mai 19

19 – 21/11/14 – XXV Congresso Nacional das APAEs

g Leia mais »

jun 27

Diagnostically relevant facial gestalt information from ordinary photos

Abstract

Craniofacial characteristics are highly informative for clinical geneticists when diagnosing genetic diseases. As a first step towards the high-throughput diagnosis of ultra-rare developmental diseases we introduce an automatic approach that implements recent developments in computer vision. This algorithm extracts phenotypic information from ordinary non-clinical photographs and, using machine learning, models human facial dysmorphisms in a multidimensional ‘Clinical Face Phenotype Space’. The space locates patients in the context of known syndromes and thereby facilitates the generation of diagnostic hypotheses. Consequently, the approach will aid clinicians by greatly narrowing (by 27.6-fold) the search space of potential diagnoses for patients with suspected developmental disorders. Furthermore, this Clinical Face Phenotype Space allows the clustering of patients by phenotype even when no known syndrome diagnosis exists, thereby aiding disease identification. We demonstrate that this approach provides a novel method for inferring causative genetic variants from clinical sequencing data through functional genetic pathway comparisons.

link original: http://elifesciences.org/content/3/e02020

DOI: http://dx.doi.org/10.7554/eLife.02020.001

eLife digest

Rare genetic disorders affect around 8% of people, many of whom live with symptoms that greatly reduce their quality of life. Genetic diagnoses can provide doctors with information that cannot be obtained by assessing clinical symptoms, and this allows them to select more suitable treatments for patients. However, only a minority of patients currently receive a genetic diagnosis.

Alterations in the face and skull are present in 30–40% of genetic disorders, and these alterations can help doctors to identify certain disorders, such as Down’s syndrome or Fragile X. Extending this approach, Ferry et al. trained a computer-based model to identify the patterns of facial abnormalities associated with different genetic disorders. The model compares data extracted from a photograph of the patient’s face with data on the facial characteristics of 91 disorders, and then provides a list of the most likely diagnoses for that individual. The model used 36 points to describe the space, including 7 for the jaw, 6 for the mouth, 7 for the nose, 8 for the eyes and 8 for the brow.

This approach of Ferry et al. has three advantages. First, it provides clinicians with information that can aid their diagnosis of a rare genetic disorder. Second, it can narrow down the range of possible disorders for patients who have the same ultra-rare disorder, even if that disorder is currently unknown. Third, it can identify groups of patients who can have their genomes sequenced in order to identify the genetic variants that are associated with specific disorders.

The work by Ferry et al. lays out the basic principles for automated approaches to analyze the shape of the face and skull. The next challenge is to integrate photos with genetic data for use in clinical settings.

DOI: http://dx.doi.org/10.7554/eLife.02020.002

Main text

Introduction

Genetic disorders affect almost 8% of people (Baird et al., 1988), about a third of whom will have symptoms that greatly reduce their quality of life. While there are over 7000 known inherited disorders, only a minority of patients with a suspected developmental disorder receive a clinical, let alone a genetic, diagnosis (Hart and Hart, 2009). A genetic diagnosis allows more specific therapeutic interventions to be investigated and can aid the identification of primary vs secondary symptoms.

The introduction of whole genome and exome sequencing into modern clinical medicine will be instrumental in raising the current low rate of genetic diagnoses for ultra-rare diseases. Nevertheless, tools to accurately assign functional and disease relevance to sequence variants are substantially lacking. Projects that apply next generation sequencing to patients in clinical settings fail to report genetic diagnoses for approximately 80% of cases (de Ligt et al., 2012). The difficulty lies in identifying the causal variant in an individual patient: even when ignoring experimental error, each individual carries approximately 4 million differences, in the case of whole genome sequencing, relative to the reference genome. Computational analyses currently are able only to interpret the ∼2500 variants that alter protein sequence at evolutionarily conserved positions and ∼400 very rare variants that are likely to be causal for pathogenic processes (Abecasis et al., 2012). Notably, of the ∼10% of the genome that is functional all except the 1.2% that is protein-coding is often disregarded (Weischenfeldt et al., 2013). Therefore, the prediction of causal inherited variants in an individual can result in high false positive and high false negative rates.

The most powerful approach to associate a particular gene with an ultra-rare disease is to identify multiple unrelated individuals with the disorder whose genomes harbor deleterious alleles in a shared gene, regulatory element or pathway (Schuurs-Hoeijmakers et al., 2012). However, this approach relies on at least two individuals with the same disorder being available for comparison, an unlikely event given that these two individuals are selected for comparison from the roughly 100 million people affected by rare developmental disorders (prevalence of less than 2 per 100,000 around the world) (Orphanet, 2013). For the past 65 years, clinical geneticists have studied, diagnosed, and characterized developmental disorders on the basis of common characteristics among patients (Rimoin and Hirschhorn, 2004). When a given causal variant is ultra-rare, however, this presents substantial difficulties. Consequently, to realize the full potential of next generation sequencing in clinical diagnostics, phenotypic characterization must also become correspondingly high throughput and sensitive (Hennekam and Biesecker, 2012).

The facial gestalt provides valuable information to identify similarities between patients because 30–40% of genetic disorders manifest craniofacial abnormalities (Hart and Hart, 2009). The utility of computer vision for diagnosis and phenotyping of dysmorphic disorders has been explored previously by several groups and with varying approaches (Loos et al., 2003Hammond et al., 2005Hammond, 2007Boehringer et al., 2006Dalal and Phadke, 2007Vollmar et al., 2008Boehringer et al., 2011, reviewed in Hammond and Suttie, 2012Baynam et al., 2013). The computational analysis of facial morphology using 3D imaging has been applied to conditions such as fetal alcohol syndrome (Suttie et al., 2013), schizophrenia (Buckley et al., 2005Hennessy et al., 20062007) and autism (Aldridge et al., 2011). While 3D imaging studies have shown high discriminatory power in terms of classification they have relied on specialized imaging equipment and patient cooperation. Previous work with 2D images has relied on manual annotation of images, controlling lighting, pose and expression to allow consistent analyses. These factors greatly limit the availability, and ultimately the potential widespread clinical utility of such approaches.

We have adopted a complementary approach that takes advantage of the wealth of data available for human faces, an indirect result of the ubiquitous availability of cameras. To do so we provide a new representation (‘Clinical Face Phenotype Space’), which is an application of computer vision and machine learning algorithms for analyzing craniofacial dysmorphisms from ordinary photographs. We have ensured that Clinical Face Phenotype Space is robust to spurious variations such as lighting, pose, and image quality which would otherwise bias analyses. The approach is fully automated and provides objective and consistent computational descriptions of facial gestalt. Our method both greatly narrows the search space for investigating known disorders and will increase the power of inferring causative variants in previously unidentified genetic disease.

Results

We sought to construct a database of patient photos within which faces would be automatically identified and their key features annotated. Our intent was to build a model of dysmorphic variation from a set of syndromes that, additionally, would be able to cluster syndromes not used in model training. Our schema by which a patient photo is automatically analyzed within the context of Clinical Face Phenotype Space is provided in Figure 1A.

Image database composition

We first collected a database of 2878 images, including 1515 healthy controls and 1363 pictures for eight known developmental disorders from publically available sources across the internet (Table 1, references for image sources are available from Supplementary file 1). Manual checks were performed to exclude images where the face or an eye was not clearly visible, or where an expert clinician (DRF) could not verify the diagnosis. Manual annotation of facial features points was performed on all images to allow training and testing of an automated annotation algorithm. These initial requirements for manual intervention are dispensed with in the final automatic algorithm (see below).

View this table:

Table 1.

Composition of the database

DOI: http://dx.doi.org/10.7554/eLife.02020.006

Computer vision algorithms

We proceeded to train a computer vision algorithm for automatic annotation of 36 feature points of interest across the face (Figure 1A). Our approach takes advantage of a variety of facial detection algorithms (OpenCV [Bradski, 2000], Viola Jones [Viola and Jones, 2001] and Everingham [Everingham et al., 2009]) and custom learning (consensus of exemplars [Belhumeur et al., 2011]) to accurately place feature points on a given face (‘Materials and methods’). Across all images in our database, manual checking found that our algorithm detected and annotated 99.5% of tested faces correctly with accuracies in the range 6–60% of the width of an eye (individual feature point accuracies are provided in Figure 1—figure supplement 1).

We used an Active Appearance Model (‘Materials and methods’) to calculate an average face within any set of images, representing consistent shape and appearance features within the group (Figure 1B and animated morphs in Figure 2). The average faces for each syndrome show that the algorithm effectively captures characteristic features of dysmorphic syndromes (Figure 2—figure supplement 1). For each feature point, the algorithm extracts a feature vector describing appearance of the surrounding patch. The algorithm then constructs a feature vector describing shape based on the relative pairwise distances between all feature points (‘Materials and methods’). We next sought to compare the syndrome relevant information content of the feature descriptors to previous studies (Hammond et al., 2005Boehringer et al., 2006Hammond, 2007Vollmar et al., 2008). We found that classification analysis based on support vector machines provided similar accuracies to previous work, despite disparities in image variability (average classification accuracy 94.4%, see Figure 4—figure supplement 1, Figure 4—figure supplement 2 and ‘Materials and methods’).

It is important to emphasize that the analyzed images vary greatly, as there were minimal restrictions imposed on image selection placed by the two exclusion criteria (both eyes visible and diagnosis verified by DRF). Photos were analyzed irrespective of the subject’s age, gender, facial expression or ethnicity or the background scenery. Principal component analysis (PCA) of facial descriptor vectors illustrates that the main sources of variation among images are indeed lighting, pose, and facial expression, rather than phenotypic features (Figure 1—figure supplement 2).

Constructing a Clinical Face Phenotype Space with metric learning

We next performed Metric Learning using a Large Margin Nearest Neighbor (Weinberger and Saul, 2009) approach for the eight syndromes in the database. This approach linearly transformed the multidimensional space of PCA feature vectors to optimize the separation of syndromes: dimensions informative for dysmorphism phenotypes are expanded while uninformative dimensions are compressed (thus changing the relative importance for clustering). We denote the resulting transformed 270 dimensional space as ‘Clinical Face Phenotype Space’ (see ‘Materials and methods’).

Due to its design, Clinical Face Phenotype Space clusters patient faces based on diagnostically relevant phenotypic features, while tolerating spurious variation. Relative importance of spurious and phenotypic variation for clustering in Clinical Face Phenotype Space was tested using simulated faces (‘Materials and methods’). For these faces feature dimensions that reflected known spurious variation such as lighting and head orientation were compressed and hence were of less relevance for clustering (Figure 1—figure supplement 2).

For the eight syndromes with which Clinical Face Phenotype Space was created, we performed tests with supervised learning and clustering. A kNN-classifier applied within Clinical Face Phenotype Space was able to correctly classify images with an accuracy of 99.5% using the leave-one-out method. However, to avoid biases introduced by training data size, we also assessed the improvements in clustering by measuring the search space reduction (hereafter referred to as the Clustering Improvement Factor or CIF, ‘Materials and methods’). This estimates the factor by which the Clinical Face Phenotype Space improves the clustering of syndromes when compared with random chance (to 95% confidence). On average, the clustering of the eight syndromes within the database was improved by 11.0-fold (geometric mean of improved clustering, CIF range 9.1–23.5, maximum possible mean 12.5; Figure 3).

Figure 3.

Download figureOpen in new tabDownload powerpointFigure 3.Clinical Face Phenotype Space enhances the separation of different dysmorphic syndromes.

The graph shows a two dimensional representation of the full Clinical Face Phenotype Space, with links to the 10 nearest neighbors of each photo (circle) and photos placed with force-directed graphing. The Clustering Improvement Factor (CIF, fold better clustering than random expectation) estimate for each of the syndromes is shown along the periphery.

DOI: http://dx.doi.org/10.7554/eLife.02020.010

 

Next, we tested and confirmed our hypothesis that Clinical Face Phenotype Space could be generalized to dysmorphic syndromes that were not used in the training. We had access to 75 syndromes from the Gorlin collection (a kind gift curated and annotated by Professor Raoul Hennekam, Academic Medical Center, University of Amsterdam), which we supplemented with additional images of 22q11, Marfan and Sotos syndromes. Furthermore, we collected images of patients with verified genetic mutations in PACS1 or in specific genes from the RAS/MEK pathway (Supplementary file 1 references for image sources in ‘Materials and methods’). The number of individuals within each syndrome varied between 2 and 223. The search space reduction was on average 27.6-fold better than random chance (CIF range 1.0–700.0, maximum possible average CIF was 150.0; Figure 4A). That is to say, that among 2754 patients’ faces associated with any of 90 syndromes Clinical Face Phenotype Space makes it 27.6-fold easier to make the correct diagnosis. This demonstrates that Clinical Face Phenotype Space is an effective approach to the identification of multiple individuals sharing ultra-rare, previously undocumented, genetic disorders.

We proceeded to test if Clinical Face Phenotype Space recapitulates the modularity of genetic diseases, where clusters of phenotypically similar disorders reflect functional relationships among the genes involved (see Oti and Brunner, 2007 for a review). We have shown that individuals with the same underlying genetic disease automatically cluster in Clinical Face Phenotype Space. We next tested whether disorders caused by mutations in different genes result in meaningful clusters in Clinical Face Phenotype Space. We selected disorders with a known genetic origin, using either gene associations from OMIM or publications describing the identification of causative genes (see ‘Materials and methods’). For each pair of genes, the shortest path in a protein–protein interaction network was obtained from Dapple (Rossin et al., 2011), giving a protein interaction distance relevant to that gene pair. We compared genes underlying monogenic syndromes linked by 1, 2, or 3 path distances, with those with a path distance of 4 or that was unknown; unknown distances are those where no genes are associated with a syndrome, the syndrome is multigenic, or when DAPPLE has no known interaction documented, see ‘Materials and methods’. For each pair of syndromes, an average Euclidean distance in Clinical Face Phenotype Space was calculated. The distance in Clinical Face Phenotype Space is significantly shorter between syndromes associated to genes with protein interaction distances of 1, 2, or 3 compared with syndromes with 4 or no known interactions (p< 0.01, p< 0.05 and p< 0.001 respectively, Figure 5). This demonstrates that the distance in Clinical Face Phenotype Space partly recapitulates the functional relatedness of underlying developmental processes known to be disrupted in genetic diseases.

Figure 5.

Download figureOpen in new tabDownload powerpointFigure 5.Clinical Face Phenotype Space recapitulates features of functional gene links between syndromes.

Protein–protein interaction distances of 1–3 for genetically characterized syndromes are associated with significantly shorter Euclidean distance (arbitrary units) between syndromes in Clinical Face Phenotype Space as compared to syndromes with distance 4 or no known interaction distance (shown in orange) (Kruskal–Wallis tests with Bonferroni corrected p-values indicated as *p<0.05, **p<0.01, ***p<0.001). The Spearman correlation across all distances was r = 0.09, p<0.001. The numbers of pairwise syndrome comparisons underlying each of the interaction distances are listed within the respective boxes.

DOI: http://dx.doi.org/10.7554/eLife.02020.016

 

Querying Clinical Face Phenotype Space

Clinical Face Phenotype Space can provide clinical phenotyping and clustering to known genetic disorders that is objective and high-throughput. The method is, however, neither sufficiently accurate nor intended to determine diagnosis, yet it can help to narrow the diagnostic search space in an unprejudiced manner. A clinician could easily photograph a patient and immediately obtain clinically useful diagnostic hypotheses and matching cases. To this end, we implemented two primary methods to automatically and objectively query Clinical Face Phenotype Space.

For any given image located in Clinical Face Phenotype Space, we obtain confidence ranked classifications to known disorders (see ‘Materials and methods’ and Figure 4—figure supplement 4). In addition, we objectively compare the image to others within the space. For any given query image, a probabilistic ranking of similar syndromes is obtained through nearest neighbor representation compared to random expectation of clustering among the 90 syndromes and 2754 faces. The classification confidence for a particular disorder depends on its location within the space, but also on the local densities of similar faces. We find that for the eight initial syndromes used to construct Clinical Face Phenotype Space, 93.1% (range 81.0–99.2%) are correctly classified as the top rank, cumulatively converging on 99.1% (95.8–100%) by the 20th rank (Figure 4B). Of syndromes not part of the Clinical Face Phenotype Space training, the classification accuracies positively correlated strongly with the number of instances in the database (Figure 4B). For the 20 syndromes where the database held 5 or fewer examples (Table 1), we classify on average 20.3% correctly by the 6th rank (exceeding 16.3-fold better than by chance alone).

For individuals with a suspected ultra-rare or an undocumented novel disorder, we developed a metric, p0p1, which assesses their similarity to others within Clinical Face Phenotype Space. The metric estimates the relative closeness of two faces given an average local density with the space: a p0p1 value exceeding 1 indicates a potentially new cluster, see ‘Materials and methods’. The 2 PACS1 cases reported by Schuurs-Hoeijmakers et al. (2012) placed within Clinical Face Phenotype Space have a p0p1 value of 1.05 meaning that they are 5% closer to one another than the geometric mean of the distances to their 20 nearest neighbors. Taking into account that this is a local density estimate among 2754 faces in Clinical Face Phenotype Space, the search space to find them has been reduced ∼690.4-fold (CIF, see ‘Materials and methods’).

The combination of syndrome clustering and de novo similarity metrics should aid the diagnosis of known syndromes and provides a means of clustering patients where no documented diagnosis exists.

Discussion

We have developed our algorithm on normal-everyday 2D photographs and have focused on 36 facial feature points. Given the orders of magnitude lower dimensionality of our data as compared to a 3D imaging capture (Hammond et al., 2005), we were initially concerned that this would be insufficient to capture facial phenotypes. However, we then demonstrated that the approach is able to describe and discriminate between syndromes with a comparable accuracy to previous studies (Loos et al., 2003Hammond et al., 2005Hammond, 2007Boehringer et al., 2006Dalal and Phadke, 2007Vollmar et al., 2008Boehringer et al., 2011). The accessibility of normal 2D photographs (as opposed to 3D imaging) should outweigh any lower data resolution obtained from any one image and in future developments using multiple profile perspectives will allow 3D structure to be inferred. With accurate registration of a person’s face from multiple images across time, from a family photo album for instance, it would capture not only the 3D structure but also the progression and development of dysmorphic gestalt. The automatic image analysis algorithm enables phenotypic metrics to be obtained with objective consistency from each image (Figure 1).

Clinical Face Phenotype Space was instantiated using eight syndromes that were well populated in our database so as to be robust against spurious variation. In doing so, it has become a generalizable model for craniofacial dysmorphic variation (Figure 5). The high fidelity of the current Clinical Face Phenotype Space (Figure 3) shows promise given that known deficiencies have yet to be addressed: (1) We used only single image examples of individuals. (2) The spectrum of phenotypes represented was limited. (3) The average image quality in the database was low. (4) The current 36 facial feature points only capture full frontal facial phenotypes, and thus miss valuable information from the full cranium and profile perspectives. Among the approaches that will be tested in future work are: increasing the number of feature points across the cranium, using profile images and taking advantage of multiple images of the same individual. Furthermore, we will be exploring performing explicit modelingmodeling of the 3D variation for 2D images (Ramnath et al., 2008), other types of feature descriptors, alternative metric learning and dimensionality reduction approaches (Simonyan et al., 2013). As Clinical Face Phenotype Space is developed and populated with more individuals, the predictive power to infer novel causative genetics would be expected to increase linearly until it asymptotically approaches a theoretical maximum.

There are three anticipated primary applications for Clinical Face Phenotype Space in a clinical setting: narrowing the search space for documented developmental disorders, identifying multiple people that share an ultra-rare genetic disorders and aiding the inference of causative variants in clinical genetic sequencing (Figure 4).

We envisage Clinical Face Phenotype Space becoming a standard tool to support clinical genetic counseling. Since any normal 2D image can be analyzed, this approach is available to any clinician worldwide with access to a camera and a computer. This can also reduce the need for patient inconvenience in a clinical setting because a family photo album could provide the required image(s). A photograph will enable automatic digital phenotyping, and its placement in Clinical Face Phenotype Space will provide an unbiased list of candidate clinical hypotheses (exemplified in Figure 6). We anticipate that future developments of Clinical Face Phenotype Space will also identify sub-phenotypes or comorbidities. Where no known genetic disease or variant can be assigned, Clinical Face Phenotype Space can identify other patients with phenotypic similarities empowering the identification of ultra-rare genetic disorders.

Figure 6.

Download figureOpen in new tabDownload powerpointFigure 6.Class priority of diagnostic classifications for images.

The full computer vision algorithm and Clinical Face Phenotype Space analysis procedure with diagnostic hypothesis generation exemplified by: (A) a patient (Ferrero et al., 2007) with Williams-Beuren (this patient figure was published in ‘Giovanni Battista Ferrero, Elisa Biamino, Lorena Sorasio, Elena Banaudi, Licia Peruzzi, Serena Forzano, Ludovica Verdun di Cantogno, Margherita Cirillo Silengo. Presenting phenotype and clinical evaluation in a cohort of 22 Williams–Beuren syndrome patients. European Journal of Medical Genetics; 2007;50(5):327–337 Copyright 2007 Elsevier Masson SAS. All rights reserved’.). Note that panel A does not fall under a creative commons license and would need permissions from the copyright holders for future reproductions. (B) Abraham Lincoln. The former US President is thought to have had a marfanoid disorder, if not Marfan syndrome (Gordon, 1962Sotos, 2012). Bar graphs show class prioritization of diagnostic hypotheses determined by 20 nearest neighbors weighted by prevalence in the database. As expected, the classification of Marfan is not successfully assigned in the first instance as there were only 18 faces of individuals with Marfan in the database (making this an example of a difficult case with the current database). However, the seventh suggestion is Marfan, despite this being among 90 different syndromes and 2754 faces.

DOI: http://dx.doi.org/10.7554/eLife.02020.017

 

In summary, we have presented an algorithmic approach that provides a critical advance in applying computer vision and machine learning techniques as a tool for clinical geneticists. The conjunction of a computer vision and machine learning algorithm with Clinical Face Phenotype Space makes this approach high-throughput, automatic, objective, and broadly accessible with existing digital photography and computers. Our ongoing research has begun to apply the Clinical Face Phenotype Space approach within large clinical sequencing collaborations. Computer vision for aiding diagnosis of developmental disorders in clinical genetics will be tenable and broadly applicable in the near future.

Materials and methods

Database collection

We built a database of publically available or scientifically published pictures of patients collected across the internet. We collected 100–283 images per syndrome for Angelman, Apert, Cornelia de Lange, Down, Fragile X, Progeria, Treacher Collins, or Williams-Beuren. Images were collected through publically available resources online accessible though search terms relating to each syndrome, primarily through support group pages and awareness event photographs. Source URLs were converted to shortened versions for the purposes of publication using TinyUrl (http://tinyurl.com/) (Supplementary file 1). The links provided are expected to decay with time and should only be considered exemplars of database composition. Images were captured through screen shots and saved as PNG or JPEG file formats.

The following two exclusion criteria were applied to the images: 1. The face needed to be clearly visible and oriented so that both eyes were visible. 2. The correct diagnosis was confirmed by an expert clinician (DRF). DRF inspected each image to validate the supposed syndrome diagnosis; images not validated were discarded. Variation in lighting, image resolution, pose, and occlusions has only been restricted when it obscures the facial characteristics (such as a hand covering the face). We also sought to avoid multiple images of the same individual at the same age in the database. No further restrictions were placed on variations in pose, facial expression, lighting, occlusions, or image quality.

In the same manner, smaller numbers of images were collected for Marfan, 22q11, Turner and Sotos syndromes (Table 1). Furthermore, we collected further published images of patients with confirmed genetic variants in genes of the RAS/MEK signaling pathways as well as in PACS1 (Rauen, 1993,2006Bertola et al., 2007Gripp et al., 2007Makita et al., 2007Rauen, 2007Zampino et al., 2007;Nystrom et al., 2008Schulz et al., 2008Tidyman and Rauen, 2008Cordeddu et al., 2009Kratz et al., 2009Zenker, 2009Allanson et al., 2010Wright and Kerr, 2010Kleefstra et al., 2011Lepri et al., 2011Siegel et al., 2011Schuurs-Hoeijmakers et al., 2012Hopper et al., 2013Twigg et al., 2013).

3100 images were collected and manually annotated for training of the algorithms. Of these 2878 were successfully annotated by the automatic pipeline and are reported in the database counts ofTable 1.

Data and code availability

Original database, excluding the Gorlin collection, and previously published images (which are available from the cited original publications) can be requested by contacting CN (christoffer.nellaker@dpag.ox.ac.uk; Ferry Q, Steinberg J, Webber C, FitzPatrick DR, Ponting CP, Zisserman A, Nellåker C, 2014, Diagnostically relevant facial gestalt information from ordinary photos database). Requests will be assessed by a Data Access Committee (DAC) comprised of CPP, DRF, AZ, CN and Dr Zameel Cader of the Division of Clinical Neurology, University of Oxford. The DAC will make data available to researchers in good standing with the relevant institution and funding agencies (i.e., no known sanctions). The data are provided without copyright.

Pipeline code was written in python 2.7 and uses the module Ruffus (Goodstadt, 2010) for task management. The code is available through an open source MIT license athttps://github.com/ChristofferNellaker/Clinical_Face_Phenotype_Space_Pipeline.

Ethics statement

The manner and method by which images were collected from publically available sources and stored were acceptable research practices and do not require special consent from a Research Ethics Committee. Advice from legal services, research ethics board members and the Information Commissioner’s Office (UK) was sought in arriving at this conclusion.

Computer vision algorithm

The computer vision algorithm analyses a 2D photograph for the location of a face, annotates the facial landmark points, and extracts feature vectors for subsequent machine learning applications. MATLAB (MATLAB. R2011b Natick, Massachusetts: the MathWorks Inc.) with OpenCV (Bradski, 2000) was used to write scripts and functions for the algorithm. To identify a putative face in the photo, we used previously published algorithms (Viola and Jones, 2001). Within a box bounding the face, a pictorial structure model was used to identify 9 central facial feature points (Everingham et al., 2009), which then were used to initialize the placement of an additional 27 feature points. The resulting facial mesh structure was fitted to the image using Active Appearance Models (AAMs) (Cootes et al., 1998) to generate average face visualizations (Figure 2—figure supplement 1). The placement of the 36 feature points was also further refined using custom written scripts based on consensus of exemplars (Belhumeur et al., 2011) (see Methods).

From the fitted constellation of facial landmarks two feature vectors were extracted. (1) The appearance as a concatenation of the pixel intensities of patches around the 9 inner facial feature points. (2) The shape vector was constructed as the normalized pairwise distances between all 36 facial feature points.

Face detection

Each image was converted to JPEG and submitted to the Facial Detection (FD) module of the algorithm. Face detection was achieved using the OpenCV (Bradski, 2000) implementation of the Viola–Jones object detection framework (using Haar like features and a cascade of classifiers) (Viola and Jones, 2001). The output takes the form of a square bounding box delimiting the area of the picture where the face was found. Pictures containing the faces of healthy relatives (or others) were either discarded or cropped to only conserve regions with the patient face.

Facial landmarks annotation

Manual annotation of the 36 feature points was performed on 3100 of the images in the image collection. These were used as the ground truth reference point for all subsequent training and test sets for evaluations of automated facial landmark annotation accuracies (Figure 1—figure supplement 1).

In the second step of the automatic algorithm detected faces were passed to a facial landmark annotation script (Everingham et al., 2009) (FLA module), which annotates the face with an initial set of 9 well-characterized (salient) feature points. The 9 landmarks in that set were the medial and lateral canthi of the eyes, each subnasale, columella and the left and right vermilion border lateral midpoints. The FLA used the returned bounding box to approximate the location and size of the face to be annotated. Automatic annotation relies on a generative model of feature point position combined with a discriminative model of appearances. This joint model was based on the parts-based pictorial structure representation introduced by Fischler and Elschlager (1973). For a given bounding box, the FLA module returns both a constellation of 9 landmarks and a corresponding confidence index computed via appearance mismatch with the model. We used this index to implement more robust, accurate and reliable annotation approaches (Figure 1—figure supplement 1) as described below.

Improved facial landmark annotation was performed with a custom script designed to refine the output from the FD-FLA modules in terms of annotation inaccuracies, false positive and false negative face detection. The images were transformed iteratively by mirror imaging, partial rotations (±45°), and by adding a frame around the image to produce 100 transformations of the original. Each image was subsequently submitted through the FD -FLA modules and returned a constellation of 9 points with associated confidence scores recorded. A consensus map is constructed by confidence weighted averaging of high confidence feature annotations thus reducing the number of spurious annotations and increasing annotation accuracy (Figure 1—figure supplement 1).

From the improved 9 facial feature points, we expanded the feature detection to 36 feature points encompassing the points indicated in Figure 1—figure supplement 1.

Consensus of exemplar

We developed a computational module inspired by Belhumeur et al. (2011) to determine the localization of the 36 landmarks. Consensus of exemplar (CoE) relies on part base classifiers used to localize potential candidate points and a database of face exemplars used to introduce a shape prior in the search for the best constellation.

While only a constellation of 9 feature points (C9) is required to compute the appearance feature vector, the shape feature vector relies on a constellation of 36 feature points (C36) covering the inner face in greater details along with its outlined (Jaw line). Anatomical landmarks covered in C36 are shown in Figure 1—figure supplement 1. We used the C9 obtained via the improved FLA module (see previous section) to initiate the automatic search for C36.

For each of the facial feature points in C36, we delimited a region of interest (ROI) for the algorithm to consider using the following heuristic: 1000 exemplar faces are sample from among the controls in the database (Table 1). For each exemplar face i, we registered the C9i to the C9 of our query face using Procrustes algorithm. Next the sum of squares error was used to sort exemplars in order of accuracy with which C9i registered to C9. The top 20 exemplars were used to map their C36i to the query face using the transform Ti obtained during registration. A consensus C36 for the query face was then derived by averaging all registered C36i. Finally, for each feature point in C36, we defined a square ROI centered on the consensus point with two palpebral fissures (PF) length dimensions. The PF length was the average between right and left eyes and estimated based on C9.

The final C36 was derived from the ROIs by using a combination of part based detectors and a consensus of shape exemplars. Support Vector Machine (SVM) classifiers (using Gaussian kernels) were trained to recognize each feature point in C36. We used a database of manually annotated control patients to obtain positive and negative training sets for each part classifier. The feature vector associated with a particular feature point was obtained by cropping a square patch centered on this point and describing its pixel content with a pyramidal histogram of gradients (PHOG).

Going back to the query face, each of the 36 ROIs was submitted to the corresponding part detector. From this we obtained a set of 20 potential candidates (PC) for each part within the ROI (where candidates were sorted based on the classifier decision values). Next, we randomly sampled exemplars of C36 from the control database and registered them to the query face in order to enforce a shape prior. To avoid spurious outlier PC to drive the registration off, we randomly select PC to represent three randomly selected points from C36. Exemplar C36i were registered via Procrustes algorithm to the query face using only these three PC. The registered C36i were scored by submitting its feature points to the part classifiers. We retained the top 20 C36i. Finally, each feature point of the final C36 for the query was derived independently as a consensus between probability density maps based on the PCs and the classifier decision values over the corresponding ROI.

Appearance descriptor feature vector

Using the set of 9 inner points annotated to the face by the FLA module and refined by the CoE module, four additional points were generated: left and right center of the eye, nasion (between the eyes) and center of the mouth. The points were then used to register the face, via an affine transformation T, to a canonical set of corresponding points (face shape template). Next, circular patches were generated around the canonical points which were mapped back to the original picture using the inverse of T. This process creates 13 ellipses which were then used to crop the image content by bilinear interpolation. Extraction of the patch was performed as in Everingham et al. (2009).

The appearance feature vector was obtained by a concatenation of the pixel gray-scale content of the 13 cropped patches (size of the feature vector = 1937). While patch content could be further processed before concatenation (gradients, HOG, PHOG, SIFT, Gabor Filter, Local binary Pattern, etc) the gain in terms of discriminative power and relevant feature extracted was negligible compared to the computational cost in terms of memory consumption.

Shape descriptor feature vector

The features vector was built from the constellation of the 36 landmarks annotations from the CoE module. We described the face shape as a vector d, the set of pair-wise distances through the constellation, resulting in a feature vector with 630 elements.

To compare the different constellations, each was registered via Procrustes transformation to the average constellation of the AAM model (canonical face mesh, see below). The vector of pair-wise distances was then normalized so that any distance variations were relative to the corresponding distances measured on the average control face template.

Average faces and morphs using Active Appearance Model

Introduced in 1998 by Cootes et al. (1998), the active appearance model (AAM) was designed to identify a set of facial landmarks on a given face. This task is achieved by iteratively modifying both the shape and the position (location) of a structured face mesh in which nodes represent target landmarks.

We constructed a training set by manual annotation of 3100 patient images with the 36 landmarks (Figure 1—figure supplement 1). All constellations were registered together using an iterative Procrustes algorithm. We computed the average constellation and used it as a reference with which to build a canonical face mesh via Delaunay triangulation. Based on the obtained triangulation, we generated a face mesh dividing each patient’s face into sub-regions. Using piecewise affine warping, we independently mapped the pixel content of each sub-region to the corresponding triangle in the canonical face mesh. We thus obtained a registered version of each patient’s facial appearance. Shapes and appearance registrations were used in a principal component analysis (PCA) to generate both the shape and appearance models for use with the AAM.

Using the AAM statistical models of shape and appearance that derive from the training of the AAM, we created a visual representation of canonical traits/phenotypes. Average faces were created from the images of patient with the same genetic disorder. AAM models were generated for each group, and after registration of the constellations (annotation) to each we derived the average shape constellation. A face mesh was generated from these constellations by triangulation (Delaunay) and the appearance of each individual was mapped to the average face mesh by piecewise affine warping. Thus, this average face mesh recapitulated the canonical phenotype of the syndromes.

Furthermore, we created morphs between control and syndrome faces by registering appearance to the average shape of the controls (Figure 2—figure supplement 1). By computing the average across the syndrome group and the control group one can obtain the average appearance of the syndrome A0s and control A0c. Given that both A0s and A0c have identical dimensionality, we morphed appearance from one to the other with appearance for frame k where Ak = A0s + k/K*(A0c − A0s) and where K is the total number of frames. Similarly, we considered the average face mesh of the syndrome group M0s and the control group M0c to obtain the face mesh at frame k as Mk = M0s + k/K* (M0c − M0s). Finally, for each frame k, both shape (face mesh) and appearance were combined by piecewise affine warping of Ak to Mk.

Support Vector Machine classification

We used SVMs to fine tune both appearance and shape descriptors. Differences in binary classification accuracies allow us to infer relative feature delineation capacity by our descriptors. We employed Libsvm to perform classification. The accuracies based on the raw feature vectors were comparable to accuracies reported in previous studies (Boehringer et al., 20062011).

Binary classification

SVM classifiers were trained on both shape and appearance feature vectors separately for each 36 pairwise combination of control and 8 syndromes (Table 1). Each binary classification was repeated 10 times with randomly generated positive/negative training and test sets with a 4:1 ratio. The linear kernel SVM classification accuracies using the final shape and appearance descriptors are shown inFigure 4—figure supplement 1. We estimate a total accuracy when fusing information from shape and appearance feature vectors based SVMs by summing decision values returned by the shape and appearance classifiers respectively.

In all classification experiments, we used both original and mirror versions of each image. Given a binary experiment to distinguish group G1 from G2 (where G refers to a set of images of a syndrome), we randomly partitioned the sets into training and test sets: G1tr, G1te, G2tr, and G2terespectively. From these we generated the corresponding mirror image sets: G1trm, G1tem, G2trm, and G2tem. The SVM model was trained using G1tr + G1trm as the positive set and G2tr + G2trm as the negative set. Decision values were tuned to give equal error rates (the number of false positives = number of false negatives). With the trained SVM models, we next submitted the sets G1te + G2te and G1tem + G2tem separately to the classifier. Thus, for each instance in the test set we obtained two decision values. The final classification was determined by the sum of the decision values.

Forced choice classification

We next applied the classification problem to assigning a face as being one of the 8 syndromes (Table 1). Each of the 8 syndrome groups was randomly split into training and test sets with a ratio of 4:1. We used the training sets to train a linear binary SVM classifier for each of the 28 pairs. Each image in the training set was submitted to all 28 classifiers. The decision value was returned by each classified and used as a probabilistic estimate P for the test instance to belong to the positive class. Thus, after presenting instance i to the binary classifier distinguishing syndrome j (positive) from syndrome k (negative), we assigned i a vote of weight P for syndrome j and a vote of weight 1-P for syndrome k. After summation of the votes from the 28 classifiers, the instance i was labeled as belonging to the syndrome diagnosis with the highest probability.

The confusion matrix averaged from 10 repeats of the forced choice experiment is shown in Figure 4—figure supplement 2.

Clinical Face Phenotype Space construction

We performed PCA on the shape and appearance feature vectors to reduce dimensionality from 2567 to a concatenation of 340 orthogonal vectors. This was then used to transform the feature space with Large Margin Nearest Neighbor (LMNN, Weinberger and Saul, 2009). LMNN is an optimization algorithm that uses a training set of pairs of vector labels (xi; li) and learns a Mahalanobis distance that maximizes the kNN classification over a training set. Note that even if the system only considers local information (i.e., number of intruders for each instance) the final metric is global. The Mahalanobis distance was computed as dist(xi; xj) = (xi − xj)tLtL(xi − xj) where L is a linear matrix. It is equivalent to the Euclidean distance taken in the space after transformation by L. That is to say, LMNN linearly transforms dimensions in feature space to maximize the margins separating classes of labeled instances. This should, in principle expand dimensions with phenotypically relevant information and compresses dimensions uninformative for classification.

To validate the characteristics of the transformation of spurious and phenotypic vectors in Clinical Face Phenotype Space, we performed a series of experiments based on projected 3D faces. We used the 3D facial model proposed by Blanz & Vetter (Blanz, 2006http://faces.cs.unibas.ch/bfm/which allowed us to create faces with a direct control over shape, appearance, lighting, and facial pose. We synthesized 5 test faces at random moving along the first 15 components of both the shape and appearance models. For each face, we generated a set of 20 images for each combination of 5 head rotations and 4 lighting conditions. We use these simulated images to compare similarity measures in the raw feature space and in Clinical Face Phenotype Space (Figure 3Figure 1—figure supplement 2). We performed a reorientation of the raw feature vectors and Clinical Face Phenotype Space using PCA without dimensionality reduction in order to sort the dimensions by variation magnitude. This allowed us to assess the relative contributions of phenotypic variation and spurious variations to clustering of faces. The strongest influences on clustering would be expected to be encoded in the first modes of variation. Placing the synthetic faces in the reoriented spaces allowed us to describe the PCA signatures of phenotypic variations (shape, appearance) and spurious variation (lighting, head pose).

Clinical Face Phenotype Space validation and visualization

We used several dimensionality reduction methods and metrics for visualization and estimation of the properties of Clinical Face Phenotype Space. We developed an estimate of search space reduction to determine the improvements in clustering in Clinical Face Phenotype Space controlling for the composition of the database. Essentially, this calculates the degree to which intruders in a nearest neighbor search between instances of the same syndrome are excluded in Clinical Face Phenotype Space. This equates to a factor estimate of increased clustering, CIF (details of the procedure are provided below).

We used a 20 nearest neighbor linkage map to visualize Clinical Face Phenotype Space using force directed graphs implemented through Gephi (Bastian et al., 2009).

Protein–protein interaction data were obtained from DAPPLE (Rossin et al., 2011). After conversion to Ensembl gene IDs, 126,586 interactions between 10,442 genes remained. We considered the data as a network of genes, with edges denoting an interaction. The shortest paths between two genes were computed using Dijkstra’s algorithm (Dijkstra, 1959). We calculated the median pairwise Euclidean distance between syndromes in Clinical Face Phenotype Space. The correlation between these two data sets underlies Figure 5. Clinical Face Phenotype Space distance between groups was tested using Kruskal–Wallis (Kruskal and Wallis, 1952) tests with Bonferroni (Bonferroni, 19351936) multiple testing correction.

Estimating improvements in clustering

Next, we performed estimations of clustering of syndromes in face space. Initial tests using kNN-classifiers showed that the classification accuracies were heavily dependent on spread and cardinality of the syndrome in the database. We went on to develop an estimate of search space reduction, hereafter referred to Clustering Improvement Factor (CIF), to determine the improvements in clustering in Clinical Face Phenotype Space controlling for the composition of the database (a simulated example is provided in Figure 4—figure supplement 3).

We considered a syndrome with Np positive and Nn negative instances in the Clinical Face Phenotype Space. We defined the CIF asCIF=expectedrank (r)of nearest positive match under random rankingobservedaverage rank (r)of nearest positive match=E(r)O(r)with the average taken across all instances of the syndrome. O(r) was calculated from the observations in the Clinical Face Phenotype Space. To compute E(r), we used probability theory as follows.

Under a random ranking for a given positive query, the other Np−1 positive instances are each placed independently among the Nn negative instances, with a uniform discrete probability distribution. We defined the random variable Ni as the number of negative instances ranked higher than the first positive instance, so Ni takes integer values 0NiNn.

For a given positive query, the expected rank of the nearest positive match is the expected value of Ni+1, denoted by E(Ni)+1. To calculate E(Ni), we used the definition of expectation:E(Ni)=Nnj=0jPr(Ni=j)since Ni can only take non-negative integer values, for each possible value j between 0 and Nn,Pr(Ni=j)=Pr(Nij)Pr(Nij+1)Substituting this in the formula for E(Ni),E(Ni)=Nnj=0j[Pr(Nij)Pr(Nij+1)].

Rewriting the sum,E(Ni)=Nnj=1[jPr(Nij)(j1)Pr(Nij)]=Nnj=1Pr(Nij)

For a given number j, Pr(Ni ≥ j) is the probability that all positive instances were placed after j negative instances. For any given individual positive instance, such placement has probability 1jNn+1. Since placement of all positive instances is independent, this gives Pr(Nij)=(1jNn+1)Np1.

Therefore, E(Ni)=Nnj=1Pr(Nij)=Nnj=1(1jNn+1)Np1

Finally, this gives E(r)=1+E(Ni)=1+Nnj=1(1jNn+1)Np1.

Querying Clinical Face Phenotype Space

We developed two methods to retrieve information about the neighborhood of a given face placed in the Clinical Face Phenotype Space. Firstly, we assigned a syndrome classification based on the identity of its k nearest neighbors in Clinical Face Phenotype Space. Based on the neighbors’ labels a list of syndromes to which the new face could belong was created. The number of neighbors supporting each hypothesis was compared with the probability to see N instances of that syndrome when sampling k from the population of faces in Clinical Face Phenotype Space.

Secondly, we estimate the relative similarity between specific faces given the density of points in a local region of Clinical Face Phenotype Space. This is calculated as p0p1=d0,1/d0d1, where d0,1 is the similarity measure between the query and its neighbor, d0 is the average of similarities between the query and k = 20 neighbors and d1 is the average of similarities between the neighbor of the query and k of the neighbor’s neighbors. Figure 4—figure supplement 4 illustrates the method and metrics using a simulated example.

We see Clinical Face Phenotype Space as a means to facilitate collaborative investigations of genetic diseases between clinicians. Of course, sharing of data raises questions regarding ethics approval and data security. These questions are tightly linked to the debate of how clinical sequencing information should be treated in global health care systems. We anticipate that it would be suitable for future implementations of Clinical Face Phenotype Space to follow similar guidelines as for clinical sequencing data.

 

References

Acknowledgements

We would like to thank Dr Zameel Cader for advice at the initiation of this project. Also, we would like to thank Professor Raoul MC Hennekam for kindly allowing us access to the Gorlin collection. We are grateful to Dr Bronwyn Kerr for suggesting publication with RAS/MEK mutation patient images. Author contributions: CN, AZ, CPP, CW, and DRF conceived the study. QF collected the database and annotated the images. QF and CN wrote the code. QF, AZ, JS, and CN performed the analyses. DRF validated the syndrome classification of images. CN drafted the manuscript. All co-authors edited and approved the final manuscript.

Decision letter

Stephen TollmanReviewing editorWits UniversitySouth Africa

eLife posts the editorial decision letter and author response on a selection of the published articles (subject to the approval of the authors). An edited version of the letter sent to the authors after peer review is shown, indicating the substantive concerns or comments; minor concerns are not usually shown. Reviewers have the opportunity to discuss the decision before the letter is sent (see review process). Similarly, the author response typically shows only responses to the major concerns raised by the reviewers.

Thank you for sending your work entitled “Diagnostically-relevant facial gestalt information from ordinary photos” for consideration at eLife. Your article has been favorably evaluated by a Senior editor, Detlef Weigel, a Reviewing editor, and 2 reviewers, one of whom, Peter Claes, has agreed to reveal his identity.

The Reviewing editor and the reviewers discussed their comments before we reached this decision, and the Reviewing editor has assembled the following comments to help you prepare a revised submission.

With genome sequencing having become cheaper and cheaper over the past few years, the bottleneck in genetics is increasingly shifting to accurate, inexpensive phenotyping. Even for Mendelian genetic disorders, misdiagnosis rates are shockingly high. A sizeable fraction of genetic disorders is associated with craniofacial abnormalities, and the approach presented in this study greatly facilitates the acquisition and analysis of craniofacial information from simple photographs, as opposed to more complex 3D scans that are not necessarily suitable for every day medical diagnostics. The reviewers felt that the work was of high quality, and they had only some minor comments that need to be addressed in the revision.

From Reviewer 1:

The simple term “Face-Space” for the new representation presented by the authors is confusing. When doing a simple search on the internet, the concept of a Face-Space is well known as a space coding for facial shape variations due to general differences like differences in identity and not necessary clinical phenotype. In face recognition and perception, the term face-space is already widely used and does not reflect the same space as presented by the authors. I suggest defining the new representation differently to avoid confusion, for example Diagnostic Face Space.

In the Introduction the advantages over current studies using 3D images is slightly exaggerated. The single most important, BUT major advantage of the proposed approach is the easy access to ordinary images in contrast to expensive 3D acquisition systems. Rare genetic diseases are hard to find and collect, and through the use of ordinary 2D images one manages to acquire a substantial amount of samples across the world (which is typically required in AI based image strategies). In 3D, pose and illumination variations do not matter as such (which is well-documented in the literature of 2D versus 3D face recognition [1]) because pose differences can be normalized and syndromic diagnosis is mainly done on shape (and not texture) only. In contrast 2D images suffer a lot from pose and illumination differences, and the use of LMNN is a clever way of reducing their effect in clustering for diagnostic purposes as proposed by the authors (as also shown by Weinberger and Saul 2009 on 2D face recognition data). The easy access to 2D images by itself is a strong argument in favor of the proposed approach.

It is intriguing to see the generalization capabilities of the “Face-Space”. Trained on only 8 syndromes, it is capable of being applied to a much wider range of syndromes.

With regards to the SVM classification on the raw feature space, it is unclear to me, why this is performed. It seems to be a 2D implementation of a syndrome classification comparable to the 3D based classification done in the work of Hammond et al. The way I can read this in the context of the remainder of the paper is: In essence a traditional classification in the raw feature space using SVM increased from 94.4%, to 99.5% in “Face-Space” using kNN classification. However, I’m not sure if this is correct or not.

What is the stability of the main axes in “Face-Space”? In other words, do the distance metrics change a lot when using 8 different syndrome classes than the ones used for training in the manuscript? Did the authors experiment along these lines or not?

Finally the clustering improvement factor is novel and seems like an interesting metric proposed by the authors. Due to its novelty it is hard to give an interpretation to the metric and a more elaborated sample computation of the metric using the database composition as presented in the manuscript would be helpful in the methods section.

From Reviewer 2:

There are a couple of areas where the authors could add to the paper: One concerns the nature of the appearance model. We know that the faces show quite significant rigid pose variations. Would the model be improved by explicit modelling of the 3D variation? Perhaps an approach similar to that adopted by Iain Matthews and collaborators, building simultaneous 2D and 3D models might be worthwhile.

The other area relates to alternatives to the LMNN transform. Did the authors consider any other transforms? Do they rely on fundamentally different features of the data? Do they have significantly different performances?

I do not believe that either of these areas require additional computation – really just a short discussion to show the reader that there are alternative techniques within this area and choices have to be made about the computational and modelling techniques.

 

DOI: http://dx.doi.org/10.7554/eLife.02020.018

Author response

Leia mais »

jul 04

RESOLUÇÃO Nº 3, DE 20 DE JUNHO DE 2014

RESOLUÇÃO Nº 3, DE 20 DE JUNHO DE 2014

MINISTÉRIO DA EDUCAÇÃO

CÂMARA DE EDUCAÇÃO SUPERIOR

DOU de 23/06/2014 (nº 117, Seção 1, pág. 8)

Institui Diretrizes Curriculares Nacionais do Curso de Graduação em Medicina e dá outras providências.

O Presidente da Câmara de Educação Superior do Conselho Nacional de Educação, tendo em vista o disposto no art. 9º, § 2º, alínea “c”, da Lei nº 4.024, de 20 de dezembro de 1961, com a redação dada pela Lei nº 9.131, de 24 de novembro de 1995, com fundamento no Parecer CNE/CES nº 116/2014, homologado por Despacho do Senhor Ministro de Estado da Educação, publicado no DOU de 6 de junho de 2014, e considerando o estabelecido na Lei de criação do Sistema Único de Saúde nº 8.080 de 19 de setembro de 1990, na Lei de Diretrizes e Bases da Educação Nacional nº 9.394, de 20 de dezembro de 1996 e na Lei nº 12.871, de 22 de outubro de 2013, resolve:

CAPÍTULO I

DAS DIRETRIZES

Art. 1º – A presente Resolução institui as Diretrizes Curriculares Nacionais (DCNs) do Curso de Graduação em Medicina, a serem observadas na organização, desenvolvimento e avaliação do Curso de Medicina, no âmbito dos sistemas de ensino superior do país.

Art. 2º – As DCNs do Curso de Graduação em Medicina estabelecem os princípios, os fundamentos e as finalidades da formação em Medicina.

Parágrafo único – O Curso de Graduação em Medicina tem carga horária mínima de 7.200 (sete mil e duzentas) horas e prazo mínimo de 6 (seis) anos para sua integralização.

Art. 3º – O graduado em Medicina terá formação geral, humanista, crítica, reflexiva e ética, com capacidade para atuar nos diferentes níveis de atenção à saúde, com ações de promoção, prevenção, recuperação e reabilitação da saúde, nos âmbitos individual e coletivo, com responsabilidade social e compromisso com a defesa da cidadania, da dignidade humana, da saúde integral do ser humano e tendo como transversalidade em sua prática, sempre, a determinação social do processo de saúde e doença.

Art. 4º – Dada a necessária articulação entre conhecimentos, habilidades e atitudes requeridas do egresso, para o futuro exercício profissional do médico, a formação do graduado em Medicina desdobrar-se-á nas seguintes áreas:

I – Atenção à Saúde;

II – Gestão em Saúde; e

III – Educação em Saúde.

Seção I

Da Atenção à Saúde

Art. 5º – Na Atenção à Saúde, o graduando será formado para considerar sempre as dimensões da diversidade biológica, subjetiva, étnico-racial, de gênero, orientação sexual, socioeconômica, política, ambiental, cultural, ética e demais aspectos que compõem o espectro da diversidade humana que singularizam cada pessoa ou cada grupo social, no sentido de concretizar:

I – acesso universal e equidade como direito à cidadania, sem privilégios nem preconceitos de qualquer espécie, tratando as desigualdades com equidade e atendendo as necessidades pessoais específicas, segundo as prioridades definidas pela vulnerabilidade e pelo risco à saúde e à vida, observado o que determina o Sistema Único de Saúde (SUS);

II – integralidade e humanização do cuidado por meio de prática médica contínua e integrada com as demais ações e instâncias de saúde, de modo a construir projetos terapêuticos compartilhados, estimulando o autocuidado e a autonomia das pessoas, famílias, grupos e comunidades e reconhecendo os usuários como protagonistas ativos de sua própria saúde;

III – qualidade na atenção à saúde, pautando seu pensamento crítico, que conduz o seu fazer, nas melhores evidências científicas, na escuta ativa e singular de cada pessoa, família, grupos e comunidades e nas políticas públicas, programas, ações estratégicas e diretrizes vigentes.

IV – segurança na realização de processos e procedimentos, referenciados nos mais altos padrões da prática médica, de modo a evitar riscos, efeitos adversos e danos aos usuários, a si mesmo e aos profissionais do sistema de saúde, com base em reconhecimento clínico epidemiológico, nos riscos e vulnerabilidades das pessoas e grupos sociais.

V – preservação da biodiversidade com sustentabilidade, de modo que, no desenvolvimento da prática médica, sejam respeitadas as relações entre ser humano, ambiente, sociedade e tecnologias, e contribua para a incorporação de novos cuidados, hábitos e práticas de saúde;

VI – ética profissional fundamentada nos princípios da Ética e da Bioética, levando em conta que a responsabilidade da atenção à saúde não se encerra com o ato técnico;

VII – comunicação, por meio de linguagem verbal e não verbal, com usuários, familiares, comunidades e membros das equipes profissionais, com empatia, sensibilidade e interesse, preservando a confidencialidade, a compreensão, a autonomia e a segurança da pessoa sob cuidado;

VIII – promoção da saúde, como estratégia de produção de saúde, articulada às demais políticas e tecnologias desenvolvidas no sistema de saúde brasileiro, contribuindo para construção de ações que possibilitem responder às necessidades sociais em saúde;

IX – cuidado centrado na pessoa sob cuidado, na família e na comunidade, no qual prevaleça o trabalho Inter profissional, em equipe, com o desenvolvimento de relação horizontal, compartilhada, respeitando-se as necessidades e desejos da pessoa sob cuidado, família e comunidade, a compreensão destes sobre o adoecer, a identificação de objetivos e responsabilidades comuns entre profissionais de saúde e usuários no cuidado; e

X – Promoção da equidade no cuidado adequado e eficiente das pessoas com deficiência, compreendendo os diferentes modos de adoecer, nas suas especificidades.

Seção II

Da Gestão em Saúde

Art. 6º – Na Gestão em Saúde, a Graduação em Medicina visa à formação do médico capaz de compreender os princípios, diretrizes e políticas do sistema de saúde, e participar de ações de gerenciamento e administração para promover o bem estar da comunidade, por meio das seguintes dimensões:

I – Gestão do Cuidado, com o uso de saberes e dispositivos de todas as densidades tecnológicas, de modo a promover a organização dos sistemas integrados de saúde para a formulação e desenvolvimento de Planos Terapêuticos individuais e coletivos;

II – Valorização da Vida, com a abordagem dos problemas de saúde recorrentes na atenção básica, na urgência e na emergência, na promoção da saúde e na prevenção de riscos e danos, visando à melhoria dos indicadores de qualidade de vida, de morbidade e de mortalidade, por um profissional médico generalista, propositivo e resolutivo;

III – Tomada de Decisões, com base na análise crítica e contextualizada das evidências científicas, da escuta ativa das pessoas, famílias, grupos e comunidades, das políticas públicas sociais e de saúde, de modo a racionalizar e otimizar a aplicação de conhecimentos, metodologias, procedimentos, instalações, equipamentos, insumos e medicamentos, de modo a produzir melhorias no acesso e na qualidade integral à saúde da população e no desenvolvimento científico, tecnológico e inovação que retroalimentam as decisões;

IV – Comunicação, incorporando, sempre que possível, as novas tecnologias da informação e comunicação (TICs), para interação a distância e acesso a bases remotas de dados;

V – Liderança exercitada na horizontalidade das relações interpessoais que envolvam compromisso, comprometimento, responsabilidade, empatia, habilidade para tomar decisões, comunicar-se e desempenhar as ações de forma efetiva e eficaz, mediada pela interação, participação e diálogo, tendo em vista o bem-estar da comunidade,

VI – Trabalho em Equipe, de modo a desenvolver parcerias e constituição de redes, estimulando e ampliando a aproximação entre instituições, serviços e outros setores envolvidos na atenção integral e promoção da saúde;

VII – Construção participativa do sistema de saúde, de modo a compreender o papel dos cidadãos, gestores, trabalhadores e instâncias do controle social na elaboração da política de saúde brasileira; e

VIII – Participação social e articulada nos campos de ensino e aprendizagem das redes de atenção à saúde, colaborando para promover a integração de ações e serviços de saúde, provendo atenção contínua, integral, de qualidade, boa prática clínica e responsável, incrementando o sistema de acesso, com equidade, efetividade e eficiência, pautando-se em princípios humanísticos, éticos, sanitários e da economia na saúde.

Seção III

Da Educação em Saúde

Art. 7º – Na Educação em Saúde, o graduando deverá corresponsabilizarse pela própria formação inicial, continuada e em serviço, autonomia intelectual, responsabilidade social, ao tempo em que se compromete com a formação das futuras gerações de profissionais de saúde, e o estímulo à mobilidade acadêmica e profissional, objetivando:

I – aprender a aprender, como parte do processo de ensino aprendizagem, identificando conhecimentos prévios, desenvolvendo a curiosidade e formulando questões para a busca de respostas cientificamente consolidadas, construindo sentidos para a identidade profissional e avaliando, criticamente, as informações obtidas, preservando a privacidade das fontes;

II – aprender com autonomia e com a percepção da necessidade da educação continuada, a partir da mediação dos professores e profissionais do Sistema Único de Saúde, desde o primeiro ano do curso;

III – aprender Inter profissionalmente, com base na reflexão sobre a própria prática e pela troca de saberes com profissionais da área da saúde e outras áreas do conhecimento, para a orientação da identificação e discussão dos problemas, estimulando o aprimoramento da colaboração e da qualidade da atenção à saúde;

IV – aprender em situações e ambientes protegidos e controlados, ou em simulações da realidade, identificando e avaliando o erro, como insumo da aprendizagem profissional e organizacional e como suporte pedagógico;

V – comprometer-se com seu processo de formação, envolvendo-se em ensino, pesquisa e extensão e observando o dinamismo das mudanças sociais e científicas que afetam o cuidado e a formação dos profissionais de saúde, a partir dos processos de auto avaliação e de avaliação externa dos agentes e da instituição, promovendo o conhecimento sobre as escolas médicas e sobre seus egressos;

VI – propiciar a estudantes, professores e profissionais da saúde a ampliação das oportunidades de aprendizagem, pesquisa e trabalho, por meio da participação em programas de Mobilidade Acadêmica e Formação de Redes Estudantis, viabilizando a identificação de novos desafios da área, estabelecendo compromissos de corresponsabilidade com o cuidado com a vida das pessoas, famílias, grupos e comunidades, especialmente nas situações de emergência em saúde pública, nos âmbitos nacional e internacional; e

VII – dominar língua estrangeira, de preferência língua franca, para manter-se atualizado com os avanços da Medicina conquistados no país e fora dele, bem como para interagir com outras equipes de profissionais da saúde em outras partes do mundo e divulgar as conquistas científicas alcançadas no Brasil.

CAPÍTULO II

DAS ÁREAS DE COMPETÊNCIA DA PRÁTICA MÉDICA

Art. 8º – Para permitir a transformação das Diretrizes previstas no Capítulo I e os componentes curriculares contidos no Capítulo III desta Resolução em efetivas práticas competentes, adequadas e oportunas, as iniciativas e ações esperadas do egresso, agrupar-se-ão nas respectivas Áreas de Competência, a seguir relacionadas:

I – Área de Competência de Atenção à Saúde;

II – Área de Competência de Gestão em Saúde; e

III – Área de Competência de Educação em Saúde.

Parágrafo único – Para os efeitos desta Resolução, competência é compreendida como a capacidade de mobilizar conhecimentos, habilidades e atitudes, com utilização dos recursos disponíveis, e exprimindo-se em iniciativas e ações que traduzem desempenhos capazes de solucionar, com pertinência, oportunidade e sucesso, os desafios que se apresentam à prática profissional, em diferentes contextos do trabalho em saúde, traduzindo a excelência da prática médica, prioritariamente nos cenários do Sistema Único de Saúde (SUS).

Seção I

Da Área de Competência Atenção à Saúde

Art. 9º – A Área de Competência Atenção à Saúde estrutura-se em 2 (duas) subáreas:

I – Atenção às Necessidades Individuais de Saúde; e

II – Atenção às Necessidades de Saúde Coletiva.

Art. 10 – A Atenção às Necessidades Individuais de Saúde compõe-se de 2 (duas) ações-chave:

I – Identificação de Necessidades de Saúde; e

II – Desenvolvimento e Avaliação de Planos Terapêuticos.

Art. 11 – A Atenção às Necessidades de Saúde Coletiva desdobrase em 2 (duas) ações-chave:

I – Investigação de Problemas de Saúde Coletiva; e

II – Desenvolvimento e Avaliação de Projetos de Intervenção Coletiva.

Subseção I

Da Atenção às Necessidades Individuais de Saúde

Art. 12 – A ação-chave Identificação de Necessidades de Saúde comporta os seguintes desempenhos e seus respectivos descritores:

I – Realização da História Clínica:

a) estabelecimento de relação profissional ética no contato com as pessoas sob seus cuidados, familiares ou responsáveis;

b) identificação de situações de emergência, desde o início do contato, atuando de modo a preservar a saúde e a integridade física e mental das pessoas sob cuidado;

c) orientação do atendimento às necessidades de saúde, sendo capaz de combinar o conhecimento clínico e as evidências científicas, com o entendimento sobre a doença na perspectiva da singularidade de cada pessoa;

d) utilização de linguagem compreensível no processo terapêutico, estimulando o relato espontâneo da pessoa sob cuidados, tendo em conta os aspectos psicológicos, culturais e contextuais, sua história de vida, o ambiente em que vive e suas relações sociofamiliares, assegurando a privacidade e o conforto;

e) favorecimento da construção de vínculo, valorizando as preocupações, expectativas, crenças e os valores relacionados aos problemas relatados trazidos pela pessoa sob seus cuidados e responsáveis, possibilitando que ela analise sua própria situação de saúde e assim gerar autonomia no cuidado;

f) identificação dos motivos ou queixas, evitando julgamentos, considerando o contexto de vida e dos elementos biológicos, psicológicos, socioeconômicos e a investigação de práticas culturais de cura em saúde, de matriz afro-indígena-brasileira e de outras relacionadas ao processo saúde-doença;

g) orientação e organização da anamnese, utilizando o raciocínio clínico-epidemiológico, a técnica semiológica e o conhecimento das evidências científicas;

h) investigação de sinais e sintomas, repercussões da situação, hábitos, fatores de risco, exposição às iniquidades econômicas e sociais e de saúde, condições correlatas e antecedentes pessoais e familiares; e

i) registro dos dados relevantes da anamnese no prontuário de forma clara e legível.

II – Realização do Exame Físico:

a) esclarecimento sobre os procedimentos, manobras ou técnicas do exame físico ou exames diagnósticos, obtendo consentimento da pessoa sob seus cuidados ou do responsável;

b) cuidado máximo com a segurança, privacidade e conforto da pessoa sob seus cuidados;

c) postura ética, respeitosa e destreza técnica na inspeção, apalpação, ausculta e percussão, com precisão na aplicação das manobras e procedimentos do exame físico geral e específico, considerando a história clínica, a diversidade étnico-racial, de gênero, de orientação sexual, linguístico-cultural e de pessoas com deficiência; e

d) esclarecimento, à pessoa sob seus cuidados ou ao responsável por ela, sobre os sinais verificados, registrando as informações no prontuário, de modo legível.

III – Formulação de Hipóteses e Priorização de Problemas:

a) estabelecimento de hipóteses diagnósticas mais prováveis, relacionando os dados da história e exames clínicos;

b) prognóstico dos problemas da pessoa sob seus cuidados, considerando os contextos pessoal, familiar, do trabalho, epidemiológico, ambiental e outros pertinentes;

c) informação e esclarecimento das hipóteses estabelecidas, de forma ética e humanizada, considerando dúvidas e questionamentos da pessoa sob seus cuidados, familiares e responsáveis;

d) estabelecimento de oportunidades na comunicação para mediar conflito e conciliar possíveis visões divergentes entre profissionais de saúde, pessoa sob seus cuidados, familiares e responsáveis; e

e) compartilhamento do processo terapêutico e negociação do tratamento com a possível inclusão das práticas populares de saúde, que podem ter sido testadas ou que não causem dano.

IV – Promoção de Investigação Diagnóstica:

a) proposição e explicação, à pessoa sob cuidado ou responsável, sobre a investigação diagnóstica para ampliar, confirmar ou afastar hipóteses diagnósticas, incluindo as indicações de realização de aconselhamento genético.

b) solicitação de exames complementares, com base nas melhores evidências científicas, conforme as necessidades da pessoa sob seus cuidados, avaliando sua possibilidade de acesso aos testes necessários;

c) avaliação singularizada das condições de segurança da pessoa sob seus cuidados, considerando-se eficiência, eficácia e efetividade dos exames;

d) interpretação dos resultados dos exames realizados, considerando as hipóteses diagnósticas, a condição clínica e o contexto da pessoa sob seus cuidados; e

e) registro e atualização, no prontuário, da investigação diagnóstica, de forma clara e objetiva.

Art. 13 – A ação-chave Desenvolvimento e Avaliação de Planos Terapêuticos comporta os seguintes desempenhos e seus respectivos descritores:

I – Elaboração e Implementação de Planos Terapêuticos:

a) estabelecimento, a partir do raciocínio clínico-epidemiológico em contextos específicos, de planos terapêuticos, contemplando as dimensões de promoção, prevenção, tratamento e reabilitação;

b) discussão do plano, suas implicações e o prognóstico, segundo as melhores evidências científicas, as práticas culturais de cuidado e cura da pessoa sob seus cuidados e as necessidades individuais e coletivas;

c) promoção do diálogo entre as necessidades referidas pela pessoa sob seus cuidados ou responsável, e as necessidades percebidas pelos profissionais de saúde, estimulando a pessoa sob seus cuidados a refletir sobre seus problemas e a promover o autocuidado;

d) estabelecimento de pacto sobre as ações de cuidado, promovendo a participação de outros profissionais, sempre que necessário;

e) implementação das ações pactuadas e disponibilização das prescrições e orientações legíveis, estabelecendo e negociando o acompanhamento ou encaminhamento da pessoa sob seus cuidados com justificativa;

f) informação sobre situações de notificação compulsória aos setores responsáveis;

g) consideração da relação custo-efetividade das intervenções realizadas, explicando-as às pessoas sob cuidado e familiares, tendo em vista as escolhas possíveis;

h) atuação autônoma e competente nas situações de emergência mais prevalentes de ameaça à vida; e

i) exercício competente em defesa da vida e dos direitos das pessoas.

II – Acompanhamento e Avaliação de Planos Terapêuticos:

a) acompanhamento e avaliação da efetividade das intervenções realizadas e consideração da avaliação da pessoa sob seus cuidados ou do responsável em relação aos resultados obtidos, analisando dificuldades e valorizando conquistas;

b) favorecimento do envolvimento da equipe de saúde na análise das estratégias de cuidado e resultados obtidos;

c) revisão do diagnóstico e do plano terapêutico, sempre que necessário;

d) explicação e orientação sobre os encaminhamentos ou a alta, verificando a compreensão da pessoa sob seus cuidados ou responsável; e

e) registro do acompanhamento e da avaliação do plano no prontuário, buscando torná-lo um instrumento orientador do cuidado integral da pessoa sob seus cuidados.

Subseção II

Da Atenção às Necessidades de Saúde Coletiva

Art. 14 – A ação-chave Investigação de Problemas de Saúde Coletiva comporta o desempenho de Análise das Necessidades de Saúde de Grupos de Pessoas e as Condições de Vida e de Saúde de Comunidades, a partir de dados demográficos, epidemiológicos, sanitários e ambientais, considerando dimensões de risco, vulnerabilidade, incidência e prevalência das condições de saúde, com os seguintes descritores:

I – acesso e utilização de dados secundários ou informações que incluam o contexto político, cultural, discriminações institucionais, socioeconômico, ambiental e das relações, movimentos e valores de populações, em seu território, visando ampliar a explicação de causas, efeitos e baseado na determinação social no processo saúde doença, assim como seu enfrentamento;

II – relacionamento dos dados e das informações obtidas, articulando os aspectos biológicos, psicológicos, socioeconômicos e culturais relacionados ao adoecimento e à vulnerabilidade de grupos; e

III – estabelecimento de diagnóstico de saúde e priorização de problemas, considerando sua magnitude, existência de recursos para o seu enfrentamento e importância técnica, cultural e política do contexto.

Art. 15 – A ação-chave Desenvolvimento e Avaliação de Projetos de Intervenção Coletiva comporta os seguintes descritores de seu desempenho único:

I – participação na discussão e construção de projetos de intervenção em grupos sociais, orientando-se para melhoria dos indicadores de saúde, considerando sempre sua autonomia e aspectos culturais;

II – estímulo à inserção de ações de promoção e educação em saúde em todos os níveis de atenção, com ênfase na atenção básica, voltadas às ações de cuidado com o corpo e a saúde;

III – estímulo à inclusão da perspectiva de outros profissionais e representantes de segmentos sociais envolvidos na elaboração dos projetos em saúde;

IV – promoção do desenvolvimento de planos orientados para os problemas priorizados;

V – participação na implementação de ações, considerando metas, prazos, responsabilidades, orçamento e factibilidade; e

VI – participação no planejamento e avaliação dos projetos e ações no âmbito do Sistema Único de Saúde (SUS), prestando contas e promovendo ajustes, orientados à melhoria da saúde coletiva.

Seção II

Da Área de Competência Gestão em Saúde

Art. 16 – A Área de Competência Gestão em Saúde estruturase em 2 (duas) ações-chave:

I – Organização do Trabalho em Saúde; e

II – Acompanhamento e Avaliação do Trabalho em Saúde.

Subseção I

Da Organização do Trabalho em Saúde

Art. 17 – A ação-chave Organização do Trabalho em Saúde comporta os seguintes desempenhos e seus respectivos descritores:

I – Identificação do Processo de Trabalho:

a) identificação da história da saúde, das políticas públicas de saúde no Brasil, da Reforma Sanitária, dos princípios do SUS e de desafios na organização do trabalho em saúde, considerando seus princípios, diretrizes e políticas de saúde;

b) identificação de oportunidades e de desafios na organização do trabalho nas redes de serviços de saúde, reconhecendo o conceito ampliado de saúde, no qual todos os cenários em que se produz saúde são ambientes relevantes e neles se deve assumir e propiciar compromissos com a qualidade, integralidade e continuidade da atenção;

c) utilização de diversas fontes para identificar problemas no processo de trabalho, incluindo a perspectiva dos profissionais e dos usuários e a análise de indicadores e do modelo de gestão, de modo a identificar risco e vulnerabilidade de pessoas, famílias e grupos sociais;

d) incluir a perspectiva dos usuários, família e comunidade, favorecendo sua maior autonomia na decisão do plano terapêutico, respeitando seu processo de planejamento e de decisão considerandose, ainda, os seus valores e crenças;

e) trabalho colaborativo em equipes de saúde, respeitando normas institucionais dos ambientes de trabalho e agindo com compromisso ético-profissional, superando a fragmentação do processo de trabalho em saúde;

f) participação na priorização de problemas, identificando a relevância, magnitude e urgência, as implicações imediatas e potenciais, a estrutura e os recursos disponíveis; e

g) abertura para opiniões diferentes e respeito à diversidade de valores, de papéis e de responsabilidades no cuidado à saúde.

II – Elaboração e Implementação de Planos de Intervenção:

a) participação em conjunto com usuários, movimentos sociais, profissionais de saúde, gestores do setor sanitário e de outros setores na elaboração de planos de intervenção para o enfrentamento dos problemas priorizados, visando melhorar a organização do processo de trabalho e da atenção à saúde;

b) apoio à criatividade e à inovação, na construção de planos de intervenção;

c) participação na implementação das ações, favorecendo a tomada de decisão, baseada em evidências científicas, na eficiência, na eficácia e na efetividade do trabalho em saúde; e

d) participação na negociação e avaliação de metas para os planos de intervenção, considerando as políticas de saúde vigentes, os colegiados de gestão e de controle social.

Art. 18 – A ação-chave Acompanhamento e Avaliação do Trabalho em Saúde comporta os seguintes desempenhos e seus respectivos descritores:

I – Gerenciamento do Cuidado em Saúde:

a) promoção da integralidade da atenção à saúde individual e coletiva, articulando as ações de cuidado, no contexto dos serviços próprios e conveniados ao SUS;

b) utilização das melhores evidências e dos protocolos e diretrizes cientificamente reconhecidos, para promover o máximo benefício à saúde das pessoas e coletivos, segundo padrões de qualidade e de segurança; e

c) favorecimento da articulação de ações, profissionais e serviços, apoiando a implantação de dispositivos e ferramentas que promovam a organização de sistemas integrados de saúde.

II – Monitoramento de Planos e Avaliação do Trabalho em Saúde:

a) participação em espaços formais de reflexão coletiva sobre o processo de trabalho em saúde e sobre os planos de intervenção;

b) monitoramento da realização de planos, identificando conquistas e dificuldades;

c) avaliação do trabalho em saúde, utilizando indicadores e relatórios de produção, ouvidoria, auditorias e processos de acreditação e certificação;

d) utilização dos resultados da avaliação para promover ajustes e novas ações, mantendo os planos permanentemente atualizados e o trabalho em saúde em constante aprimoramento;

e) formulação e recepção de críticas, de modo respeitoso, valorizando o esforço de cada um e favorecendo a construção de um ambiente solidário de trabalho; e

f) estímulo ao compromisso de todos com a transformação das práticas e da cultura organizacional, no sentido da defesa da cidadania e do direito à saúde.

Seção III

Da Área de Competência de Educação em Saúde

Art. 19 – A Área de Competência de Educação em Saúde estrutura-se em 3 (três) ações-chave:

I – Identificação de Necessidades de Aprendizagem Individual e Coletiva;

II – Promoção da Construção e Socialização do Conhecimento; e

III – Promoção do Pensamento Científico e Crítico e Apoio à Produção de Novos Conhecimentos.

Subseção I

Da Identificação de Necessidades de Aprendizagem Individual e Coletiva

Art. 20 – A ação-chave Identificação de Necessidades de Aprendizagem Individual e Coletiva comporta os seguintes desempenhos:

I – estímulo à curiosidade e ao desenvolvimento da capacidade de aprender com todos os envolvidos, em todos os momentos do trabalho em saúde; e

II – identificação das necessidades de aprendizagem próprias, das pessoas sob seus cuidados e responsáveis, dos cuidadores, dos familiares, da equipe multiprofissional de trabalho, de grupos sociais ou da comunidade, a partir de uma situação significativa e respeitando o conhecimento prévio e o contexto sociocultural de cada um.

Subseção II

Da Ação-Chave Promoção da Construção e Socialização do Conhecimento

Art. 21 – A ação-chave Promoção da Construção e Socialização do Conhecimento comporta os seguintes desempenhos:

I – postura aberta à transformação do conhecimento e da própria prática;

II – escolha de estratégias interativas para a construção e socialização de conhecimentos, segundo as necessidades de aprendizagem identificadas, considerando idade, escolaridade e inserção sociocultural das pessoas;

III – orientação e compartilhamento de conhecimentos com pessoas sob seus cuidados, responsáveis, familiares, grupos e outros profissionais, levando em conta o interesse de cada segmento, no sentido de construir novos significados para o cuidado à saúde; e

IV – estímulo à construção coletiva de conhecimento em todas as oportunidades do processo de trabalho, propiciando espaços formais de educação continuada, participando da formação de futuros profissionais.

Subseção III

Da Ação-Chave Promoção do Pensamento Científico e Crítico e Apoio à Produção de Novos Conhecimentos

Art. 22 – A ação-chave Promoção do Pensamento Científico e Crítico e Apoio à Produção de Novos Conhecimentos comporta os seguintes desempenhos:

I – utilização dos desafios do trabalho para estimular e aplicar o raciocínio científico, formulando perguntas e hipóteses e buscando dados e informações;

II – análise crítica de fontes, métodos e resultados, no sentido de avaliar evidências e práticas no cuidado, na gestão do trabalho e na educação de profissionais de saúde, pessoa sob seus cuidados, famílias e responsáveis;

III – identificação da necessidade de produção de novos conhecimentos em saúde, a partir do diálogo entre a própria prática, a produção científica e o desenvolvimento tecnológico disponíveis; e

IV – favorecimento ao desenvolvimento científico e tecnológico voltado para a atenção das necessidades de saúde individuais e coletivas, por meio da disseminação das melhores práticas e do apoio à realização de pesquisas de interesse da sociedade.

CAPÍTULO III

DOS CONTEÚDOS CURRICULARES E DO PROJETO PEDAGÓGICO DO CURSO DE GRADUAÇÃO EM MEDICINA

Art. 23 – Os conteúdos fundamentais para o Curso de Graduação em Medicina devem estar relacionados com todo o processo saúde-doença do cidadão, da família e da comunidade e referenciados na realidade epidemiológica e profissional, proporcionando a integralidade das ações do cuidar em saúde, contemplando:

I – conhecimento das bases moleculares e celulares dos processos normais e alterados, da estrutura e função dos tecidos, órgãos, sistemas e aparelhos, aplicados aos problemas de sua prática e na forma como o médico o utiliza;

II – compreensão dos determinantes sociais, culturais, comportamentais, psicológicos, ecológicos, éticos e legais, nos níveis individual e coletivo, do processo saúde-doença;

III – abordagem do processo saúde-doença do indivíduo e da população, em seus múltiplos aspectos de determinação, ocorrência e intervenção;

IV – compreensão e domínio da propedêutica médica: capacidade de realizar história clínica, exame físico, conhecimento fisiopatológico dos sinais e sintomas, capacidade reflexiva e compreensão ética, psicológica e humanística da relação médico-pessoa sob cuidado;

V – diagnóstico, prognóstico e conduta terapêutica nas doenças que acometem o ser humano em todas as fases do ciclo biológico, considerando-se os critérios da prevalência, letalidade, potencial de prevenção e importância pedagógica;

VI – promoção da saúde e compreensão dos processos fisiológicos dos seres humanos (gestação, nascimento, crescimento e desenvolvimento, envelhecimento e morte), bem como das atividades físicas, desportivas e das relacionadas ao meio social e ambiental;

VII – abordagem de temas transversais no currículo que envolvam conhecimentos, vivências e reflexões sistematizadas acerca dos direitos humanos e de pessoas com deficiência, educação ambiental, ensino de Libras (Língua Brasileira de Sinais), educação das relações étnico-raciais e história da cultura afro-brasileira e indígena; e

VIII – compreensão e domínio das novas tecnologias da comunicação para acesso a base remota de dados e domínio de, pelo menos, uma língua estrangeira, que seja, preferencialmente, uma língua franca.

Art. 24 – A formação em Medicina incluirá, como etapa integrante da graduação, estágio curricular obrigatório de formação em serviço, em regime de internato, sob supervisão, em serviços próprios, conveniados ou em regime de parcerias estabelecidas por meio de Contrato Organizativo da Ação Pública Ensino-Saúde com as Secretarias Municipais e Estaduais de Saúde, conforme previsto no art. 12 da Lei nº 12.871, de 22 de outubro de 2013.

§ 1º – A preceptoria exercida por profissionais do serviço de saúde terá supervisão de docentes próprios da Instituição de Educação Superior (IES);

§ 2º – A carga horária mínima do estágio curricular será de 35% (trinta e cinco por cento) da carga horária total do Curso de Graduação em Medicina.

§ 3º – O mínimo de 30% (trinta por cento) da carga horária prevista para o internato médico da Graduação em Medicina será desenvolvido na Atenção Básica e em Serviço de Urgência e Emergência do SUS, respeitando-se o mínimo de dois anos deste internato.

§ 4º – Nas atividades do regime de internato previsto no parágrafo anterior e dedicadas à Atenção Básica e em Serviços de Urgência e Emergência do SUS, deve predominar a carga horária dedicada aos serviços de Atenção Básica sobre o que é ofertado nos serviços de Urgência e Emergência.

§ 5º – As atividades do regime de internato voltadas para a Atenção Básica devem ser coordenadas e voltadas para a área da Medicina Geral de Família e Comunidade.

§ 6º – Os 70% (setenta por cento) da carga horária restante do internato incluirão, necessariamente, aspectos essenciais das áreas de Clínica Médica, Cirurgia, Ginecologia-Obstetrícia, Pediatria, Saúde Coletiva e Saúde Mental, em atividades eminentemente práticas e com carga horária teórica que não seja superior a 20% (vinte por cento) do total por estágio, em cada uma destas áreas.

§ 7º – O Colegiado do Curso de Graduação em Medicina poderá autorizar a realização de até 25% (vinte e cinco por cento) da carga horária total estabelecida para o estágio fora da Unidade da Federação em que se localiza a IES, preferencialmente nos serviços do Sistema Único de Saúde, bem como em instituição conveniada que mantenha programas de Residência, credenciados pela Comissão Nacional de Residência Médica, ou em outros programas de qualidade equivalente em nível internacional.

§ 8º – O colegiado acadêmico de deliberação superior da IES poderá autorizar, em caráter excepcional, percentual superior ao previsto no parágrafo anterior, desde que devidamente motivado e justificado.

§ 9º – O total de estudantes autorizados a realizar estágio fora da Unidade da Federação em que se localiza a IES não poderá ultrapassar o limite de 50% (cinquenta por cento) das vagas do internato da IES para estudantes da mesma série ou período.

§ 10 – Para o estágio obrigatório em regime de internato do Curso de Graduação em Medicina, assim caracterizado no Projeto Pedagógico de Curso (PPC), a jornada semanal de prática compreenderá períodos de plantão que poderão atingir até 12 (doze) horas diárias, observado o limite de 40 (quarenta) horas semanais, nos termos da Lei Federal nº 11.788, de 25 de setembro de 2008, que dispõe sobre o estágio de estudantes.

§ 11 – Nos estágios obrigatórios na área da saúde, quando configurar como concedente do estágio órgão do Poder Público, poderão ser firmados termos de compromisso sucessivos, não ultrapassando a duração do curso, sendo os termos de compromisso e respectivos planos de estágio atualizados ao final de cada período de 2 (dois) anos, adequando-se à evolução acadêmica do estudante.

Art. 25 – O projeto pedagógico do Curso de Graduação em Medicina deverá ser construído coletivamente, contemplando atividades complementares, e a IES deverá criar mecanismos de aproveitamento de conhecimentos, adquiridos pelo estudante, mediante estudos e práticas independentes, presenciais ou a distância, como monitorias, estágios, programas de iniciação científica, programas de extensão, estudos complementares e cursos realizados em áreas afins.

Art. 26 – O Curso de Graduação em Medicina terá projeto pedagógico centrado no aluno como sujeito da aprendizagem e apoiado no professor como facilitador e mediador do processo, com vistas à formação integral e adequada do estudante, articulando ensino, pesquisa e extensão, esta última, especialmente por meio da assistência.

Art. 27 – O Projeto Pedagógico que orientará o Curso de Graduação em Medicina deverá contribuir para a compreensão, interpretação, preservação, reforço, fomento e difusão das culturas e práticas nacionais e regionais, inseridas nos contextos internacionais e históricos, respeitando o pluralismo de concepções e a diversidade cultural.

Parágrafo único – O Currículo do Curso de Graduação em Medicina incluirá aspectos complementares de perfil, habilidades, competências e conteúdos, de forma a considerar a inserção institucional do curso, a flexibilidade individual de estudos e os requerimentos, demandas e expectativas de desenvolvimento do setor saúde na região.

Art. 28 – A organização do Curso de Graduação em Medicina deverá ser definida pelo respectivo colegiado de curso, que indicará sua modalidade e periodicidade.

Art. 29 – A estrutura do Curso de Graduação em Medicina deve:

I – ter como eixo do desenvolvimento curricular as necessidades de saúde dos indivíduos e das populações identificadas pelo setor saúde;

II – utilizar metodologias que privilegiem a participação ativa do aluno na construção do conhecimento e na integração entre os conteúdos, assegurando a indissociabilidade do ensino, pesquisa e extensão;

III – incluir dimensões ética e humanística, desenvolvendo, no aluno, atitudes e valores orientados para a cidadania ativa multicultural e para os direitos humanos;

IV – promover a integração e a interdisciplinaridade em coerência com o eixo de desenvolvimento curricular, buscando integrar as dimensões biológicas, psicológicas, étnico-raciais, socioeconômicas, culturais, ambientais e educacionais;

V – criar oportunidades de aprendizagem, desde o início do curso e ao longo de todo o processo de graduação, tendo as Ciências Humanas e Sociais como eixo transversal na formação de profissional com perfil generalista;

VI – inserir o aluno nas redes de serviços de saúde, consideradas como espaço de aprendizagem, desde as séries iniciais e ao longo do curso de Graduação de Medicina, a partir do conceito ampliado de saúde, considerando que todos os cenários que produzem saúde são ambientes relevantes de aprendizagem;

VII – utilizar diferentes cenários de ensino-aprendizagem, em especial as unidades de saúde dos três níveis de atenção pertencentes ao SUS, permitindo ao aluno conhecer e vivenciar as políticas de saúde em situações variadas de vida, de organização da prática e do trabalho em equipe multiprofissional;

VIII – propiciar a interação ativa do aluno com usuários e profissionais de saúde, desde o início de sua formação, proporcionandolhe a oportunidade de lidar com problemas reais, assumindo responsabilidades crescentes como agente prestador de cuidados e atenção, compatíveis com seu grau de autonomia, que se consolida, na graduação, com o internato;

IX – vincular, por meio da integração ensino-serviço, a formação médico-acadêmica às necessidades sociais da saúde, com ênfase no SUS;

X – promover a integração do PPC, a partir da articulação entre teoria e prática, com outras áreas do conhecimento, bem como com as instâncias governamentais, os serviços do SUS, as instituições formadoras e as prestadoras de serviços, de maneira a propiciar uma formação flexível e interprofissional, coadunando problemas reais de saúde da população;

Art. 30 – A implantação e desenvolvimento das DCNs do Curso de Graduação em Medicina deverão ser acompanhadas, monitoradas e permanentemente avaliadas, em caráter sequencial e progressivo, a fim de acompanhar os processos e permitir os ajustes que se fizerem necessários ao seu aperfeiçoamento.

Art. 31 – As avaliações dos estudantes basear-se-ão em conhecimentos, habilidades, atitudes e conteúdos curriculares desenvolvidos, tendo como referência as DCNs objeto desta Resolução.

Art. 32 – O Curso de Graduação em Medicina deverá utilizar metodologias ativas e critérios para acompanhamento e avaliação do processo ensino-aprendizagem e do próprio curso, bem como desenvolver instrumentos que verifiquem a estrutura, os processos e os resultados, em consonância com o Sistema Nacional de Avaliação da Educação Superior (SINAES) e com a dinâmica curricular definidos pela IES em que for implantado e desenvolvido.

Art. 33 – O Curso de Graduação em Medicina deverá constituir o Núcleo Docente Estruturante (NDE), atuante no processo de concepção, consolidação, avaliação e contínua atualização e aprimoramento do Projeto Pedagógico do Curso, com estrutura e funcionamento previstos, incluindo-se, dentre outros aspectos, atribuições acadêmicas de acompanhamento, em consonância com a Resolução CONAES nº 1, de 17 de junho de 2010.

Art. 34 – O Curso de Graduação em Medicina deverá manter permanente Programa de Formação e Desenvolvimento da Docência em Saúde, com vistas à valorização do trabalho docente na graduação, ao maior envolvimento dos professores com o Projeto Pedagógico do Curso e a seu aprimoramento em relação à proposta formativa contida no documento, por meio do domínio conceitual e pedagógico, que englobe estratégias de ensino ativas, pautadas em práticas interdisciplinares, de modo a assumirem maior compromisso com a transformação da escola médica, a ser integrada à vida cotidiana dos docentes, estudantes, trabalhadores e usuários dos serviços de saúde.

Parágrafo único – A instituição deverá definir indicadores de avaliação e valorização do trabalho docente, desenvolvido para o ensino de graduação e para as atividades docentes desenvolvidas na comunidade ou junto à rede de serviços do SUS.

Art. 35 – Os Cursos de Graduação em Medicina deverão desenvolver ou fomentar a participação dos Profissionais da Rede de Saúde em programa permanente de formação e desenvolvimento, com vistas à melhoria do processo de ensino-aprendizagem nos cenários de práticas do SUS e da qualidade da assistência à população, sendo este programa pactuado junto aos gestores municipais e estaduais de saúde nos Contratos Organizativos da Ação Pública Ensino-Saúde.

Art. 36 – Fica instituída a avaliação específica do estudante do Curso de Graduação em Medicina, a cada 2 (dois) anos, com instrumentos e métodos que avaliem conhecimentos, habilidades e atitudes, devendo ser implantada no prazo de 2 (dois) anos a contar da publicação desta Resolução.

§ 1º – A avaliação de que trata este artigo é de caráter obrigatório, processual, contextual e formativo, considerando seus resultados como parte do processo de classificação para os exames dos programas de Residência Médica, credenciados pela Comissão Nacional de Residência Médica (CNRM), sendo sua realização de âmbito nacional.

§ 2º – A avaliação de que trata este artigo será implantada pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP) para as Instituições de Educação Superior, no âmbito dos Sistemas de Ensino.

Art. 37 – Os programas de Residência Médica, de que trata a Lei nº 6.932, de 7 de julho de 1981, ofertarão, anualmente, vagas equivalentes ao número de egressos dos cursos de graduação em Medicina do ano anterior.

Parágrafo único – A determinação do caput é meta a ser implantada, progressivamente, até 31 de dezembro de 2018.

Art. 38 – Nos cursos iniciados antes de 2014, as adequações curriculares deverão ser implantadas, progressivamente, até 31 de dezembro de 2018.

Art. 39 – Os cursos de Medicina em funcionamento terão o prazo de 1 (um) ano a partir da data de publicação desta Resolução para aplicação de suas determinações às turmas abertas após o início da sua vigência.

Art. 40 – Os estudantes de graduação em Medicina matriculados antes da vigência desta Resolução têm o direito de concluir seu curso com base nas diretrizes anteriores, podendo optar pelas novas diretrizes, em acordo com suas respectivas instituições, e, neste caso, garantindo-se as adaptações necessárias aos princípios das novas diretrizes.

Art. 41 – Esta Resolução entra em vigor na data de sua publicação, revogando-se a Resolução CNE/CES nº 4, de 9 de novembro de 2001, e demais disposições em contrário.

ERASTO FORTES MENDONÇA – Em exercício

mai 30

Eu digo X – www.eudigox.com.br

Project “I say X” (Short Version)

x

Leia mais »

mai 20

05/06/14 – 14h: Fórum sobre o Teste Molecular de DNA – X-Frágil

Forum sobre o Teste Molecular de DNA, a Síndrome do X Frágil-SXF

Leia mais »

mai 16

Projeto integrado de apoio às pessoas com a Síndrome do X frágil

001 Leia mais »

mai 15

Mrs Rogers’ has published a book !

Mrs. Rogers

abr 29

Doenças do Mês – 2014

Leia mais »

abr 29

21-23/05/14 – XV Congresso Estadual das Apaes/SC 2014

Leia mais »

abr 28

13-16/05/14 – XXVI – Congresso Brasileiro de Genética Médica

Leia mais »

abr 12

Donald Bailey estará no Brasil em junho/2014

Donald Bailey

As senhoras Rafaela Pizzatto Muggiati Kaesemodel e Sabrina Pizzatto Muggiati Abage do Instituto Zeca Muggiati e Coordenadoras do Projeto X Frágil, irão receber o senhor Donald Bailey que irá conhecer o programa Eu Digo X , o qual foi comentado a ele através do Professor Vitor Franco que ministrou aqui no Paraná vários seminarios sobre a Síndrome do X Frágil e Intervenção Precoce. Veja também o site eudigoX.com.br

 

Donald Bailey
Fellow Program Chair and Distinguished Fellow, Early Childhood Development
Don Bailey, PhD, is internationally known as an expert on young children with disabilities. For 27 years, he was on the faculty of the University of North Carolina at Chapel Hill where he was a W.R. Kenan, Jr. Distinguished Professor and, for 14 years, director of the Frank Porter Graham Child Development Institute. Dr. Bailey’s research addresses early identification and early intervention for children with disabilities, as well as family adaptation to disability. For 20 years, his work has focused on children with fragile X syndrome, the leading inherited cause of intellectual impairment, and their families. He has an extensive record of publications, with more than 200 peer-reviewed articles, chapters, and books on a wide variety of topics related to early education, early intervention, disability, and family support. In 2006, Dr. Bailey received the Career Research Scientist Award from the Academy on Mental Retardation. From 2006 to 2009, he served as president of the board of directors of the National Fragile X Foundation (www.fragileX.org). Recently, he was appointed to serve a 4-year term on the DHHS Secretary’s Advisory Committee on Heritable Disorders in Newborns and Children.
Education
PhD, Early Childhood Special Education, University of Washington; MEd, Early Childhood Special Education, University of North Carolina at Chapel Hill; BA, Psychology, Davidson College.
Latest Publications
Family Relations in the Genomic Era: Communicating about Intergenerational Transmission of Risk for Disability — Family Relations
Bailey, D.B., Lewis, M.A., Roche, M., & Powell, C.M. (Feb 2014)
Anxiety, Attention Problems, Hyperactivity, and the Aberrant Behavior Checklist in Fragile X Syndrome — American Journal of Medical Genetics. Part A
Wheeler, A., Raspa, M., Bann, C., Bishop, E., Hessl, D., Sacco, P., & Bailey, D.B. (Jan 2014)
Modeling Family Adaptation to Fragile X Syndrome — American Journal on Intellectual and Developmental Disabilities
Raspa, M., Bailey, D.B., Bann, C., & Bishop, E. (Jan 2014)
Assessment models and methods
McLean, M.E., Hemmeter, M.L. & Snyder, P. (Eds.) (Dec 2013)
US Caregiver Burden in Fragile X Syndrome as a Function of a Health-State Utility Index
Raspa, M., Bishop, E., Candrilli, S., Mitra, D., Sacco, P., Petrillo, J., & Bailey, D. (Nov 2013)

Posts mais antigos «