Watson e a Assistência Médica

Como o processamento do idioma natural e a busca semântica podem revolucionar o suporte a decisões clínicas

O desempenho extraordinário do IBM Watson no programa Jeopardy! atraiu a atenção do mundo. A primeira aplicação real do Watson envolve a assistência médica. Como o Watson trata de problemas que as gerações anteriores de ferramentas não conseguiram resolver? Quais são as abordagens técnicas que o Watson adota para diferenciar-se de outros sistemas? Este artigo responde como o Watson trata dessas questões e mostra um pouco da tecnologia por trás do Watson, com base em documentos científicos, especificações, artigos publicados pela equipe da IBM e entrevistas com colaboradores de universidades.

Michael J. Yuan, Ph.D. Candidate, Ringful Health

Photo of Michael YuanO Dr. Michael Yuan é tecnólogo renomado na área de computação corporativa e tecnologias móveis para o consumidor. É autor de cinco livros sobre engenharia de software e publicou mais de quarenta artigos tanto em journals do segmento de mercado como em publicações revisadas por pares. O Dr. Yuan é pioneiro na área emergente da assistência médica baseada no consumidor. Seu trabalho na Ringful Health é amplamente divulgado e reconhecido em meios de comunicações de âmbito nacional nos EUA, como o Wall Street Journal, o New York TimeseLos Angeles Times.



31/Ago/2012

“Eu, por minha parte, dou as boas-vindas aos nossos novos soberanos da informática” – Ken Jennings, 74 vezes campeão do Jeopardy! .

Em 16 de fevereiro de 2011, o Watson, supercomputador da IBM, derrotou dois campeões humanos de todos os tempos no jogo Jeopardy! na rede de televisão dos EUA. Jeopardy! é um jogo de perguntas e respostas que é exclusivamente humano. Muitas vezes, as questões são matizes com trocadilhos, ironia e humor. O fato de que um computador consegue jogar esse jogo, e ainda derrotar campeões humanos, é extraordinário! A era da inteligência artificial finalmente chegou, depois de quase cinquenta anos de decepções? Mais especificamente, a inteligência do Watson pode ser usada para fazer a ciência e os negócios avançarem, fora de um programa de competição? Assim como aconteceu anteriormente com o Deep Blue, o Watson começou como uma demonstração pública da tecnologia mais avançada, mas ele pode provocar um impacto significativo na sociedade em geral nos próximos anos. Então, quais são as aplicações reais para o Watson?

Ao que parece, a primeira aplicação real do Watson será na assistência médica. Possivelmente, ao responder perguntas para os médicos no local de tratamento, ele poderia ajudar a melhorar a qualidade da assistência médica e reduzir erros de alto custo. Neste artigo, explicarei como a tecnologia DeepQA por trás do Watson pode ser usada para resolver problemas específicos de assistência médica. Todas as informações apresentadas neste artigo se baseiam em documentos científicos publicados pela equipe de pesquisa do Watson e em entrevistas públicas dadas por executivos da IBM. A IBM ainda está formulando a forma exata da aplicação do DeepQA à área médica.

Gostaria de agradecer especificamente ao Dr. Herbert Chase, professor de medicina clínica da Faculdade de Médicos e Cirurgiões da Universidade de Columbia, um colaborador chave da IBM na aplicação do Watson ao suporte a decisões clínicas.

O Watson possui “inteligência” verdadeira?

Uma das melhores formas de julgar a inteligência artificial é o teste de Turing, proposto por Alan Turing em 1950. No teste, juízes humanos conversam em linguagem natural com outra parte, que pode ser uma pessoa ou uma máquina. Se, ao final das conversas, os juízes não chegam a um consenso sobre qual parte é humana e qual é máquina, diz-se que a máquina passou no teste de Turing e demonstrou inteligência artificial. Embora o Watson possa responder muito bem às perguntas de seres humanos, ele não consegue participar de conversas longas com uma pessoa. Sendo assim, o Watson não atingiu o padrão de Turing referente à inteligência artificial. Pode-se argumentar que o Watson somente procura a resposta. Ele não possui inteligência para realmente entender a pergunta ou as respostas.

Entretanto, do ponto de vista prático, o Watson ajuda as pessoas a resolver problemas. Se isso não é artificial intelligence (AI) no sentido estrito, o Watson é certamente um intelligence argument (IA) que amplia o cérebro humano.

Uma breve história dos sistemas de suporte a decisões clínicas

Durante quarenta anos, os clinical decision support systems (CDSS) vêm prometendo revolucionar a assistência médica. Na verdade, quando o governo exigiu recentemente sistemas de electronic health record (EHR) em todas as instalações de assistência médica, um dos principais objetivos foi promover uma assistência médica melhor e mais barata usando um CDSS baseado nos dados dos pacientes coletados dos EHRs. Com a grande quantidade de novos dados coletados pelos sistemas de EHR recém-instalados, computadores como o Watson poderão encontrar respostas ótimas para perguntas clínicas com muito mais eficiência do que a mente humana.

As duas principais categorias de CDSS são as ferramentas de suporte ao diagnóstico e de suporte ao tratamento . O suporte ao diagnóstico ajuda os médicos a fazerem um diagnóstico melhor com base nos sintomas, medicações e registros médicos do paciente. O erro de diagnóstico é a principal causa de processos por negligência contra provedores de assistência médica (consulte Resources). Portanto, ajudar os médicos a evitar erros cognitivos comuns e fazer diagnósticos melhores é uma prioridade. Por outro lado, o suporte ao tratamento ajuda os clínicos a cumprir as diretrizes de tratamento conhecidas, como evitar interações conhecidas entre medicamentos, dar a medicação correta aos pacientes corretos e cumprir a programação de trocas de cateter.

A primeira geração de CDSS se concentra no suporte ao diagnóstico. As ferramentas de diagnóstico diferencial, como o DXPlain, usam o processo bayesiano de inferência de decisões para levar em conta um achado clínico (como um sintoma ou resultado de laboratório) de cada vez e, em seguida, calcular as probabilidades estatísticas de vários diagnósticos possíveis. As bases de conhecimento desse sistema são arrays grandes de probabilidades anteriores que ligam achados clínicos a diagnósticos. O problema dessas ferramentas de primeira geração é que os médicos raramente têm tempo de sentar-se diante do computador, verificar registros médicos e inserir um achado de cada vez no computador. Em seguida, após o surgimento de vários diagnósticos prováveis, o médico tem que pesquisar possíveis opções de tratamento. Isso é um grande problema atualmente, já que os clínicos gerais só passam quinze minutos com cada paciente.

A segunda geração de ferramentas de suporte a decisões clínicas tem o objetivo de melhorar o fluxo de trabalho e a facilidade de uso. O Isabel é um produto representativo dessa categoria. O Isabel tem duas inovações importantes. Primeiramente, ele toma um resumo sobre o paciente, em idioma natural, das notas do médico no EHR, identifica as palavras-chave e os achados contidos no resumo e, em seguida, gera uma lista de diagnósticos relacionados a partir do banco de dados de probabilidades. Em segundo lugar, o Isabel indexa a literatura médica publicada procurando opções de tratamento para cada diagnóstico e faz sugestões de tratamento ao médico, juntamente com os diagnósticos. O processo de idioma natural na análise das notas do médico e da literatura médica é uma inovação significativa, que deixa o Isabel interessante.

Entretanto, até mesmo com o Isabel, frequentemente o processo de extrair eletronicamente as notas do médico e, em seguida, procurar respostas é lento demais. Um estudo indicou que os diagnósticos do Isabel são precisos quando parágrafos grandes de texto são usados, mas a precisão cai bastante quando a entrada contém menos texto (consulte Resources).

Para um profissional médico qualificado, frequentemente a melhor forma de resolver um achado surpreendente ou encontrar um novo tratamento é perguntar a um clínico mais experiente.


O poder das perguntas & respostas simples

De acordo com um estudo observacional publicado em 1999 pelo BMJ (British Medical Journal), uma equipe de pesquisadores observou 103 médicos em um dia de trabalho. Esses médicos fizeram 1.101 perguntas clínicas durante o dia. A maioria dessas perguntas (64%) nunca foi respondida. Além disso, entre as perguntas que foram respondidas, os médicos passaram menos de dois minutos procurando respostas. Somente duas das 1.101 perguntas desencadearam uma pesquisa na literatura, realizada pelos médicos na tentativa de respondê-las. Assim sendo, o fornecimento de respostas rápidas para perguntas clínicas pode ter um impacto significativo na melhoria da qualidade da assistência médica (consulte Resources). Surge o Watson.

Muitas vezes, faz-se a pergunta: o Google não faz isso? Certamente, é possível inserir um achado clínico ou diagnóstico no Google e procurar respostas. De fato, um médico usou o Google como auxílio para o diagnóstico em um caso médico de alta relevância publicado no New England Journal of Medicine de cada entidade (consulte a Resources). Entretanto, o Google é fundamentalmente um mecanismo de busca de palavras-chave. Retorna documentos, não respostas.

O problema “Paris Hilton”

O "problema Paris Hilton" é uma boa ilustração do problema do Google em relação à consulta em idioma natural. Se alguém digita “Paris Hilton” no mecanismo de busca, o Google não sabe se a pessoa está procurando um hotel na França ou fofocas sobre uma celebridade. A única forma de responder esse tipo de pergunta é fazer com que o computador “entenda” o contexto por meio da análise do idioma natural.

  • O Google não entende a pergunta. O médico é responsável por transformar a pergunta nas combinações de palavras-chave que possam dar os resultados corretos no Google. Com exceção das perguntas mais simples sobre curiosidades, essa tarefa se mostra difícil. De fato, há livros inteiros que tratam da otimização das consultas de busca para aproveitar o Google ao máximo.
  • O Google localiza milhões de documentos em cada consulta e ordena os resultados por relevância da palavra-chave. O usuário precisa ler o documento, analisar o significado com base no contexto e, em seguida, extrair uma lista de possíveis respostas.

Assim sendo, embora o Google seja tremendamente útil, principalmente para responder perguntas sobre curiosidades, ele tem o mesmo problema das ferramentas de CDSS que vieram antes dele: simplesmente requer muito tempo e energia mental dos médicos para ser útil como uma ferramenta de suporte a decisões no dia a dia.

Em um estudo de 2006 publicado pelo BMJ, dois pesquisadores analisaram um ano inteiro de casos diagnósticos publicados no New England Journal of Medicine e avaliaram se um profissional qualificado pode dar um diagnóstico simplesmente avaliando os resultados de busca do Google. Note que o pesquisador, que é uma pessoa, precisa examinar os casos para desenvolver consultas de busca e, em seguida, analisar os resultados do Google para identificar possíveis diagnósticos – um processo que exige muito trabalho e tempo. A resposta é que eles conseguem encontrar os diagnósticos corretos em 58% dos casos (consulte Resources). A esperança em relação ao Watson é que ele possa melhorar essa porcentagem e, ao mesmo tempo, poupar tempo e esforço do clínico humano.

Para ver uma boa análise do confronto Google x Watson para responder o tipo de pergunta que se faz no Jeopardy!, consulte o texto de Danny Sullivan na seção Resources .

O Watson em ação

Para ver os tipos de questão que o Watson consegue responder, confira as duas questões de exemplo que o Dr. David Ferrucci mostrou para a chanceler alemã Merkel e para o primeiro ministro turco Erdogan na cerimônia de abertura do CeBIT 2011. Tente digitar essas questões no Google para ver como é difícil obter a resposta a partir de uma lista de documentos, e como é fácil deixar passar diagnósticos menos frequentes.

  1. Questão: os estreptococos causam essa "febre" infantil, caracterizada por uma erupção de cor vermelha escura e alta temperatura.

    Resposta: 98% Escarlatina, 15% Febre reumática, 8% Faringite estreptocócica

  2. Questão: essa doença pode causar uveíte em um paciente com histórico familiar de artrite, apresentando uma erupção circular, febre e dor de cabeça.

    Resposta: 76% Doença de Lyme, 1% Doença de Behçet, 1% Sarcoidose

Do ponto de vista do fluxo de trabalho do CDSS, precisamos incluir uma camada semântica e de idioma natural sobre a base de um mecanismo de busca como o Google, para que o computador possa realmente responder questões. É exatamente isso o que o Watson faz.

Além disso, o Watson avalia cada resposta possível com base nas provas que consegue coletar por meio de uma busca secundária refinada. Isso permite que o Watson dê um nível de confiança para cada resposta. Isso é crucial para um sistema de perguntas & respostas médicas, já que protege contra um tipo muito comum de erro cognitivo que os médicos cometem — o encerramento prematuro. O encerramento prematuro ocorre quando um médico forma e aceita um diagnóstico e deixa de levar em conta alternativas plausíveis diante de novas provas sobre o diagnóstico. Por exemplo, quando um paciente entrou em um consultório com a queixa de desconforto no peito depois de uma refeição farta, o médico diagnosticou azia e prescreveu uma medicação simples contra esse problema. Entretanto, quando o paciente piorou mais tarde, vindo a apresentar sinais claros de ataque cardíaco, o médico não pôde considerar a possibilidade de ataque cardíaco porque estava intrigado pelo fato de a medicação contra azia não ter funcionado, e acabou prescrevendo ao paciente mais medicações contra azia. Esse tipo de erro de diagnóstico ocorre quando o médico fica "ancorado" à conclusão errada. Nesse caso, uma pergunta a sistema de perguntas & respostas, procurando saber por que a medicação contra azia não funcionou, poderia salvar vidas. O Watson poderia fazer um ótimo trabalho levando os médicos a considerar casos de baixa probabilidade, mas possivelmente graves.


O idioma do Watson

Do ponto de vista técnico, a a Figura 1 mostra as etapas que o Watson executa para responder uma questão. Resumidamente, as etapas são:

  1. O Watson analisa a questão em idioma natural para gerar uma consulta de busca.
  2. O mecanismo de busca integrado ao Watson faz uma busca em uma grande base de conhecimento, formada por documentos, para localizar documentos relacionados.
  3. O Watson analisa os resultados baseados no idioma natural e gera possíveis respostas (as hipóteses).
    1. Para cada hipótese, o Watson constrói e inicia outra busca para coletar evidências que suportem essa hipótese.
    2. O mecanismo de busca integrado ao Watson procura provas que suportam cada hipótese.
    3. Os resultados da busca são analisados novamente e cada prova recebe uma pontuação referente à sua força.
    4. Agora, atribui-se a cada hipótese uma pontuação baseada na força de todas as provas que a suportam.
  4. As hipóteses são transformadas em uma lista de respostas que é retornada ao usuário.

As tarefas chave realizadas pelo Watson envolvem processamento do idioma natural (passos 1, 3 e 3c), busca (passos 2, 3a e 3b) e pontuação das provas (passos 3d e 4). (Veja uma versão ampliada da Figura 1.)

Figura 1. O fluxo de trabalho que o Watson executa para responder uma questão
O fluxo de trabalho que o Watson executa para responder uma questão

Fundamentalmente, tanto a análise do idioma natural quanto à pontuação das provas processam e avaliam documentos de texto não estruturado. Dentro do Watson, os componentes de software baseados no projeto Apache UIMA (Unstructured Information Management Architecture) realizam essas tarefas. O Watson gera diversas consultas de pesquisa para cada questão e usa várias técnicas de busca diferentes para localizar hipóteses ou provas a partir da base de conhecimento. As tecnologias de pesquisa usadas no Watson incluem o Apache Lucene (frequência de termos para classificar os resultados), o Indri (rede bayesiana para classificar os resultados) e o SPARQL (busca de relações entre os termos e documentos). Consulte Resources.

O Watson e o software livre

Para obter toda a sofisticação e os algoritmos avançados que fazem parte do Watson, o sistema Watson se baseia em software livre disponível gratuitamente. O Apache UIMA, Apache Lucene, Indri, SPARQL e o Jena Toolkit são softwares livres. Especificamente, o Watson usa software livre como frameworks básicos, mas se baseia em algoritmos patenteados como componentes que se conectam ao framework. O software livre evoluiu bastante para se transformar em um possibilitador chave da inovação de software.

O modo como o Watson raciocina é gerando hipóteses (ou seja, respostas candidatas) a partir de um grande corpo de documentos, e não de teorias pré-concebidas, como os seres humanos tipicamente fazem. De fato, uma das tendências importantes da pesquisa científica é a “mineração” de descobertas a partir dos dados. Enquanto o Watson tenta emular a inteligência humana, as pessoas pensam de uma forma mais semelhante ao processo do Watson! Consulte a seção Resources para ver um artigo excelente da revista Wired e saber mais sobre o assunto.

Apache UIMA

O projeto Apache UIMA é uma implementação de software livre da especificação OASIS UIMA. A UIMA fornece um framework de arquitetura escalável para executar aplicativos de processamento de texto como o Watson.

Um recurso chave do framework UIMA é o fato de permitir que aplicativos (chamados de componentes nos termos do UIMA) sejam encadeados. Dessa forma, cada componente de aplicativo pode se concentrar em uma tarefa de processamento de texto e passar os resultados ao componente seguinte da cadeia, para que continue o trabalho. Isso se ajusta de forma ideal ao fluxo de trabalho do Watson descrito anteriormente neste artigo.

Além disso, o UIMA fornece um framework de processamento paralelo, chamado UIMA-AS, que permite que vários componentes sejam executados simultaneamente. Para os desenvolvedores Java™ , o framework UIMA-AS se baseia em outro framework de software livre da Apache, o ActiveMQ, que usa Java Messaging Services para facilitar a comunicação entre as tarefas de forma assíncrona. No caso do Watson, assim que um conjunto de hipóteses é gerado, o computador deve ser capaz de coletar e pontuar as provas de cada hipótese de forma independente. Por exemplo, todas as linhas paralelas da a Figura 1 representam tarefas que podem ser processadas simultaneamente por várias CPUs. O UIMA-AS é a razão pela qual o Watson pôde usar 2880 CPUs para localizar respostas do Jeopardy! em três segundos. Essa arquitetura também permite a redução das implementações do UIMA quando necessário. Por exemplo, é possível que um aplicativo de "médico assistente" não precise dar respostas em segundos; portanto, o requisito de hardware desse aplicativo pode ser muito menor que o do Watson.

Do ponto de vista do desenvolvedor de aplicativos, a criação de um aplicativo do UIMA consiste principalmente em anotadores. Uma transação no estilo anotador é uma classe de Java ou C++ que pode tomar um texto de entrada e extrair dele informações estruturadas. A documentação do UIMA tem um tutorial excelente que ensina a escrever um anotador para extrair endereços e números de sala de um texto livre usando expressões regulares.

Obviamente, o processamento de idioma natural requer mais do que a extração de texto estruturado por meio de expressões regulares. Foi desenvolvido um grande corpo de algoritmos para detectar, tokenizar, aplicar tags, categorizar e analisar palavras, fases e sentenças em um parágrafo em idioma natural para extrair o seu significado com base no contexto. Um ponto forte importante da abordagem do framework de software livre adotada pelo UIMA é o fato de incentivar outros desenvolvedores a fornecer anotadores que implementem esses algoritmos conhecidos e, assim, facilitar a vida dos novos desenvolvedores. Vários algoritmos de uso frequente já estão incluídos na distribuição padrão do UIMA para ajudar os desenvolvedores a começar a trabalhar rapidamente. O Web site do UIMA hospeda vários repositórios grandes de anotadores disponíveis para download, inclusive os anotadores de OpenNLP (Open Natural Language Processing) e anotadores do IBM Semantic Search. Os anotadores do IBM Semantic Search permitem fazer uma busca em um repositório de documentos para localizar todos os documentos criados por uma pessoa em um período específico.

Durante o desenvolvimento do Watson, a equipe da IBM desenvolveu muitos anotadores no UIMA. De fato, boa parte do trabalho foi o desenvolvimento de funções de pontuação para avaliar a validade de cada prova extraída dos documentos do resultado da busca. De acordo com a equipe do Watson, foram desenvolvidas mais de cem funções de pontuação para o projeto Jeopardy! , e esses anotadores UIMA são o motivo pelo qual o Watson pôde identificar corretamente uma única resposta correta a partir de um grande volume de documentos retornados pela busca. Como o Google, o segredo do Watson não está na forma de localizar as respostas, mas na forma de pontuar e classificar as respostas para que as mais prováveis sejam exibidas primeiro.

Frameworks de software

A maioria dos desenvolvedores de software está familiarizada com o conceito de frameworks. Na área do desenvolvimento Java, há centenas de frameworks amplamente utilizados, que vão da Web até a modelagem de dados. Na área do C++, o Standard Template Library (STL) é um framework bastante conhecido. O framework fornece uma API (application programming interface) para aplicativos. Os aplicativos que são desenvolvidos com base em um framework seguem os padrões arquitetônicos fornecidos pelo framework e delegam muitas das tarefas de rotina às bibliotecas do framework.

Apache Lucene

Como descrevemos anteriormente, o Watson faz buscas em grandes bancos de dados de documentos para gerar hipóteses e, em seguida, localiza provas que suportam cada hipótese. Um dos principais mecanismos de busca usados para indexar e fazer buscas nesses documentos de texto não estruturados é o Apache Lucene.

O Apache Lucene é um indexador e mecanismo de busca de texto livre com muitos recursos, escrito em Java. Fornece um conjunto de APIs simples que permitem que os desenvolvedores integrem facilmente o mecanismo de busca aos seus próprios aplicativos. O desenvolvedor pode customizar a indexação e pontuação da relevância dos documentos. O Lucene também suporta uma linguagem rica de consulta semelhante à linguagem de consulta do Google (os operadores que podem ser digitados na caixa de texto do Google).

O Lucene é integrado ao Watson para indexar os grandes repositórios de documentação: um banco de dados de curiosidades e artigos da Wikipédia para o Jeopardy! , e publicações médicas para o aplicativo de assistência médica. Os anotadores UIMA chamam o Lucene de acordo com a necessidade para que execute buscas na base de documentos em vários estágios do processo de resposta das perguntas. Os exemplos de bancos de dados médicos desse tipo incluem repositórios de publicações médicas revisadas por pares como o Medline, bem como diretrizes oficiais de tratamento como as do National Guideline Clearinghouse da Agency for Healthcare Research and Quality (AHRQ).

O Lucene não só indexa texto livre em documentos com base na frequência de palavras, mas também pode armazenar informações estruturadas extraídas do documento pelo UIMA. Ao armazenar informações estruturadas, é possível fazer buscas nos documentos por meio de metadados (como o nome do autor ou o fato de conter ou não um endereço na cidade de Nova York). Conforme o UIMA processa texto em idioma natural no banco de dados de documentos, ele cria objetos de common analysis structure (CAS), que contêm os resultados estruturados extraídos do documento, o sistema de tipo e os índices. O indexador de CAS do Lucene (Lucas) é um anotador padrão que vem com o UIMA. O Lucas salva informações de CAS em arquivos de índice do Lucene.

O UIMA e o Lucene trabalham em conjunto para formar o mecanismo de analítica e conhecimento do Watson. Mesmo se os anotadores e algoritmos do Watson não forem software livre, a demonstração bem-sucedida no programa Jeopardy! valida a abordagem geral e proporciona um caminho para que os desenvolvedores criem aplicativos semelhantes em áreas específicas.


Futuro do processamento de idioma natural na assistência médica

O processamento de idioma natural na assistência médica vai além das perguntas e respostas. Em 2008, a prestigiada revista científica Nature publicou uma edição especial sobre o fato de que a pesquisa médica está entrando em uma área de grande dados grandes. O processo de descoberta científica está passando da teoria, hipótese, experimento e prova para a mineração direta dos dados, a fim de tirar conclusões. Embora a edição da Nature se concentre nos dados genômicos como alvo da mineração de dados grandes, pode-se argumentar que os dados de textos em idioma natural também são uma fonte importante de pesquisa.

Por exemplo, como os sistemas de EHR são adotados por exigência governamental, as notas dos médicos são digitalizadas em um formato legível para computadores. Trata-se de um grande repositório de informações para minerar procurando por indicadores de sintomas, eficácia do tratamento e possíveis erros médicos. De fato, a Mayo Clinic e a IBM já anunciaram uma parceria para liberar o software de boa parte dos anotadores UIMA que a Mayo desenvolveu para minerar os seus próprios registros médicos.

A mineração de dados relatados pelos pacientes é outra área interessante. Comunidades de pacientes como a PatientsLikeMe e a Association of Cancer Online Resources, Inc. (ACOR) coletaram grandes quantidades de e-mails, posts em fóruns, posts de blogs e dados de automonitoramento dos pacientes. Já foi feita uma pesquisa importante baseada nesses dados para identificar efeitos adversos de medicamentos que não foram descobertos em estudos da FDA, bem como estudos comparativos sobre a eficácia dos tratamentos. Usando ferramentas de idioma natural, podemos elevar o nível desse tipo de pesquisa.

Usando software livre e hardware produzido em massa, o Watson nos mostrou o que pode ser feito. O esforço de P&D investido no Watson já começou a dar bons resultados para a comunidade de desenvolvedores, na forma de contribuições da IBM para o UIMA, UIMA-AS e módulos relacionados. Agora cabe aos desenvolvedores escrever aplicativos inovadores para aproveitar esses recursos!

Recursos

Aprender

Obter produtos e tecnologias

  • Avalie produtos de software IBM usando o método mais adequado para você. De downloads de avaliação a produtos hospedados em nuvem, o developerWorks tem softwares especialmente para desenvolvedores.

Discutir

Comentários

developerWorks: Conecte-se

Los campos obligatorios están marcados con un asterisco (*).


Precisa de um ID IBM?
Esqueceu seu ID IBM?


Esqueceu sua senha?
Alterar sua senha

Ao clicar em Enviar, você concorda com os termos e condições do developerWorks.

 


A primeira vez que você entrar no developerWorks, um perfil é criado para você. Informações no seu perfil (seu nome, país / região, e nome da empresa) é apresentado ao público e vai acompanhar qualquer conteúdo que você postar, a menos que você opte por esconder o nome da empresa. Você pode atualizar sua conta IBM a qualquer momento.

Todas as informações enviadas são seguras.

Elija su nombre para mostrar



Ao se conectar ao developerWorks pela primeira vez, é criado um perfil para você e é necessário selecionar um nome de exibição. O nome de exibição acompanhará o conteúdo que você postar no developerWorks.

Escolha um nome de exibição de 3 - 31 caracteres. Seu nome de exibição deve ser exclusivo na comunidade do developerWorks e não deve ser o seu endereço de email por motivo de privacidade.

Los campos obligatorios están marcados con un asterisco (*).

(Escolha um nome de exibição de 3 - 31 caracteres.)

Ao clicar em Enviar, você concorda com os termos e condições do developerWorks.

 


Todas as informações enviadas são seguras.


static.content.url=http://www.ibm.com/developerworks/js/artrating/
SITE_ID=80
Zone=Segmentos de mercado, Software livre
ArticleID=658830
ArticleTitle=Watson e a Assistência Médica
publish-date=08312012