Exibir código-fonte para Aprendizado de máquina na saúde - 2023.1

== Logística ==
* ''Disciplina:'' Aprendizado de Máquina na Saúde
* ''Período:'' 2023.1
* ''Data:'' quintas-feiras, 18h-22h
* ''Sala:'' 317
* ''Google Classroom:'' 33y3ton

== 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 ==
* Análise e apresentação de artigos. ''Peso: 4.''
* Apresentação e documentação do Projeto de Aplicação. ''Peso: 4.''
* Outros. ''Peso: 2.''

== Implementação ==
* [https://www.python.org/ Python].
* [https://cran.r-project.org/ R].
* Matlab'''®'''.
* [[Bases de dados da saúde|Lista de bases de dados públicas da saúde]].

== Cronograma ==
{| class="wikitable"
! Data !! Conteúdo
|-
|| 06/04/2023
||
Apresentação da disciplina
<br>Contexto da inteligência artificial e aprendizado de máquina na saúde
<br>'''Atividade 1:''' Análise exploratória dos dados
|-
|| 13/04/2023
||
Características da área clínica - 1/2
<br>'''Atividade 2:''' Regressão linear
|-
|| 20/04/2023
||
Características da área clínica - 2/2
<br>'''Atividade 3:''' Regressão logística
|-
|| 27/04/2023
||
'''Projeto de aplicação:''' apresentação do problema e indicação das técnicas de aprendizado de máquina
|-
|| 04/05/2023
||
Revisão de modelos de regressão e correção das atividades 1 a 3.
<br>'''Atividade 4:''' Regressão Poisson
|| 
|-
|| 11/05/2023
||
Mergulhando nos dados da saúde
|-
|| 18/05/2023
||
'''Apresentação do Artigo 1''' - 1/2
|-
|| 25/05/2023
||
'''Apresentação do Artigo 1''' - 2/2
|-
|| 01/06/2023
||
Estratificação de riscos
|-
|| 08/06/2023
||
''Feriado: Corpus Christi''
|-
|| 15/06/2023
||
'''Apresentação do Artigo 2'''
|-
|| 22/06/2023
||
Modelos de sobrevivência
<br>'''Atividade 5:''' Modelos de sobrevivência
<!--<br>'''Palestra 5:''' Sistemas de apoio à decisão clínica - Flávio Seixas-->
|-
|| 29/06/2023
||
Inferência causal
<br>'''Atividade 6:''' Inferência causal
<!-- <br>Diagnóstico diferencial -->
|-
|| 06/07/2023
||
Correção das atividades 5 e 6
<br>'''Apresentação do Projeto de Aplicação''' - 1/2
|-
|| 13/07/2023
||
'''Apresentação do Projeto de Aplicação''' - 2/2
<!-- Noções e aplicações do aprendizado por reforço na saúde -->
|-
|}

== Referências ==
{| class="wikitable"
! 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.
<!--* PEARL, Judea; MACKENZIE, Dana. The book of why: the new science of cause and effect. Basic books, 2018.-->
* 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.