domínio. O termo “explícito” refere-se ao conjunto desses termos utilizados e as suas restrições são previamente e explicitamente definidas. A importância da formalização de uma ontologia refere-se à capacidade de processá-la pelo computador, o que exclui definições em linguagem natural. O seu compartilhamento é justificado porque descreve um conhecimento consensual, que é utilizado por mais de um indivíduo, e aceito por um grupo. Assim, uma estrutura ontológica é a união de um conjunto não vazio de atributos, conceitos e especificações em contraposição com as hierarquias, tendo como função básica a representação do domínio através dos relacionamentos e axiomas.

O nível de conhecimento fornece os meios para "racionalizar" o comportamento de um sistema do ponto de vista de um observador externo, a formalização é estabelecida através de um agente que possui inteligência para concluir seus objetivos. O agente tem a capacidade de executar um conjunto de ações e escolhê-las de acordo com o princípio da racionalidade. Um modelo de KL (Knowledge Level), no entanto, não é composto apenas do domínio que o agente parece estar utilizando mas, mais importante, é a estrutura dentro da qual esse conhecimento está sendo utilizado para a realização dos objetivos.

Uma aplicação de CAD tem basicamente dois aspectos que influenciam na sua efetividade. O primeiro está associado à metodologia de processamento das informações, e o segundo com a apresentação dos resultados através de uma interação intuitiva com o usuário. Um ambiente único, que seja primordialmente ergonômico, possibilitaria a exploração de todos os dados relacionados dentro de um grande universo...

New non-relational storage structures are being developed, as previously mentioned, Neo4J's Cloud Aura DB data storage platform can place the entire table structure of a relational database into a Graph DB. In this context, it is important to develop technology to generate a knowledge base for a diagnostic support system, based on a set of information (e.g., anamnesis) associated with medical procedures, to enable the transformation of textual information related to the diagnosis into concepts that could be integrated into knowledge bases in the patient's medical record.

The analysis of textual information from the anamnesis makes it possible to create an algorithm to detect joining terms (Ex.: de), allowing a certain algorithm to relate the word to a symptom (Ex.: Pain), and its respective subsequent context (Ex.: Head). The result would be the identification of the symptom "Headache". Other possibilities are the occurrence of a related number, a connecting element between the symptoms (Ex.: e), or a complement to the detected symptom (Ex.: High). In this way, the text "Headache and High Fever" could be related to two concepts: "Headache" and "High Fever". By dividing the symptoms in the text, it would be possible to identify the likely related diagnostic contexts. The algorithm would treat all words as related and ordered concepts within a map. PLN (Natural Language Processing) of the data would be carried out to acquire lists of terms that would not be considered important, classifying the text as a network of words represented through a concept map. In this area, the research focus is supported by the principle of least effort defined by George Kingsley Zipf. The Zipf law directs the focus on project language R&D. The structuring of the data allows the recognition of patterns, as well as the implementation of an assistance system, based on the diagnoses and symptoms highlighted by medical specialists, described in text fields of a conventional system.

Recording all information about medical interactions on the health.eco.br platform can contribute to a technological initiative and bring significant benefits to the general population. If the patient allowed the tool to analyze their data, the system could inform possible risks associated with the occurrence of a certain disease. Furthermore, the system would suggest healthier behavior to the person in a certain aspect. With data access authorizations granted, the system could recognize more patterns, based on the epidemiological analysis of the population. If the software identified the actual pattern of the disease, the application would indicate a specialist doctor to analyze the person's data. With the operational process of acceptance of both parties existing, the person would now be a patient of the respective doctor who would have access to all the historical data necessary for the aforementioned diagnostic analysis. If the need for more data and/or exams arises, the system could provide, in an interactive process between the doctor and the patient, specifically personalized dynamic forms for viewing and recording related information, both synchronously and asynchronously.

The information identified in the diagnostic process would be associated with Graph DBs used to represent knowledge through related symptoms, and integrated with those pre-defined diagnostic symptoms in the specialist doctor's cognitive structure, containing information related to the respective possibilities. This mapping aims to create protocols (guidelines) to facilitate data analysis and allow the formalization of information related to each diagnosis.