Aprendizado de Máquina para Saúde
Da pergunta clínica ao impacto no cuidado
Comecemos pela pergunta que orienta a disciplina
O que precisa acontecer entre um modelo que “funciona” e uma solução que realmente melhora o cuidado em saúde?
Pergunta clínica
Uma decisão real, para uma população real.
→
Evidência
Dados, desenho, validação e incerteza.
→
Cuidado
Fluxo de trabalho, segurança e impacto.
Ao longo do semestre, não perguntaremos apenas “qual algoritmo usar?”, mas qual problema vale resolver — e como saberemos que o resolvemos bem?
A disciplina em uma frase
Aprender a construir, avaliar e comunicar soluções de IA em saúde sem separar o desempenho técnico da validade clínica, da implementação e da responsabilidade.
01
Computacional
Como o modelo aprende?
02
Clínica
Que decisão ele informa?
03
Epidemiológica
Que evidência sustenta a conclusão?
04
Sociotécnica
Como pessoas e instituições o usarão?
Antes do conteúdo: quem está nesta sala?
DOCENTE
Prof. Flávio Luiz Seixas
Formação: D.Sc. em Ciência da Computação
Pesquisa: IA aplicada à saúde, apoio à decisão e processamento de imagens e sinais biomédicos
Experiência: Professor do IC/UFF, com atuação interdisciplinar em Computação e Saúde
Pesquisa em sistemas de apoio à decisão para predição de demência.
Pergunta de pesquisa: como transformar desempenho computacional em decisão clínica útil?
CONTATO E CONVERSA
E-mail: fseixas@ic.uff.br
Página: Perfil no IC/UFF
Escaneie para enviar um e-mail
Agora, cada pessoa em 90 segundos
1
Quem é você?
Formação, atuação e contexto.
2
Que problema o mobiliza?
Uma situação de saúde que gostaria de compreender ou transformar.
3
Que repertório traz?
Clínica, dados, software, gestão, pesquisa ou experiência vivida.
4
O que espera levar?
Uma habilidade, pergunta ou projeto.
90 s por pessoa · escuta ativa · uma palavra-chave registrada no quadro
Vamos construir o mapa de interesses da turma
Dados clínicos
EHR · imagens · sinais · texto · ômicas
Problemas
Triagem · diagnóstico · prognóstico · tratamento
Métodos
ML clássico · deep learning · NLP · causalidade
Impacto
Equidade · segurança · implementação · políticas
Dinâmica: cada pessoa posiciona seu nome em dois quadrantes e completa:
“Quero investigar ______ porque ______.”
Onde já há afinidades para projetos — e onde a diversidade da turma pode produzir perguntas melhores?
Nosso contrato para aprender em conjunto
Rigor sem fetiche pelo algoritmo
Método serve à pergunta — não o contrário.
Crítica sem paralisia
Reconhecer riscos para projetar alternativas melhores.
Interdisciplinaridade real
Traduzir termos, explicitar pressupostos e dividir decisões.
Cuidado com pessoas e dados
Privacidade, equidade e segurança desde a formulação.
O que precisamos acrescentar para que todos consigam participar, perguntar e aprender?
A ementa, vista como um ciclo de vida
1 Definir
problema · população · decisão
2 Compreender
dados · qualidade · interoperabilidade
3 Modelar
predição · representação · causalidade
4 Validar
discriminação · calibração · subgrupos
5 Implementar
fluxo · usabilidade · avaliação clínica
6 Governar
monitoramento · equidade · regulação
O modelo é uma etapa. A unidade de análise da disciplina é a solução em seu contexto de uso.
Nosso objetivo ao final do percurso
Capacitar estudantes a compreender, desenvolver, avaliar criticamente e comunicar soluções de aprendizado de máquina para problemas de saúde.
Formular
Traduzir uma necessidade de saúde em uma pergunta investigável.
Construir
Escolher dados, métodos e avaliações coerentes com a pergunta.
Criticar
Reconhecer vieses, incertezas, riscos e limites de generalização.
Comunicar
Explicar evidências e decisões para públicos interdisciplinares.
Implementar
Considerar fluxo de trabalho, segurança, regulação e viabilidade.
Responder
Antecipar impacto, equidade, monitoramento e responsabilidade.
O percurso em cinco módulos
16 encontros · sextas-feiras · 14h–18h · datas específicas conforme o calendário acadêmico de 2026.2
1
Fundamentos + dados
Encontros 1–3
2
Estudos + ML clássico
Encontros 4–6
3
Deep learning + NLP
Encontros 7–10
4
Causalidade + decisão
Encontros 11–13
5
Ética + regulação
Encontros 14–16
A sequência acompanha o ciclo de vida: começamos pela representação do problema, avançamos pelos métodos e terminamos nas condições de uso responsável.
Módulo 1 · Fundamentos e ecossistema de dados
01
Evolução da IA na saúde
Sistemas especialistas, aprendizado estatístico, deep learning e IA generativa.
02
Tipos de dados clínicos e qualidade
EHR, imagens, sinais, texto, ômicas, missingness, seleção e leakage.
Módulo 2 · Desenho de estudos e ML clássico
04
Formulação do problema e ciclo de vida
População, desfecho, labeling, janelas e particionamento temporal.
06
ML supervisionado e não supervisionado
Regressão, árvores, ensembles, SVM, clustering e redução de dimensionalidade.
Como distinguir um modelo que reconhece padrões de um modelo que aprendeu atalhos do conjunto de dados?
Módulo 3 · Aprendizado profundo e linguagem
Módulo 4 · Tempo, causalidade e decisão
13
Apoio à decisão e implementação
Integração ao EHR, fadiga de alertas, usabilidade e interação humano–IA.
Quando uma boa predição muda uma decisão — e quando apenas acrescenta informação ao fluxo?
Módulo 5 · Ética, regulação e prática profissional
14
Explicabilidade, equidade e privacidade
SHAP, LIME, Grad-CAM, viés algorítmico, LGPD e segurança.
16
Futuro da medicina + projetos finais
Gêmeos digitais, IA generativa personalizada e apresentação dos projetos.
Como vamos trabalhar
↗
Aulas dialogadas
Conceitos apresentados a partir de decisões e casos.
⌁
Estudos de caso
Leitura crítica de soluções reais e de suas evidências.
⚙
Laboratórios
Dados públicos ou sintéticos, com atenção ao desenho do estudo.
◎
Projeto final
Problema interdisciplinar desenvolvido e comunicado ao longo do semestre.
O produto do semestre não é apenas um modelo: é um argumento técnico e clínico verificável sobre seu uso.
Avaliação: evidências de aprendizagem
01
Participação e discussão
Perguntas, contrapontos e contribuição para a aprendizagem coletiva.
02
Trabalhos práticos e relatórios
Capacidade de formular, analisar, justificar e comunicar escolhas.
03
Projeto final + apresentação
Integração entre problema, método, evidência, risco e implementação.
Os pesos, entregas e critérios detalhados podem ser pactuados e registrados aqui após a apresentação do plano de avaliação.
Bibliografia: três camadas de leitura
FUNDAMENTOS
James et al.
An Introduction to Statistical Learning with Applications in Python (2023).
Shortliffe & Cimino
Biomedical Informatics (2021).
DADOS E EVIDÊNCIA
Benson & Grieve
Principles of Health Interoperability (2021).
Hernán & Robins
Causal Inference: What If (2020).
PRÁTICA RESPONSÁVEL
WHO
Ethics and Governance of AI for Health (2021).
Collins et al.
TRIPOD+AI Statement (2024).
Leituras que atravessam o semestre
Fundamentos e aplicações
- Shortliffe, E. H.; Cimino, J. J. (eds.). Biomedical Informatics. 5. ed., 2021.
- James, G. et al. An Introduction to Statistical Learning: with Applications in Python, 2023.
- Rajkomar, A.; Dean, J.; Kohane, I. Machine Learning in Medicine. NEJM, 2019.
- Hernán, M. A.; Robins, J. M. Causal Inference: What If, 2020.
Governança, regulação e relato
- World Health Organization. Ethics and governance of artificial intelligence for health, 2021.
- Collins, G. S. et al. TRIPOD+AI statement. BMJ, 2024.
- ANVISA. RDC nº 657/2022 — Software como Dispositivo Médico.
- Liu, X. et al. CONSORT-AI; Cruz Rivera, S. et al. SPIRIT-AI; Vasey, B. et al. DECIDE-AI.
Para sair desta apresentação com uma pergunta melhor
Que problema de saúde você gostaria de investigar — e que evidência faria você mudar de ideia sobre a solução?
1 · Escolha
um problema que importa.
2 · Encontre
alguém com repertório diferente.
3 · Formule
uma primeira pergunta investigável.
Fontes desta apresentação
- Ementa, objetivo, metodologia, avaliação e bibliografia:
Ementa/aprendizado de máquina para saúde.md. - Organização dos módulos e encontros:
Aulas/encontro-0/plano-geral.md. - A síntese e a organização visual foram preparadas para esta apresentação; consulte os documentos-fonte para a redação integral.
Aprendizado de Máquina para Saúde · Visão geral da disciplina