Introdução ao Aprendizado de Máquina para Saúde

Visão geral

A disciplina integra computação, medicina, epidemiologia e informática em saúde no estudo do ciclo de vida de soluções de inteligência artificial. Abrange definição do problema clínico, qualidade e interoperabilidade dos dados, modelagem, validação, interpretação, avaliação clínica, implementação, monitoramento e governança, com discussão crítica de vieses, equidade, privacidade, segurança e regulação.

Objetivo

Capacitar estudantes a compreender, desenvolver, avaliar criticamente e comunicar soluções de aprendizado de máquina para problemas de saúde, considerando desempenho técnico, validade clínica, riscos, viabilidade de implementação, aspectos éticos e regulatórios e impacto no cuidado ao paciente.

Conteúdo programático

1. Fundamentos de IA e aprendizado de máquina em saúde: evolução histórica; predição, diagnóstico, prognóstico, triagem, recomendação e decisão clínica.
2. Dados clínicos, qualidade e interoperabilidade: EHR, imagens, sinais, notas clínicas, dados ômicos, determinantes sociais, missingness, leakage, governança, HL7 FHIR, OMOP, LOINC e SNOMED CT.
3. Desenho de estudos e ciclo de vida de modelos: população, desfecho, janelas temporais, particionamento, validação, calibração, curvas ROC/PR, curvas de decisão e subgrupos.
4. Aprendizado supervisionado e não supervisionado: classificação, regressão, árvores, ensembles, SVM, redes neurais, clustering, redução de dimensionalidade e fenotipagem.
5. Aprendizado profundo para dados biomédicos: redes convolucionais e transformers para imagens, sinais e séries temporais; transferência de aprendizado e avaliação por paciente e instituição.
6. NLP biomédico, modelos de linguagem e multimodais: extração de informação, embeddings, transformers, sumarização, RAG, alucinação, segurança, privacidade e uso responsável.
7. Sobrevivência, inferência causal e evidência do mundo real: riscos competitivos, censura, ensaios-alvo, confundimento, DAGs, propensity score e limites dos dados observacionais.
8. Apoio à decisão clínica e implementação: integração ao fluxo de trabalho, usabilidade, fadiga de alertas, interação humano-IA, segurança do paciente e avaliação prospectiva.
9. Explicabilidade, equidade, privacidade e segurança: SHAP/LIME, saliency, viés algorítmico, LGPD, anonimização, robustez e explicações clinicamente úteis.
10. Regulação, relato científico e monitoramento: SaMD, RDC ANVISA 657/2022, FDA, TRIPOD+AI, CONSORT-AI, SPIRIT-AI, DECIDE-AI, drift, MLOps e governança contínua.

Metodologia

Aulas integradas a seminários, análise de estudos de caso reais e desenvolvimento de um miniprojeto prático com bases como MIMIC-IV, PhysioNet, imagens públicas ou dados sintéticos quando houver restrição ética.

Avaliação

A avaliação considera participação nas aulas e discussões, trabalhos práticos e relatórios, além do projeto final e de sua apresentação.

Referências

• SHORTLIFFE, Edward H.; CIMINO, James J. (eds.). Biomedical Informatics: Computer Applications in Health Care and Biomedicine. 5. ed. Cham: Springer, 2021.
• BENSON, Tim; GRIEVE, Grahame. Principles of Health Interoperability: FHIR, HL7 and SNOMED CT. 4. ed. Cham: Springer, 2021.
• JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; TIBSHIRANI, Robert; TAYLOR, Jonathan. An Introduction to Statistical Learning: with Applications in Python. Cham: Springer, 2023.
• RAJKOMAR, Alvin; DEAN, Jeffrey; KOHANE, Isaac. Machine Learning in Medicine. New England Journal of Medicine, v. 380, n. 14, p. 1347-1358, 2019.
• HERNÁN, Miguel A.; ROBINS, James M. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC, 2020.
• COLLINS, Gary S. et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, v. 385, e078378, 2024.
• WORLD HEALTH ORGANIZATION. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: WHO, 2021.
• AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA. Resolução da Diretoria Colegiada — RDC nº 657, de 24 de março de 2022. Brasília: ANVISA, 2022.
• AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA. Software como Dispositivo Médico: Perguntas e Respostas — RDC 657/2022. Brasília: ANVISA, 2022.
• FOOD AND DRUG ADMINISTRATION. Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions. Silver Spring: FDA, 2025.
• LIU, Xiaoxuan et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nature Medicine, v. 26, p. 1364-1374, 2020.
• CRUZ RIVERA, Samantha et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nature Medicine, v. 26, p. 1351-1363, 2020.
• VASEY, Baptiste et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nature Medicine, v. 28, p. 924-933, 2022.
• WORLD HEALTH ORGANIZATION. Ethics and governance of artificial intelligence for health: guidance on large multi-modal models. Geneva: WHO, 2024.
• TOPOL, Eric J. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. New York: Basic Books, 2019.
• WANG, Ping; LI, Yan; REDDY, Chandan K. Machine learning for survival analysis: a survey. ACM Computing Surveys, v. 51, n. 6, p. 1-36, 2019.
• BEAM, Andrew L.; KOHANE, Isaac S. Big Data and Machine Learning in Health Care. JAMA, v. 319, n. 13, p. 1317-1318, 2018.
• AGRESTI, Alan. An Introduction to Categorical Data Analysis. 3. ed. Hoboken: Wiley, 2019.
• PANESAR, Arjun. Machine Learning and AI for Healthcare: Big Data for Improved Health Outcomes. Berkeley: Apress, 2019.
• BERNER, Eta S. Clinical Decision Support Systems: Theory and Practice. 2. ed. New York: Springer, 2007.