Aprendizado de máquina na saúde

De Flavio Luiz Seixas
Ir para navegação Ir para pesquisar

Logística

  • Disciplina:
    • Tópicos Avançados em Ciência da Computação IV (Aprendizado de Máquina na Saúde)
    • TCC00367 – Introdução ao Aprendizado de Máquina para Saúde
  • Período: 2025.2
  • Data: sextas-feiras, 14h-18h
  • Sala: 217
  • Google Classroom: --

Objetivo

Discutir e compreender os conceitos, métodos e aplicações do aprendizado de máquina na saúde, e os desafios da análise de dados clínicos, considerando a sua heterogeneidade e os aspectos legais e éticos da saúde, e de proteção à privacidade dos pacientes. Dentre os tópicos na disciplina, incluem:

  • Desafios da heterogeneidade dos dados clínicos;
  • Aplicações do aprendizado de máquina para:
    • Estratificação de risco;
    • Auxílio aos processos de triagem e raciocínio diagnóstico;
    • Modelagem da progressão da doença (prognóstico);
    • Avaliação do tratamento;
    • Auxílio aos processos de reabilitação do paciente.

Ementa

A disciplina trata dos conceitos, métodos e aplicações do aprendizado de máquina na saúde, incluindo o uso de modelos supervisionados, não supervisionados, por reforço e de aprendizado profundo em aplicações voltadas a triagem, diagnóstico, tratamento, reabilitação e bem-estar dos pacientes. Inclui tópicos sobre a estratificação de risco, modelagem do progresso de doenças e aplicações para o auxílio ao diagnóstico baseado em imagens e ao prognóstico de doenças, considerando os aspectos legais e éticos da saúde, e a proteção à privacidade dos dados dos pacientes.

Tópicos abordados

  • Redes Bayesianas;
  • Causalidade;
  • Séries temporais e sinais fisiológicos;
  • Imagens médicas;
  • Processamento em linguagem natural (PNL);
  • Aprendizado profundo;
  • Interpretabilidade;
  • Interoperabilidade;
  • Automatização de diretrizes clínicas;
  • Aprendizado por transferência;
  • Fairness;
  • Ética.

Avaliação

  • Apresentação de artigos científicos. Peso: 2. Entrega: apresentação + slides + resumo de até 2 páginas.
  • Atividades Práticas. Peso: 2. Entrega: arquivo Jupyter Notebook ou R Markdown documentado.
  • Hackathon Interdisciplinar. Peso: 2. Entrega: pitch final de 5 minutos + notebook.
  • Projeto de Aplicação. Peso: 4. Entrega: relatório final (máx. 12 páginas) no formato de artigo científico;
    • Código e/ou notebook comentado;
    • Apresentação oral (15 minutos + 5 de perguntas).

Implementação

Cronograma

Data Aula / Atividade Conteúdo Formato Observações / Entregas
22/08/2025 Aula 1 O que torna os sistemas de saúde únicos? Aula expositiva + discussão de caso Estudo de caso: impacto de modelos de risco na triagem de pacientes
29/08/2025 Nivelamento – Parte 1 Introdução a Python e Jupyter Notebook; Estatística básica; Fundamentos de ML Aula prática + Colab Notebooks compartilhados
05/09/2025 Nivelamento – Parte 2 Conceitos básicos de dados clínicos; LGPD na saúde; Exemplos de datasets públicos Aula prática Uso do MIMIC-III, PhysioNet e OpenEHR para demonstração
12/09/2025 Aula 2 + Atividade 1 Análise exploratória de dados clínicos; Regressão logística aplicada Aula interativa Atividade: prever risco de internação usando dataset simplificado
19/09/2025 Aula 3 Características da área clínica e fluxos de trabalho
Definição do tema do projeto de aplicação (proposta inicial) 		Aula interativa Formação das equipes e definição do tema do Projeto de Aplicação
26/09/2025 Aula 4 + Atividade 2 Aprendizado supervisionado e não supervisionado; Clusterização Aula prática Clusterização de perfis de pacientes crônicos
03/10/2025 Revisão + Estudo de Caso Revisão de ML + caso clínico de estratificação de risco
Apresentação de artigo científico 		Aula prática Preparação para hackathon
10/10/2025 Hackathon Interdisciplinar – Dia 1 Montagem de equipes, definição do problema, análise exploratória Prototipagem rápida de soluções Problemas sugeridos pelos alunos
17/10/2025 Hackathon Interdisciplinar – Dia 2 Desenvolvimento de modelos, avaliação inicial e discussão Prototipagem rápida de soluções Entrega parcial do protótipo
24/10/2025 Aula 5 + Atividade 3 Modelos de sobrevivência e prognóstico
Apresentação de artigo científico 		Aula prática Uso de dados de acompanhamento para prever tempo até evento
31/10/2025 Aula 6 Séries temporais e sinais fisiológicos Aula prática Previsão de eventos cardíacos com ECG
07/11/2025 Aula 7 Processamento de Linguagem Natural (PNL) aplicado à saúde Aula prática Extração de informações de laudos médicos
14/11/2025 Aula 8 + Atividade 4 Inferência causal na saúde Aula prática Uso de DAGs para analisar impacto de tratamentos
21/11/2025 Aula 9 + Atividade 5 Aprendizado por reforço aplicado à saúde Aula prática Política ótima de tratamento em UTI (simulação)
28/11/2025 Aula 10 Interpretabilidade, fairness e explicabilidade de modelos clínicos Aula prática SHAP e Grad-CAM em imagens médicas
05/12/2025 Apresentações – Parte 1 Apresentação dos Projetos de Aplicação – Equipes 1 a 4 Seminário Discussão coletiva de resultados preliminares
12/12/2025 Apresentações – Parte 2 Apresentação dos Projetos de Aplicação – Equipes 5 a 8 Seminário Discussão coletiva de resultados preliminares


Referências

Tema Referência
Dados clínicos
  • Agniel, Denis, Isaac Kohane, and Griffin Weber. "Biases in Electronic Health Record Data Due to Processes Within the Healthcare System: Retrospective Observational Study." BMJ, 2018.
  • Eapen, Bell Raj, et al. "FHIRForm: An Open-Source Framework for the Management of Electronic Forms in Healthcare." ITCH. 2019.
  • Ulriksen, Gro-Hilde, Rune Pedersen, and Gunnar Ellingsen. "Infrastructuring in healthcare through the openEHR architecture." Computer Supported Cooperative Work (CSCW) 26.1-2 (2017): 33-69.
Estratificação de riscos
  • Razavian, Narges, Saul Blecker, et al. "Population-Level Prediction of Type 2 Diabetes From Claims Data and Analysis of Risk Factors." Big Data 3, no. 4 (2015): 277–87.
  • Pozen, Michael, Ralph D'Agostino, et al. "A Predictive Instrument to Improve Coronary-Care-Unit Admission Practices in Acute Ischemic Heart Disease." New England Journal of Medicine 310, no. 20 (1984): 1273–78.
  • Futoma, Joseph, Sanjay Hariharan, et al. "An Improved Multi-Output Gaussian Process RNN With Real-Time Validation for Early Sepsis Detection." arXiv preprint arXiv:1708.05894 (2017).
  • Caruana, Rich, Yin Lou, et al. "Intelligible Models for HealthCare." Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD 15, 2015.
  • Rodríguez, G. (2007). "Chapter 7: Survival Models." In Lecture Notes on Generalized Linear Models.
Séries temporais
  • Quinn, J.A., C.K.I. Williams, and N. Mcintosh. "Factorial Switching Linear Dynamical Systems Applied to Physiological Condition Monitoring." IEEE Transactions on Pattern Analysis and Machine Intelligence 31, no. 9 (2009): 1537–51.
  • Hannun, Awni, Pranav Rajpurkar, et al. "Cardiologist-Level Arrhythmia Detection and Classification in Ambulatory Electrocardiograms Using a Deep Neural Network." Nature Medicine 25, no. 3 (2019): 65–69.
Processamento de Linguagem Natural (PLN)
  • Leaman, Robert, Ritu Khare, and Zhiyong Lu. "Challenges in Clinical Natural Language Processing for Automated Disorder Normalization." Journal of Biomedical Informatics 57 (2015): 28–37.
Diagnóstico Diferencial
  • Rotmensch, Maya, Yoni Halpern, et al. "Learning a Health Knowledge Graph from Electronic Medical Records." Scientific Reports 7, no. 1 (2017): 5994.
Inferência Causal
  • Hernán MA, Robins JM. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC, forthcoming. Chapter 1. 2019.
Aprendizado por Reforço
  • Komorowski, Matthieu, Leo Celi, et al. "The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care." Nature Medicine 24, no. 11 (2018): 1716.
  • Gottesman, Omer, et al. "Evaluating reinforcement learning algorithms in observational health settings." arXiv preprint arXiv:1805.12298 (2018).
  • Yu, Chao, et al. "Reinforcement learning in healthcare: A survey." ACM Computing Surveys (CSUR) 55.1 (2021): 1-36.
Progressão de Doenças
  • Schulam, Peter, and Suchi Saria. "Integrative Analysis Using Coupled Latent Variable Models for Individualizing Prognoses." The Journal of Machine Learning Research 17, no. 232 (2016): 1–35.
  • Young, Alexandra, Razvan Marinescu, et al. "Uncovering the Heterogeneity and Temporal Complexity of Neurodegenerative Diseases with Subtype and Stage Inference." Nature Communications 9, no. 1 (2018): 4273.
Automatização de workflows clínicos
  • Zhang, Yiye, Rema Padman, and Nirav Patel. "Paving the COWpath: Learning and Visualizing Clinical Pathways from Electronic Health Record Data." Journal of Biomedical Informatics 58 (2015): 186–97.
  • Gawande, Atul. "A Life-Saving Checklist." The New Yorker. The New Yorker, December 3, 2007
Medicina de Precisão
  • Udler, Miriam S., Jaegil Kim, et al. "Type 2 Diabetes Genetic Loci Informed by Multi-Trait Associations Point to Disease Mechanisms and Subtypes: A Soft Clustering Analysis." PLoS Medicine 15, no. 9 (2018): e1002654.
Redes Bayesianas
  • Kyrimi, Evangelia, et al. "A comprehensive scoping review of bayesian networks in healthcare: Past, present and future." arXiv preprint arXiv:2002.08627 (2020).
  • Velikova, Marina, et al. "Exploiting causal functional relationships in Bayesian network modelling for personalised healthcare." International Journal of Approximate Reasoning 55.1 (2014): 59-73.
  • Seixas, Flávio Luiz, et al. "A Bayesian network decision model for supporting the diagnosis of dementia, Alzheimer׳ s disease and mild cognitive impairment." Computers in biology and medicine 51 (2014): 140-158.

Revistas e conferências relacionadas

Revistas e conferências relacionadas à computação aplicada à saúde

Bibliografia

  • AGRESTI, Alan, An Introduction to Categorical Data Analysis, Wiley Series in Probability and Statistics, 3rd edition, 2019.
  • BENSON, T.; GRIEVE, G. Principles of Health Interoperability. 4o ed. Springer, 2016.
  • BERNER, Eta S., Clinical Decision Support System: Theory and Practice, Springer-Verlag New York, Second Edition, 2007.
  • BRAUNSTEIN, Mark L., Health Informatics on FHIR: How HL7's New API is Transforming Healthcare, 2018
  • GEISS, Linda S. et al. Prevalence and incidence trends for diagnosed diabetes among adults aged 20 to 79 years, United States, 1980-2012. Jama, v. 312, n. 12, p. 1218-1226, 2014.
  • KORB, K. B.; NICHOLSON, A. E. Bayesian artificial intelligence. Clayton, Victoria, Australia: Chapman & Hall/CRC, 2004.
  • PANESAR, Arjun, Machine Learning and AI for Healthcare: Big Data for Improved Health Outcomes, Apress, 2019.
  • PEARL, Judea. Causal inference in statistics: An overview. Statistics surveys, v. 3, p. 96-146, 2009.
  • SHORTLIFFE, E. H., CIMINO, J. E., Biomedical Informatics: Computer Applications in Health Care and Biomedicine, Forth Edition, Springer, 2014.
  • WANG, Ping; LI, Yan; REDDY, Chandan K. Machine learning for survival analysis: A survey. ACM Computing Surveys (CSUR), v. 51, n. 6, p. 1-36, 2019.

Programação:

  • CRAWLEY, Michael J. The R book. John Wiley & Sons, 2012.
  • NAGARAJAN, Radhakrishnan; SCUTARI, Marco; LÈBRE, Sophie. Bayesian networks in R. Springer, v. 122, p. 125-127, 2013.
Disponível em "http://www.ic.uff.br/~fseixas/index.php?title=Aprendizado_de_máquina_na_saúde&oldid=1044"