Adriana Aparecida Crispim Teles
telles19@gmail.com
Resumo. Este trabalho propõe a utilização de algoritmos de Inteligência Artificial para avaliação da droga Anfetamina, que podem ser consumidas de forma licita ou ilícita. Os dados são baseados em personalidades de cada dependente químico, junto com informações demográficas através de pesquisas online. Anfetamina são drogas estimulantes que foram criadas para controlar o apetite em casos de pessoas com obesidade mórbida, altera o funcionamento cerebral e as funções do sistema nervoso central. Para avaliar o risco sobre a droga Anfetamina, vamos abordar dois métodos de aprendizado supervisionados: AD (Arvore de Decisão) e SVM (Support Vector Machine). Que serão utilizados para classificar os dependentes químicos em: User ou No User.
A Anfetamina foi sintetizada pela primeira na Alemanha, pelo químico Lazar Edeleanu em 1887. Após 40 anos depois a droga começou a ser utilizada por médicos para aliviar as passagens nasais, bronquiais, etc. (Cebrid). Segundo o (World Drug Report 2016), a droga Anfetamina continua sendo a segunda droga mais usada, com uma média de 33 milhões de usuários. O uso de drogas refere-se ao uso de substâncias psicoativas, ou seja, substâncias que afetam o humor e a mentalidade (Adrian, M. 2003). O intuito deste trabalho é avaliar fatores de risco associados ao consumo da droga anfetamina, que possui substancias simpatomimética, que estimula o sistema nervoso central, provocando o aumento das capacidades físicas e psíquicas. A droga Anfetamina possui grupos de drogas sintéticas, que são fabricadas por laboratórios e comercializadas como remédio. Conforme mostra a tabela abaixo.
Tabela 1- Departamento de Psicobiologia - Unifesp/EPM
Droga do tipo Anfetamina
|
Produtos (remédios comerciais)
vendidos nas farmácias
|
Dietilpropiona
ou Anfepramona
|
Dualid S; Hipofagin S; Inibex S;
Moderine
|
Fenproporex
|
Desobesi-M; Lipomax AP; Inobesin
|
Mazindol
|
Dasten;
Fagolipo; Absten-Plus; Diazinil; Dobesix
|
Metanfetamina
|
Pervitin*
|
Metilfenidato
|
Ritalina
|
A forma de consumir
essas drogas, por exemplo, como fumar, engolir, inalar ou injetar esta
relacionada a vários problemas de saúdes, a pior forma de se consumir é
injetar. A droga quando é injetada o risco é maior de sobre dosagem, abscessos
e infecções, que podem contaminar o sangue com o vírus HIV e Hepatite C.
Estima-se que cerca de 11,7 milhões de pessoas em todo o mundo injetem drogas,
das quais cerca de 1,6 milhão vivem com o HIV (World Drug Report 2016).
Estudar as técnicas
de Aprendizado de Máquina para avaliar o risco de ser consumidor de droga
Anfetamina. A definição de aprendizado de máquina como o “campo de estudo que
dá aos computadores habilidades de aprender sem serem explicitamente
programados”, foi dada por Arthur Samuel (1959). Nas últimas duas décadas,
tornou uma ferramenta comum em quase qualquer tarefa que requer extração de
informações a partir de grandes conjuntos de dados (Shai Shalev-Shwartz and
Shai Ben-David (2014), UNDERSTANDING MACHINE LEARNING – From Theory to
Algorithms).
Dentre as diversas
tecnologias vamos utilizar a técnica baseada em aprendizado por Árvore de
Decisão, que construí modelos de classificação em forma de estruturas. Uma
estrutura semelhante a uma árvore, de onde podem ser extraído conjunto de
regras, e são facilmente interpretáveis, e rapidamente que condições levaram á
árvore tomar determinada decisão (Elaine Fehrman, Evgeny M. Mirkes, Awaz K.
Muhammad, Vincent Egan, Alexander N. Gorban. The Five Factor
Model of personality and evaluation of drug consumption risk). E o algoritmo SVM (do inglês Support Vector
Machines). “As Máquinas de Vetores Suporte (SVM) constituem uma técnica de
aprendizado que vem recebendo grande atenção nos últimos anos”. (Hearst,
M. A. et al. (1998). Trends and controversies - support vector machines. IEEE Intelligent Systems, 13(4): 18–28). Que foram originalmente
propostas por Boser, Guyone Vapnikem 1992, e ganhando popularidade no final dos
anos 90. O suporte de Vector Machine (SVM) está entre as melhores máquinas de
aprendizado para problemas de classificação.
Há um crescente número de pessoas em todo o mundo que faz uso de drogas
psicoativas, pois o consumo dessas drogas pode ser feito de forma (lícita e ilícita).
O principal fator desta pesquisa é mostrar os riscos que todas as substâncias
consumidas de forma regular podem causa para cada individuo, indicando a sua
negatividade. A ideia é conscientizar o individuo que ao consumir drogas de
forma lícita ou ilícita, pode haver consequências drásticas a sua saúde, como
alteração de personalidade e ate a morte por uso excessivo dessas drogas. É
importante ressaltar que temos grandes problemas relacionados às drogas, por
exemplo, o trafico de drogas, a violência, doenças e a dependência química.
O desenvolvimento deste trabalho foi elaborado
conforme as seguintes etapas:
- Pesquisa sobre o consumo de drogas com
substancias psicoativas lícitas e ilícitas, seus efeitos no sistema
nervoso central e suas classificações.
- Estudo sobre o Aprendizado de Máquina que
é uma área de Inteligência Artificial (IA), com as técnicas: Aprendizado
por Árvore de Decisão e Suporte de Vector Machine (SVM).
- Coleta de dados
- Analise de dados empíricos
- Analise
dos Resultados
Na
pesquisa do trabalho, foi feito um estudo bibliográfico sobre o consumo de
drogas com substancias psicoativas (lícitas e ilícitas), e seus efeitos
referentes ao sistema nervoso central, identificando as drogas psicoativas
através de suas classificações existentes. A Classificação Chaloult (1971) foi
adaptada e atualizada segundo a Portaria nº 344/98-Anvisa e indica três tipos
de grupos existentes como: Drogas Estimulantes, Drogas Depressoras e Drogas
Perturbadoras da atividade do sistema nervoso central.
Um
estudo sobre Aprendizado de Máquina com as técnicas de aprendizado de Árvore de
Decisão e Suporte de Vector Machine (SVM), cujo objetivo é o desenvolvimento de
modelos computacionais que toma decisão baseado nas experiências e adquiri
conhecimento de forma automática.
A base
de dados foi extraída do UCI Machine Learning Repository. A pesquisa dessa
coleta de dados empíricos foi feito através de pesquisa online com pessoas
anônimas, com informações demográficas apenas de países da língua inglesa, a
personalidade de cada entrevistado e o tempo de consumo para cada tipo de
droga.
A
ciência empírica tem como objetivo estudar os fenômenos que ocorrem no mundo
real, que podem ser dividas em dois grupos: ciências naturais que estudam a natureza
e ciências sociais que estudam o ser humano e suas interações (Hempel, 1965).
Com base na descrição do objetivo do trabalho, que ele se classifica como
ciência empírica social.
Na analise dos
resultados faremos teste que mostrara uma avaliação de riscos em consumir
drogas com substancias psicoativas, indicando o efeito colateral no sistema
nervoso central e caracterizando as suas classificações para os grupos
existentes.
Nesta
pesquisa abordaremos uma metodologia, que propõe um modelo de Aprendizado de
Máquina baseado no algoritmo AD (Árvore de Decisão) e no SVM (Support de Vector
Machine). O objetivo deste estudo é avaliar o risco em se consumir a droga
Anfetamina de forma lícita e ilícita, com substancias psicoativas que agem no sistema
nervoso central (SNC).
Aprendizado
de Máquina
O aprendizado de máquina é um campo da ciência
da computação, que faz parte da área da Inteligência Artificial (IA), que
possui uma habilidade de construir modelos automatizados do comportamento
inteligente, a fim de complementar a inteligência humana, através de tarefas
que detectam experiências ou padrões que estão além da percepção humana.
Segundo Russell, Stuart; Norvig, Peter (2003), as tarefas de aprendizado de
máquina são tipicamente classificadas em três categorias amplas, tais como:
Aprendizado supervisionado, Aprendizagem não supervisionada, Aprendizagem por
reforço. O aprendizado abordado neste trabalho é o supervisionado. O
aprendizado supervisionado é apresentado por exemplos de entradas e as saídas
desejadas, como por um “professor”, o objetivo é aprender uma regra geral que
seja capaz de mapear as saídas corretas para futuras novas entradas não
previamente mostrada. Conforme mostram na figura 1 as representações de forma
simplificada.
Figura 1 - Indução de classificador em aprendizado
supervisionado
O modelo
de Aprendizado de máquina além de apresentar resultados bastante consistentes,
também pode apresentar em seu conjunto de dados de treinamento, os dois maiores
problemas que são:
- Overfitting: Segundo Mitchell (1997) fornece uma definição formal sobre o problema: “dada um modelo H, é dito que H causa overfitting no conjunto de dados de treinamento se existe uma segunda hipótese H’, em que a taxa de erros de H < H’, em relação aos dados de treinamento, mas a taxa de erros de H’ < H em relação ao conjunto total de dados”.
- Underfitting: Pode ser considerado um complemento ao problema de overfitting, ele não consegue identificar os padrões no próprio conjunto de dados de treinamento.
Árvore
de Decisão
Uma Árvore de Decisão é uma árvore
onde cada nó interno (não terminal) representa um teste ou decisão sobre o item
de dado considerado (Goebel & Gruenwald, 1999). O nó representa uma regra
de divisão para cada atributo específico, o atributo é fundamental para
construir uma árvore de decisão, pois é referido como classificador. O
algoritmo é simples, e utiliza método de classificação supervisionada com regra
de indução e apresenta resultados com priori. Neste estudo vamos utilizar o
padrão árvore de decisão, abaixo segue o gráfico:
Figura 2 - Arvore Decisão - Drug Anfetamina
O critério é gain ratio (razão de ganho) “normaliza” o ganho de
informação (Quinlan, 1993). Como mostra o exemplo abaixo da Figura 3:
Figura 3 - Critério Gain Ratio
O gain ratio (razão de ganho) possui duas
etapas: a primeira o ganho de informação é calculado para todos os atributos,
levando apenas os atributos com um desempenho menos tão bom ao ganho médio de
informação, o atributo que tiver melhor gain ratio (razão de ganho) é
selecionado. Outra técnica utilizada é a validação Cruzada que validação de
modelo para avaliar como os resultados de uma análise estatística serão generalizados
para um conjunto de dados independente (P. Dönmez, 2012). Esta técnica é
utilizada para calcular o modelo com uma precisão satisfatória, assim evitando
que o conjunto de dados sofra com os problemas de overfitting e underfitting.
Existem duas formas de se aplicar validação cruzada: o método de holdout e o
método de K-partições. Neste trabalho vamos utilizar o método de K-partições.
Segundo Witten e Frank (2000), testes extensivos em diversas bases de dados,
utilizando diversos algoritmos, identificaram o valor de k para identificar a
melhor margem de erro como sendo 10, também de forma randômica. Para avaliar a
técnica de Validação Cruzada será utilizada a Matriz de Confusão que avalia a
precisão do algoritmo. A Matriz Confusão mostra uma estimativa mais detalhada à
classificação. Conforme mostra na tabela 2 abaixo:
Tabela
2 - Conjunto de Classificação com Duas Classes-Alvos
Confusion
Matrix
|
|
True user
|
True no user
|
False user
|
False
no user
|
Support
Vector Machine
São modelos de aprendizado
supervisionado que analisam dados e padrões de reconhecimento, seus métodos são
usados para classificação e regressão. Neste trabalho iremos abordar o método
de classificação, que é uma tarefa comum no aprendizado de máquina, com o
objetivo de classificar os dados e informar a classe pertencente. No caso desta
base de dados seria classificar o tipo de droga para cada entrevistado como
“user” e “no user”. O SVM possui vários tipos de kernel, o que vamos utilizar
para analisar o ExampleSet é o kernel radial. O kernel radial tem funções muito
eficientes para interpolação e suavização de dados, nos problemas de
classificação possui um desempenho superior a outros kernel como: Linear e
Polynominal, e a sua vantagem é que não ficam presos aos mínimos locais.
Conforme a Figura 4, a Figura 5 e a tabela 3 abaixo mostram:
Figura 4 - Base de dados droga Anfetamina - Kernel
Radial
Figura 5 - Atributos da Droga Anfetamina - Peso e
modelo do Kernel.
Tabela 3 -
Atributos e Pesos
Atributos
|
Weight
|
Sensation Seeking
|
-4568316867499070
|
País (Real) = UK
|
2054073191658820
|
País (Real) = República da Irlanda
|
7211856500281960
|
País (Real) = Republica da Irlanda
|
-959651113310513
|
País (Real) = Outros
|
-4366900835930700
|
País (Real) = Nova Zelândia
|
21043781323782900
|
País (Real) = EUA
|
-2720732299295240
|
País (Real) = Canadá
|
-46243312536515300
|
País (Real) = Austrália
|
-15043734131469300
|
Openness to Experience
|
-31463741807601400
|
Neuroticismo
|
-14675346121588100
|
Impulsivity
|
-35489641640684600
|
Idade (Real) = mais 65 anos
|
1759437621720870
|
Idade (Real) = 55-64 anos
|
7173368074204830
|
Idade (Real) = 45-54 anos
|
5634185075409920
|
Idade (Real) = 35- 44 anos
|
6091382593587090
|
Idade (Real) = 25-34 anos
|
-9322960048188620
|
Idade (Real) = 18-24 anos
|
-4539274319535900
|
Gênero (Real) = Masculino
|
-1671687382241050
|
Gênero (Real) = Feminino
|
16734619972964900
|
Extraversion
|
60813797897962900
|
Etnia (Real) = Preto
|
19253366070204500
|
Etnia (Real) = Outros
|
-37221781659789800
|
Etnia (Real) = Misturado Branco / Preto
|
-4033382528629880
|
Etnia (Real) = Misto- Branco / Asiático
|
-6060440031751660
|
Etnia (Real) = Misto Preto / Asiático
|
7213812458598760
|
Etnia (Real) = Branco
|
-789519226441587
|
Etnia (Real) = Asiático
|
8899834398444780
|
Educação (Real) = faculdade ou
universidade sem diploma
|
-1196123896750860
|
Educação (Real) = Mestrado
|
1359108208818040
|
Educação (Real) = Grau universitário
|
3036530373392950
|
Educação (Real) = Escola aos 18 anos
|
-26643306872452700
|
Educação (Real) = Escola aos 17 anos
|
-812737953666565
|
Educação (Real) = Escola aos 16 anos
|
6655340850884240
|
Educação (Real) = Escola antes dos 16
anos
|
-59940090435951300
|
Educação (Real) = Doutorado
|
18205261353042900
|
Educação (Real) = Certificado / diploma
profissional
|
4796763127958710
|
Conscientiousness
|
26535957001464700
|
Agreeableness
|
2277117058541790
|
Na modelagem com
Árvore de Decisão, foi utilizada a validação cruzada (Cross Validation) com o
parâmetro “shuffled sampling” que embaralha e constrói subconjuntos aleatórios
do conjunto de dados, e são criados aleatoriamente subconjuntos.
Validação Cruzada (Cross Validation) é um operador e um subprocesso,
dentro desse subprocesso é dividido em duas (2) partes como: treinamento
(training) e teste (testing). Na parte treinamento vamos gerar uma árvore de
decisão (Decision Tree) e o nosso modelo de classificação para cada uma das 10
combinações do conjunto de treinamento. No teste vamos avaliar o modelo gerado,
e definir a avaliação desses modelos.
O
operador cria uma árvore de decisão, que cada nó representa uma regra de divisão
para um determinado atributo. Este método será usado para classificar os
valores pertencentes a suas classes, como critério do parâmetro vamos
selecionar gain ratio (razão de ganho) para testes com poucos valores, que
utiliza o ganho de informação relativo.
O operador Apply Model está sendo
utilizado para obter dados e aplicar o pré-processamento. O operador
Performance (Classification) avalia o desempenho do vetor de classificação,
pois o mesmo mostra uma lista de critérios de desempenho. Vamos utilizar para
avaliar esse desempenho os seguintes critérios: accuracy, kappa.
Support
Vector Machine (SVM)
Na modelagem do Support Vector Machine (SVM) foram analisados os tipos
de drogas para cada base de dados individual, sendo que cada base de dados foi
dividido em treinamento 60% e teste 40%, onde serão calculadas para avaliação
de desempenho do algoritmo Matriz de Confusão, accuracy e kappa.
O
operador Nominal to Numerical foi adicionado para alterar o tipo de atributos
não numérico para um tipo numérico. Outro operador adicionado é o Split Data
que utiliza a partição conforme é especificado, neste operador vamos embaralhar
as partições resultantes, com o critério Shuffled sampling que são escolhidos
amostragem aleatoriamente para gerar subconjuntos.
O operador Polynominal by Binominal
classification gera um modelo de classificação binominal para classes
diferentes, pois o operador SVM permite classificação apenas em label
binominal. O operador Support Vector Machine (SVM) para as tarefas de aprendizado
fornece um bom resultado, o parâmetro de critério utilizado Kernel radial.
Árvore
de Decisão
Conforme o resultado
da Figura 6 mostra o traço de personalidade Concientiousness
(Conscienciosidade) é o menos propenso a serem usuários da droga Anfetamina, e
o traço de personalidade Openness to Experience (Abertura à Experiência) é o
mais propenso a serem usuários da droga.
Figura 6 - Resultado Droga Anfetamina
No resultado abaixo mostra a Figura 7 com o valor de Confidence
(Confiança) do Gênero, e podemos observar que o Gênero “Masculino” é mais
propenso a ser usuário da droga Anfetamina.
Figura 7 - Resultado Confiança Gênero - (User/ No User)
Como mostra a Figura 8, o valor de Confidence (Confiança) referente à
idade dos usuários é mais propenso a pessoas com idade entre 18 a 24 anos para
serem usuários da droga Anfetamina, e menos propenso para pessoas de idade mais
de 65 anos.
Figura 8 - Resultado Confiança Idade - (User/ No User)
Figura 9 - Resultado Confiança País - (User/ No User)
Resultado
da acurácia e kappa
No
resultado final da validação do modelo de classificação mostra o percentual do
classificador e a matriz de confusão.
Accuracy: 62.34%
Kappa: 0.240
Matriz de Confusão:
True: User
No User
User: 506 307
No User: 403 669
Support
Vector Machine (SVM)
Figura 10 - Resultado de Usuários Droga Anfetamina
Resultado
do Desempenho do Vetor – Teste
No resultado final da validação do
classificador teste, obtivemos o percentual da acurácia, kappa e a matriz de
confusão.
Accuracy: 52.65%
Kappa: 0.046
Matriz de Confusão:
True: User
No User
User: 69 53
No User: 304 328
Resultado
do Desempenho do Vetor – Treino
No resultado final da validação
do classificador treino, obtivemos o percentual da acurácia, kappa e matriz de
confusão.
Accuracy: 99.20%
Kappa: 0.984
Matriz
de Confusão:
True: User
No User
User: 532 5
No
User: 4
590
Tipos
de Kernels utilizados no conjunto de dados
Na tabela 4 mostra os tipos de
kernels utilizados para validação do classificador e seus respectivos
resultados. Como podemos observar o kernel do tipo “Radial” obteve uma melhor
acurácia e kappa entre os kernels “Dot” e “Polynomial”.
Tabela 4 – SVM
- Tipos de Kernels
SVM
|
||
Kernels
|
Accuracy
|
Kappa
|
Radial
|
99.20%
|
0.984
|
Dot
|
70.91%
|
0.414
|
Polynomial
|
72.86%
|
0.453
|
Resultados das comparações com os algoritmos: Naive Bayes, Decision Tree
e SVM (Supporte Vector Machine).
No resultado final de comparação com os algoritmos de classificação,
utilizamos para validar o conjunto de dados os modelos “Naive Bayes”, “Decision
Tree” e “SVM”, o melhor validador do classificador é “Naive Bayes”, pois o
mesmo teve uma acurácia de 69% e um tempo menor, enquanto o classificador
“Decision Tree” e “SVM” percorreram mais tempo e com um percentual menor de
acurácia.
6. Conclusão
Para concluirmos este estudo definimos o método de Aprendizado de
Máquina, utilizando os algoritmos Arvore de Decisão e SVM (Support Vector
Machine). O primeiro método a ser utilizado foi a Árvore de Decisão e o segundo
o (SVM). O método arvore de Decisão obteve – se uma accuracy 63.24%, e podemos
concluir que este método não é muito viável, mesmo definindo os critérios como
“Gain Ratio”, tipo de amostragem “Shuffled Sampling” e números de dobras
(vezes) = 10, sendo utilizados para validação da classificação. O método SVM
(Support Vector Machine) obteve – se uma accuracy 99.20%, apresentando uma
técnica viável para o modelo de dados, definindo as funções de kernels Radial,
Dot e Polynomial utilizando para validação de classificação. O SVM possui
técnicas e ferramenta flexível para implementar em dados empíricos e não
linear.
7. Referencias Bibliográficas
A
base de dados sobre o consumo de drogas foi coletada através de cópia do
arquivo “drug_consumption.txt”-do-site https://archive.ics.uci.edu/ml/datasets/Drug+consumption+%28quantified%29
UNODC-(United-Nations-Office-on-Drugs-and-Crime).Disponível-em:
http://www.unodc.org/lpo-brazil/pt/drogas/relatorio-mundial-sobre-drogas.html
Acessado em 27 de Janeiro de 2018.
E.
Fehrman, AK Muhammad, EM Mirkes, V. Egan e AN Gorban, "O modelo de cinco
fator de personalidade e avaliação do risco de consumo de drogas", arXiv
[Web Link], 2015.
Adrian, M. (2003).
How can sociological theory help our understanding of addictions. Substance Use
and Misuse, 38(10), 1385–1423.
Hearst, M. A. et
al. (1998). Trends and controversies - support vector machines. (IEEE Intelligent
Systems, 13(4): 18–28.).
Kearns
M, Mansour Y. On the boosting ability of top-down decision tree learning
algorithms. Journal of Computer and System Sciences. 1999; 58(1):109–128.
Simon, Phil (2013). Too Big to Ignore: The Business Case for Big Data
Shai Shalev-Shwartz and Shai Ben-David (2014). MACHINE
LEARNING, From Theory to Algorithms.
Russell, Stuart; Norvig, Peter (2003) [1995]. Artificial
Intelligence: A Modern Approach (2nd ed.). Prentice Hall. ISBN
978-0137903955
Lorena, Ana C. de Carvalho, A.C.P.L.F. Uma
Introdução às Support Vector Machines - Revista de Informática Teórica e
Aplicada. 2007; 14(2); 43–67.
Goebel,
M. Gruenwald, L. (1999). A Survey of Data Mining and Knowledge Discovery
Software
Tools. ACM SIGKDD Explorations, New York, v. 1, no. 1, p. 20-33.
MITCHELL,
T. Machine Learning. New York, NY: McGraw-Hill, 1997. ISBN
0-07-042807-7.
Quinlan, J. R., (1986). Induction of Decision Trees.
Machine Learning 1: 81-106, Kluwer Academic Publishers
Quinlan JR (1993) C4.5: programs for machine learning
Morgan Kaufmann San Mateo
WITTEN,
I. H.; FRANK, E. Data Mining: Practical Machine Learning Tools and 38
Techniques with
Java Implementations. 2nd. ed. San Francisco, CA: Morgan Kaufmann, 2000. ISBN 0-12-088407-0.
Faculdade de Medicina do Porto. Disponível em https://users.med.up.pt/~joakim/intromed/estatisticakappa.htm
Acessado em 27 De Maio de 2018.
Filip De Fruyt, Robert R. McCrae, Zsófia Szirmák, János Nagy. The Five-Factor Personality Inventory as a Measure of the
Five-Factor Model. Belgian, American, and Hungarian Comparisons with the
NEO-PI-R, 2004.
Índice de desenvolvimento humano das Nações Unidas Programa de
Desenvolvimento (PNUD); dados sobre o ônus da doença (deficiência-anos de vida
ajustados) são do Instituto de Métricas de Saúde e Avaliação, Universidade
de-Washington,-GBD-Compare,-2015.-Disponível-em- https://nacoesunidas.org/agencia/pnud/,
http://vizhub.healthdata.org/gbd-compare
Rokach
L., Maimon O. (2005) Decision Trees. In: Maimon O., Rokach L. (eds) Data Mining
and Knowledge Discovery Handbook. Springer,
Boston, MA . Disponível em: https://doi.org/10.1007/0-387-25465-X_9
Revista de Informática Teórica e Aplicada (Lorena, Ana C. de Carvalho,
A.C.P.L.F., 2007).
Retirado do mercado brasileiro, mas encontrado no Brasil graças à
importação ilegal de outros países sul-americanos. Nos USA cada vez mais usado
sob o nome de ICE. Tabela – Nomes comerciais de alguns medicamentos à
base de drogas do tipo anfetamina, vendidos no Brasil. Dados obtidos do
Dicionário de Especialidades Farmacêuticas – DEF – ano 1996/1997. Disponível
em: https://www.ice.gov/