Métodos de Tomada de Decisão

Mapa da Aula 1

Parte I — Fundamentos da Tomada de Decisão e SAD

Prof. Marcelo R. P. Ferreira · Aulas 1–3 + Prova (07/07–28/07/2026)

Parte II — Aprendizagem de Máquina

Prof. Eufrásio de A. Lima Neto · Aulas 4–7 + Projeto (04/08–15/09/2026)

Por que Sistemas de Apoio à Decisão na Saúde?

• O volume de informação médica dobra a cada poucos anos
• A capacidade de atenção humana é limitada (“ansiedade informacional”)
• Tomadores de decisão sofrem de fadiga e viés cognitivo
• Necessidade de contornar a racionalidade limitada
• SADs transformam dados brutos em inteligência acionável para a saúde
• Hospitais precisam otimizar recursos escassos (leitos, equipe de enfermagem, insumos)

Exemplo Motivador: Gestão Hospitalar

• Implementaram um sistema de acuidade de enfermagem
• O sistema classifica pacientes pela severidade e necessidade de cuidados
• Permite prever e alocar a demanda diária de enfermeiros
• Compara as estimativas de necessidade com os níveis reais
• Resultado: alocação eficiente de recursos e melhoria no cuidado prestado

O Conceito de Decisão

• Decisão é uma escolha entre alternativas disponíveis
• Visa alcançar um bom resultado (mitigar a doença, reduzir custos, salvar vidas)
• Um bom resultado nem sempre significa uma “boa decisão”
• Boas decisões são informadas e baseadas em dados apropriados
• Envolve a formulação do problema e avaliação de premissas
• O SAD apoia, mas não substitui o tomador de decisão (médico ou gestor)

O Processo de Decisão — Modelo de Simon

• O processo de decisão não é um evento único, mas um fluxo
• Proposto pelo economista e psicólogo Herbert A. Simon (Nobel de Economia, 1978)
• Fase 1 — Inteligência: identificação do problema ou oportunidade
• Fase 2 — Design: formulação de alternativas
• Fase 3 — Escolha: seleção e implementação
• O SAD deve apoiar cada uma dessas fases de forma flexível

Fluxo clássico de Simon para o processo de tomada de decisão.

Fase 1: Inteligência

• Monitoramento contínuo do ambiente clínico ou hospitalar
• Identificação de desvios, tendências ou anomalias
• Exemplo: detecção de um surto de infecção hospitalar
• Coleta de informações sintomáticas e epidemiológicas
• É a fase onde o problema é reconhecido como tal — muitas vezes a mais negligenciada

Fase 2: Design

• Estruturação do problema de saúde identificado
• Definição de objetivos (ex.: minimizar mortalidade ou custo)
• Geração e desenvolvimento de alternativas de tratamento ou intervenção
• Coleta de dados adicionais e construção de modelos
• Avaliação de restrições (orçamento, disponibilidade de leitos)
• O SAD ajuda com ferramentas de brainstorming e modelagem

Fase 3: Escolha

• Comparação das alternativas desenhadas na fase anterior
• Seleção da melhor alternativa baseada em critérios definidos
• Avaliação da sensibilidade da escolha (análise “E se?”)
• Implementação da ação no ambiente real
• Monitoramento dos resultados clínicos ou gerenciais
• O SAD fornece as ferramentas de simulação e otimização

Tipos de Decisão

• Decisões Estruturadas: repetitivas, rotineiras, regras claras (ex.: folha de pagamento)
• Decisões Não Estruturadas: novas, complexas, requerem intuição (ex.: contenção de nova pandemia)
• Decisões Semiestruturadas: combinação de regras analíticas e julgamento humano
• O SAD tem seu maior valor nos problemas semiestruturados
• Apoia o gestor onde a matemática termina e a experiência começa
• Na saúde, diagnóstico e triagem são tipicamente semiestruturados

Teoria da Decisão Normativa

• Define como as decisões deveriam ser tomadas idealmente
• Baseia-se em escolhas perfeitamente racionais
• O objetivo é a otimização matemática (maximizar utilidade esperada)
• Assume conhecimento completo das opções e consistência total
• Falha ao descrever o comportamento humano real (que tem limites)
• Importante como base para algoritmos de otimização em SADs

Teoria da Decisão Descritiva

• Estuda como os seres humanos realmente tomam decisões
• Reconhece a fadiga, emoções, limites de memória e tempo
• Focada na racionalidade limitada (bounded rationality)
• Indivíduos frequentemente usam heurísticas e atalhos mentais
• Essencial para desenhar interfaces de usuário de SADs amigáveis
• Baseada em estudos de economia comportamental e psicologia cognitiva

Teoria da Decisão Prescritiva

• Foca em ajudar as pessoas a tomarem decisões melhores
• Interseção entre o ideal (normativo) e o real (descritivo)
• Fornece ferramentas para mitigar vieses cognitivos humanos
• O SAD é uma ferramenta eminentemente prescritiva
• Aproxima o médico da decisão ótima, respeitando suas limitações
• Estrutura a evidência para suportar o raciocínio clínico

As Três Teorias — Comparação

Racionalidade Limitada e Satisficing

• Tomadores de decisão raramente otimizam completamente (Simon)
• Devido a limites de tempo, dados e capacidade cognitiva
• Buscam soluções “satisfatórias” (satisficing) em vez de “ótimas”
• Muddling Through: fazer mudanças incrementais pequenas
• O SAD deve oferecer soluções boas e rápidas, não apenas a “perfeita”
• Na emergência, um tratamento rápido “bom o suficiente” salva mais vidas que o perfeito tardio

As Seis Facetas da Racionalidade (1/2)

• Racionalidade Econômica: foco em custos, lucros e retorno financeiro
• Racionalidade Técnica: a opção funciona? Atinge o objetivo clínico?
• Racionalidade Legal: está em conformidade com leis e regulações médicas?
• Um SAD completo não deve focar apenas no aspecto financeiro
• Decisões médicas exigem equilíbrio constante entre essas facetas

As Seis Facetas da Racionalidade (2/2)

• Racionalidade Social/Ética: responsabilidade com o paciente e a sociedade
• Racionalidade Procedimental: há infraestrutura e equipe para executar?
• Racionalidade Política: relações de poder, agendas de departamentos
• Ética utilitarista (maior bem) vs. ética individual na saúde
• O SAD deve permitir a avaliação de cenários logísticos e éticos
• Ignorar o aspecto procedimental inviabiliza a política de saúde no SUS

Síntese das Seis Facetas

Um SAD bem desenhado permite avaliar uma decisão sob múltiplas dessas facetas simultaneamente.

Vieses no Processo de Decisão

• Viés de Confirmação: buscar apenas dados que confirmam a suspeita diagnóstica
• Percepção Seletiva: ignorar informações clínicas que não parecem salientes
• Ilusão de Controle: superestimar a capacidade de curar uma doença imprevisível
• Efeito de Recência: dar peso excessivo ao último sintoma observado
• O SAD atua como contrapeso, forçando a revisão de dados ignorados
• Alertas no sistema protegem contra omissões críticas

Mitigando Vieses: Método dos Seis Chapéus

• Abordagem de Edward de Bono para explorar perspectivas
• Chapéu Branco: foco apenas em dados e tendências históricas
• Chapéu Vermelho: intuição e gut feeling do médico
• Chapéu Preto: pessimismo cauteloso, testando riscos e premissas
• Chapéu Amarelo: otimismo, buscando benefícios secundários
• Chapéu Verde: criatividade, tratamentos alternativos
• Chapéu Azul: controle do processo de decisão (frequentemente o papel do SAD)

Ambientes de Decisão: Certeza

• O resultado de cada alternativa de ação é conhecido previamente
• Conhecimento completo sobre custos, efeitos e resultados
• Em saúde, a certeza pura é extremamente rara
• O problema se resume à ordenação simples por preferência
• A modelagem é determinística e exata

Ambientes de Decisão: Risco

• As consequências exatas não são conhecidas, mas suas probabilidades sim
• Baseia-se em distribuições de probabilidade históricas
• Fundamental para a Medicina Baseada em Evidências (MBE)
• Permite calcular a utilidade esperada de um tratamento
• Os dados do paciente inserem-se num modelo probabilístico

Probabilidade: Conceito e Notação

• Probabilidade mede o grau de crença ou frequência relativa de um evento ocorrer
• Notação: \(P(A)\) — probabilidade do evento \(A\), com \(0 \leq P(A) \leq 1\)
• \(P(A) = 0\): evento impossível; \(P(A) = 1\): evento certo
• Evento complementar: \(P(\bar{A}) = 1 - P(A)\)
• Exemplo clínico: \(P(\text{diabetes}) = 0{,}08\) em adultos brasileiros segundo a literatura epidemiológica

Probabilidade Conjunta e Independência

• Probabilidade conjunta: \(P(A \cap B)\) — ambos \(A\) e \(B\) ocorrem simultaneamente
• Se \(A\) e \(B\) são independentes: \(P(A \cap B) = P(A) \cdot P(B)\)
• Regra da adição: \(P(A \cup B) = P(A) + P(B) - P(A \cap B)\)
• Na saúde, eventos raramente são independentes — comorbidades tendem a se associar

Probabilidade Condicional

• \(P(A \mid B)\): probabilidade de \(A\) ocorrer dado que \(B\) já ocorreu
• Fórmula:

\[P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0\]

• Condicionar em \(B\) restringe o espaço amostral a apenas os casos onde \(B\) é verdadeiro
• Exemplo clínico: \(P(\text{doença} \mid \text{teste positivo})\) — prob. de ter a doença dado que o teste deu positivo

Regra da Probabilidade Total

• Particiona o espaço amostral em eventos mutuamente exclusivos e exaustivos
• Fórmula:

\[P(A) = \sum_{i=1}^{k} P(A \mid B_i) \cdot P(B_i)\]

• Exemplo diagnóstico: a probabilidade de um teste dar positivo é a soma ponderada da probabilidade de positivo entre doentes e entre sadios:

\[P(+) = P(+ \mid D) \cdot P(D) \;+\; P(+ \mid \bar{D}) \cdot P(\bar{D})\]

Teorema de Bayes

\[\boxed{P(D \mid +) = \frac{P(+ \mid D) \cdot P(D)}{P(+)}}\]

Sensibilidade, Especificidade e Valores Preditivos

• Sensibilidade: \(P(+ \mid D)\) — proporção de doentes que testam positivo
• Especificidade: \(P(- \mid \bar{D})\) — proporção de sadios que testam negativo
• Falso Positivo: \(P(+ \mid \bar{D}) = 1 - \text{Especificidade}\)
• VPP (Valor Preditivo Positivo): \(P(D \mid +)\) — prob. de ter a doença dado positivo
• VPN (Valor Preditivo Negativo): \(P(\bar{D} \mid -)\) — prob. de não ter a doença dado negativo

Exemplo Numérico: O Efeito da Prevalência

bayes_diag <- function(prev, sens, espec) {
  fp    <- 1 - espec
  p_pos <- sens * prev + fp * (1 - prev)
  vpp   <- (sens * prev) / p_pos
  vpn   <- (espec * (1 - prev)) / (1 - p_pos)
  pct   <- function(x) sprintf("%.1f%%", x * 100)
  data.frame(Prevalência = pct(prev), Sensibilidade = pct(sens),
             Especificidade = pct(espec), VPP = pct(vpp), VPN = pct(vpn))
}
rbind(
  bayes_diag(prev = 0.01, sens = 0.95, espec = 0.90),
  bayes_diag(prev = 0.30, sens = 0.95, espec = 0.90)
)

  Prevalência Sensibilidade Especificidade   VPP   VPN
1        1.0%         95.0%          90.0%  8.8% 99.9%
2       30.0%         95.0%          90.0% 80.3% 97.7%

Visualizando o Efeito da Prevalência no VPP

library(ggplot2)
library(scales)
prev_seq <- seq(0.001, 0.50, by = 0.001)
sens <- 0.95; espec <- 0.90
vpp_seq <- (sens * prev_seq) / (sens * prev_seq + (1 - espec) * (1 - prev_seq))
df_vpp <- data.frame(prevalencia = prev_seq, vpp = vpp_seq)

ggplot(df_vpp, aes(x = prevalencia, y = vpp)) +
  geom_line(color = "#7ecff7", linewidth = 1.3) +
  geom_vline(xintercept = 0.01, color = "#f07050", linetype = "dashed") +
  geom_vline(xintercept = 0.30, color = "#a8f77e", linetype = "dashed") +
  annotate("text", x = 0.01, y = 0.15, label = "1%\n(rastreamento)",
           color = "#f07050", size = 3.5, hjust = -0.1) +
  annotate("text", x = 0.30, y = 0.50, label = "30%\n(clínica especializada)",
           color = "#a8f77e", size = 3.5, hjust = -0.05) +
  scale_x_continuous(labels = percent_format()) +
  scale_y_continuous(labels = percent_format()) +
  labs(title = "Valor Preditivo Positivo em Função da Prevalência",
       subtitle = "Sensibilidade = 95%, Especificidade = 90%",
       x = "Prevalência da doença", y = "VPP") +
  theme_minimal(base_size = 13)

Atualização Sequencial de Crenças

• Bayes permite atualizar a crença progressivamente à medida que novas evidências chegam
• A probabilidade a posteriori de um teste vira a a priori do próximo
• Exemplo: paciente com resultado positivo no teste A → posteriori vira novo prior para o teste B

\[P(D \mid +_A, +_B) \propto P(+_B \mid D) \cdot \underbrace{P(D \mid +_A)}_{\text{nova priori}}\]

• Isso é exatamente o que um SAD bayesiano faz automaticamente
• Conecta esta revisão com as redes bayesianas da Aula 3

Exercício — Revisão de Probabilidade

sens <- 0.85; espec <- 0.80; prev <- 0.25

p_pos <- sens * prev + (1 - espec) * (1 - prev)
vpp   <- (sens * prev) / p_pos
p_neg <- (1 - sens) * prev + espec * (1 - prev)
vpn   <- (espec * (1 - prev)) / p_neg

cat(sprintf("VPP: %.1f%%\n", vpp * 100))

VPP: 58.6%

cat(sprintf("VPN: %.1f%%\n", vpn * 100))

VPN: 94.1%

cat(sprintf(
  "\nInterpretação: VPN de %.1f%% dá razoável segurança para exclusão,\n
mas o VPP de %.1f%% indica que cerca de 1 em cada %.0f positivos seria falso alarme.",
  vpn * 100, vpp * 100, 1 / (1 - vpp)
))

Interpretação: VPN de 94.1% dá razoável segurança para exclusão,

mas o VPP de 58.6% indica que cerca de 1 em cada 2 positivos seria falso alarme.

Decisão sob Risco: Utilidade Esperada

Avalia opções ponderando o valor do desfecho pela sua probabilidade:

\[EU(A) = \sum_{i} P(O_i \mid A) \cdot U(O_i)\]

• \(EU(A)\): utilidade esperada da ação \(A\)
• \(O_i\): cada resultado possível dado \(A\)
• \(P(O_i \mid A)\): probabilidade de ocorrência de \(O_i\)
• \(U(O_i)\): utilidade (valor) atribuída ao resultado \(O_i\)

Usado em estudos de custo-efetividade na saúde, balanceando tratamentos conservadores vs. invasivos.

Exemplo em R: Utilidade Esperada de Tratamentos

p_cura_cir <- 0.8
u_cura_cir <- 10
u_falha_cir <- 2

ue_cirurgico   <- (p_cura_cir * u_cura_cir) + ((1 - p_cura_cir) * u_falha_cir)
ue_medicamento <- 1.0 * 7

cat(sprintf("UE Cirurgia: %.2f | UE Medicamento: %.2f\n", ue_cirurgico, ue_medicamento))

UE Cirurgia: 8.40 | UE Medicamento: 7.00

cat(ifelse(ue_cirurgico > ue_medicamento,
           "Escolha prescritiva: Cirurgia",
           "Escolha prescritiva: Medicamento"))

Escolha prescritiva: Cirurgia

Ambientes de Decisão: Incerteza

• Incerteza genuína: probabilidades objetivas não são conhecidas
• Dados são fragmentados, novos, ou não há histórico confiável
• Surge frequentemente em epidemias novas (ex.: início da COVID-19)
• Requer heurísticas de decisão (Maximin, Maximax) ou abordagens subjetivas
• Probabilidade subjetiva (bayesiana) baseada na crença do especialista
• Será aprofundada na Aula 3 (tratamento formal da incerteza)

Os Três Ambientes — Comparação Visual

library(ggplot2)
df_amb <- data.frame(
  ambiente = factor(c("Certeza","Risco","Incerteza"),
                     levels=c("Certeza","Risco","Incerteza")),
  conhecimento = c(3, 2, 1)
)
ggplot(df_amb, aes(x=ambiente, y=conhecimento, fill=ambiente)) +
  geom_col(width=0.55) +
  scale_fill_manual(values=c("Certeza"="#7ecff7","Risco"="#f7c87e","Incerteza"="#f07050")) +
  labs(title="Grau de Conhecimento sobre os Resultados",
       x="", y="Conhecimento sobre desfechos", fill="") +
  theme_minimal(base_size=13) +
  theme(legend.position="none")

Racionalidade de Simon Aplicada aos SADs

• A racionalidade se estende da teoria econômica para as organizações de saúde
• O SAD captura o componente estático do dado clínico e adiciona a dinâmica organizacional da saúde
• Decidir prescrever é o encontro de dois mundos: ciência exata (fisiologia) e ciências sociais (alocação, política, custo)
• A boa prática decisória em saúde exige navegar entre esses mundos continuamente

Exercício 1 — Bloco B

p_int_ok <- 0.95; u_int_ok <- 10; u_int_compl <- 3
p_obs_ok <- 0.80; u_obs_ok <- 10; u_obs_piora <- 4

ue_internar <- p_int_ok*u_int_ok + (1-p_int_ok)*u_int_compl
ue_observar <- p_obs_ok*u_obs_ok + (1-p_obs_ok)*u_obs_piora

cat(sprintf("UE Internar: %.2f\nUE Observar: %.2f\n", ue_internar, ue_observar))

UE Internar: 9.65
UE Observar: 8.80

cat(ifelse(ue_internar > ue_observar,
           "Conduta prescritiva: Internar",
           "Conduta prescritiva: Observar em casa"))

Conduta prescritiva: Internar

Hierarquia DIKW: Definição

DIKW

Qualidade de Dados em Saúde: O Desafio

• Garbage In, Garbage Out: o modelo falha se os dados forem ruins
• Erros em dados médicos geram intervenções letais e alto custo
• A transição do prontuário em papel para o eletrônico expôs redundâncias
• Requer higienização rigorosa (Data Scrubbing)
• Correção de unidades, formatos de datas e unificação de cadastros
• Falta de padrão de ontologia médica (ex.: CID-10 mal aplicado) destrói análises

Dimensões da Qualidade de Informação

Governança de Dados em Saúde

• Gestão dos dados como o ativo mais crítico da instituição
• Estabelece políticas, segurança, acesso e padrões de padronização
• Exige adequação ética e legal (LGPD no Brasil)
• Anonimização para uso de prontuários em pesquisa e análise
• Modelos corporativos garantem integridade dos dados
• Protege a privacidade do paciente (direito constitucional e normativo)

Data Scrubbing: Limpeza de Dados

pacientes <- data.frame(ID = 1:4,
                        Idade = c(45, 999, NA, 30))
# 999 é código de erro — tratar como NA
pacientes$Idade[pacientes$Idade > 120] <- NA
# Imputar média
pacientes$Idade[is.na(pacientes$Idade)] <-
  mean(pacientes$Idade, na.rm = TRUE)
print(pacientes)

  ID Idade
1  1  45.0
2  2  37.5
3  3  37.5
4  4  30.0

Definição de Sistema de Apoio à Decisão

• Sistema computadorizado interativo que apoia a escolha entre alternativas
• Integra bases de dados organizadas com modelos analíticos
• Facilita decisões mal estruturadas ou semiestruturadas
• Apresenta interface amigável para o tomador de decisão não-programador
• Permite análises do tipo “E se?” (what-if) e análise de sensibilidade
• Amplia a capacidade cognitiva do gestor em ambientes complexos

Histórico e Evolução dos SADs

• Décadas de 1970/80: primeiros sistemas especialistas baseados em regras (ex.: MYCIN)
• Foco em capturar a experiência do médico em árvores “Se-Então”
• Anos 1990: evolução para redes bayesianas, lidando matematicamente com a incerteza
• Anos 2000+: integração com Big Data e Aprendizagem de Máquina (Parte II)
• Transição de sistemas fechados para dashboards executivos em tempo real
• Adoção de Inteligência de Negócios (Business Intelligence) na gestão hospitalar

Os Componentes Internos do SAD

SAD Orientado a Dados (Data-Driven)

• Foco principal na mineração e acesso estruturado a grandes volumes de dados
• “Deixa os dados falarem”: encontra padrões ocultos
• Responde: “O que aconteceu?” e “Quais grupos se assemelham?”
• Ferramentas OLAP, Business Intelligence e dashboards retrospectivos
• Excelente para descoberta de associações (ex.: sintomas recorrentes conjuntos)
• Abordagem baseada na força bruta da inferência sobre grandes volumes de dados

SAD Orientado a Modelos (Model-Driven)

• Foco no uso de modelos matemáticos (otimização, simulação, teorias estatísticas)
• Utiliza pouco volume de dados de entrada, mas com lógica interna rica
• Enfatiza simulações “E se?” (ex.: “e se fecharmos esta ala?”)
• Prescreve soluções ótimas com base em restrições alocadas
• Encapsula o raciocínio de especialistas em estruturas formais
• Responde: “Qual a melhor ação a tomar agora?”

SAD Orientado a Dados vs. Orientado a Modelos

Exemplo em R: SAD Orientado a Modelos — Simulação de UTI

set.seed(42)
simulacoes <- 1000
# Pacientes/dia segue Poisson; permanência (dias) segue Normal
pacientes_dia <- rpois(simulacoes, lambda = 5)
permanencia   <- rnorm(simulacoes, mean = 7, sd = 2)
permanencia   <- ifelse(permanencia < 1, 1, permanencia)

ocupacao_estimada <- pacientes_dia * permanencia
cat("Ocupação Máxima Simulada (percentil 95):",
    round(quantile(ocupacao_estimada, 0.95), 1))

Ocupação Máxima Simulada (percentil 95): 69.2

Inteligência Artificial e Heurística nos SADs

• Sistemas especialistas encapsulam “regras de ouro” dos médicos mais experientes
• Exemplo: regras lógicas para triagem com fatores de certeza
• “SE idade > 65 E pressão baixa, ENTÃO risco crítico (certeza: 0,9)”
• Inferência pode ser forward-chaining (dos dados para a conclusão)
• Ou backward-chaining (da suspeita diagnóstica, busca os exames que a comprovem)
• O SAD age como um conselheiro monitorando falhas — aprofundado na Aula 2

Medicina Baseada em Evidências (MBE) e o SAD

• Medicina Baseada em Evidências (MBE): integra a melhor evidência de pesquisa com a expertise clínica e os valores do paciente
• O SAD auxilia a MBE ao filtrar ensaios clínicos robustos da literatura
• Traz a predição da literatura para o caso individual do paciente
• Evita a dependência exclusiva na “opinião isolada do especialista” (viés)
• Utiliza meta-análises armazenadas no Data Warehouse clínico

Questões Éticas e Legais dos SADs Clínicos

• “Quem é o responsável se o algoritmo recomendar o remédio errado e o paciente piorar?”
• Legalmente, o SAD é um apoio — a sabedoria (e a caneta) são do médico
• É vital que os modelos não sejam caixas-pretas fechadas
• Estruturas explicáveis (árvores, redes) permitem justificar o “porquê” da recomendação
• Discriminação algorítmica: garantir que a mineração de dados não seja enviesada

Atividade

• Elabore um pequeno texto (no máximo uma página).
• Identifique: ambiente de decisão (certeza, risco, incerteza)?
• Identifique: qual faceta da racionalidade domina essa decisão?

Leitura Complementar para a Próxima Aula

• SAUTER, V. L. Decision Support Systems for Business Intelligence. 2. ed. Wiley, 2010. Caps. 1-4
• Revisar os conceitos de conjunto e proposição lógica (pré-requisito para a Aula 2)
• Trazer exemplos de regras clínicas “Se-Então” da sua própria prática

Referências

• SAUTER, V. L. Decision Support Systems for Business Intelligence. 2. ed. Hoboken: Wiley, 2010.
• TURBAN, E.; ARONSON, J. A.; LIANG, T-P. Decision Support Systems and Intelligent Systems. 7. ed. Prentice Hall, 2004.
• SIMON, H. A. Administrative Behavior. 4. ed. Free Press, 1997.
• BEKMAN, O. R. Análise Estatística da Decisão. 2. ed. São Paulo: Blucher, 2009.
• DE BONO, E. Six Thinking Hats. Little, Brown and Company, 1985.