Interoperabilidade: a Pedra de Roseta da Saúde Digital

Como padrões transformam registros locais em inteligência clínica compartilhável

Aprendizado de Máquina para Saúde — Pós-graduação

Abertura: o efeito Babel nos hospitais

Mensagem central: muitos sistemas de saúde ainda se comportam como pequenas cidades muradas: cada serviço registra, codifica e exporta dados em sua própria língua.

Isso não é só um incômodo técnico. Quando a mesma condição aparece como IAM, “infarto”, “ataque cardíaco”, CID, SNOMED ou texto livre, a máquina não sabe automaticamente que está diante de variações do mesmo conceito.

Exemplo aplicado: um algoritmo treinado para identificar infarto em um hospital pode falhar em outro porque o desfecho foi registrado com outro código, outra abreviação ou em outra parte do prontuário.

Sugestão visual: usar a Torre de Babel como metáfora inicial e, ao lado, uma nuvem de termos clínicos conflitantes.

Se um médico pode ter dificuldade para entender a anotação de outro serviço, o que exatamente esperamos que uma máquina aprenda de múltiplos hospitais?

Imagem: Pieter Bruegel, The Tower of Babel, domínio público, Wikimedia Commons.

Hoje: transformar dado local em conhecimento reutilizável

Mensagem central: interoperabilidade é a capacidade de sistemas trocarem dados e preservarem significado suficiente para cuidado, pesquisa, auditoria e aprendizado de máquina.

1 Babel clínica

Por que nomes iguais e diferentes confundem pessoas e algoritmos?

→

2 Dicionário

Como terminologias estabilizam significado?

→

3 Gramática

Como FHIR organiza a troca?

→

4 Pesquisa

Como OMOP permite análise multicêntrica?

Sugestão visual: mapa de percurso em quatro estações, como um pipeline entre cuidado local e estudo federado.

Qual etapa parece mais “técnica” — e qual delas mais depende de julgamento clínico?

A pilha de acordos

Mensagem central: interoperabilidade não é uma ferramenta única; é uma pilha de acordos sobre formato, significado, contexto e finalidade.

Um arquivo pode estar bem formado em JSON e ainda assim ser inútil para pesquisa se o campo “diagnóstico” não tiver um significado compartilhado. O oposto também vale: uma boa terminologia não resolve sozinha como transportar, autenticar e versionar os dados.

Exemplo aplicado: “creatinina = 1,8” só se torna comparável quando sabemos unidade, amostra, método, tempo, código do exame e contexto clínico.

Em seu projeto, qual camada tende a quebrar primeiro: sintaxe, semântica, governança ou uso?

Sintática vs. semântica: envelope e significado

Interoperabilidade sintática

Mensagem central: sistemas conseguem trocar uma mensagem legível por software.

JSON, XML, API REST, campos obrigatórios, tipos de dados e estrutura.

Exemplo: um servidor envia um recurso Observation em formato FHIR válido.

Interoperabilidade semântica

Mensagem central: sistemas interpretam o conteúdo de maneira consistente.

Códigos, unidades, terminologias, contexto e relações clínicas.

Exemplo: a observação usa LOINC para indicar que é creatinina sérica.

Sugestão visual: envelope fechado para sintaxe; lupa sobre o conteúdo para semântica.

Um dado “passar na validação FHIR” é suficiente para ser usado como variável de pesquisa?

Ver HL7 FHIR Specification; Cimino, Methods of Information in Medicine, 1998.

Terminologias: o dicionário crítico da saúde digital

Mensagem central: terminologias não são listas neutras de palavras; elas definem como um domínio clínico será contado, recuperado, comparado e governado.

CID / ICD

Classificação estatística, vigilância, faturamento e morbimortalidade.

Força: agregação populacional.

Limite: menos granular para certos detalhes clínicos.

LOINC

Observações, medições, exames laboratoriais e instrumentos.

Força: especifica o que foi medido e em que contexto.

Limite: exige mapeamento cuidadoso de termos locais.

SNOMED CT

Conceitos clínicos amplos: achados, diagnósticos, procedimentos, anatomia.

Força: relações hierárquicas e lógica de descrição.

Limite: complexidade de implantação e governança.

Sugestão visual: três cartões comparando finalidade, força e risco de uso indevido.

Quando uma classificação útil para faturamento se torna perigosa como rótulo de treinamento?

Donnelly, Clinical Medicine, 2006; Bodenreider, Nucleic Acids Research, 2004.

CID: ótima para contar; nem sempre suficiente para representar

Mensagem central: a CID foi desenhada para estatísticas de saúde e classificação, não para capturar toda a nuance do raciocínio clínico.

Conta eventos

Mortalidade, morbidade, vigilância e gestão.

Agrupa realidades

Categorias amplas podem misturar fenótipos clinicamente diferentes.

Depende do fluxo

O código final pode refletir cobrança, auditoria, suspeita ou confirmação.

Exemplo aplicado: usar apenas CID para definir “diabetes complicado” pode perder distinções relevantes: nefropatia, retinopatia, neuropatia, tempo de doença, controle glicêmico e tratamento.

Sugestão visual: funil indo de narrativa clínica rica para categoria administrativa.

Para sua pergunta de pesquisa, a CID é o conceito, um proxy ou apenas uma pista?

LOINC: seis eixos para uma observação

Mensagem central: em laboratório, “o mesmo exame” pode não ser o mesmo dado se componente, propriedade, amostra, escala, tempo ou método mudam.

O LOINC cria nomes universais para observações. A utilidade está no detalhe: ele reduz a ambiguidade entre “creatinina”, “creatinina urinária 24h”, “clearance de creatinina” e “creatinina sérica”.

Exemplo aplicado: em doença renal, confundir creatinina sérica com urina de 24 horas pode gerar uma variável errada com aparência altamente científica.

Qual variável laboratorial do seu projeto parece simples, mas depende de unidade, amostra ou método?

McDonald et al., Clinical Chemistry, 2003; documentação oficial LOINC.

SNOMED CT: conceitos em rede, não apenas códigos

Mensagem central: SNOMED CT foi desenhado para representar significado clínico de modo computável, com hierarquias e relações.

Isso permite recuperar conceitos em diferentes níveis: todos os transtornos cardiovasculares, apenas infartos, ou infartos agudos em uma localização específica. Essa expressividade é poderosa, mas aumenta a responsabilidade de mapear corretamente.

Exemplo aplicado: “dor torácica” não é “infarto”. Uma terminologia ajuda a preservar essa diferença, mas só se o fluxo de registro também a respeitar.

Em que situação uma terminologia muito expressiva pode aumentar — e não reduzir — o desacordo entre anotadores?

Donnelly, Clinical Medicine, 2006; SNOMED International Documentation.

Pós-coordenação: quando o conceito é montado

Mensagem central: algumas ideias clínicas precisam ser compostas: condição + localização + gravidade + lateralidade + curso.

Conceito base

Pneumonia

Agente

viral

Curso

aguda

→

Expressão clínica

Pneumonia viral aguda

Na prática, essa capacidade pode representar melhor a clínica. Mas também exige ferramentas, treinamento e regras locais; caso contrário, diferentes equipes constroem expressões incompatíveis.

Sugestão visual: peças de Lego conceituais se combinando em uma expressão clínica.

Vale exigir máxima granularidade se isso aumenta tempo de registro e erro operacional?

FHIR: a gramática moderna da troca

Mensagem central: FHIR organiza a troca de dados em recursos modulares, transportáveis por APIs modernas e representáveis em JSON, XML ou RDF.

Pense em FHIR como uma gramática operacional. Patient, Observation, Condition, Encounter e MedicationRequest são blocos que podem ser combinados para representar uma história clínica.

Exemplo aplicado: um app de risco cardiovascular pode pedir ao servidor FHIR dados de paciente, pressão, colesterol, tabagismo e medicamentos sem conhecer o banco interno do hospital.

Que parte de uma consulta clínica vira recurso FHIR facilmente — e que parte resiste à estruturação?

HL7 FHIR Specification; Bender & Sartipi, Computer Standards & Interfaces, 2013.

FHIR não é mágica: perfil, terminologia e contexto importam

Mensagem central: duas instituições podem usar FHIR e ainda assim não serem semanticamente compatíveis.

Resource correto

Observation

mas sem código padronizado.

Código correto

LOINC

mas unidade local incompatível.

Unidade correta

mg/dL

mas tempo clínico errado.

Tempo correto

pré-decisão

mas população diferente.

Exemplo aplicado: uma glicemia em jejum e uma glicemia aleatória podem chegar como observações válidas, mas não devem entrar na mesma variável sem regra explícita.

Sugestão visual: checklist de validação indo de estrutura para uso.

Qual erro é mais difícil de detectar automaticamente: formato inválido ou significado inadequado?

SMART on FHIR: apps clínicos que encaixam no fluxo

Mensagem central: SMART on FHIR busca permitir que aplicações clínicas sejam substituíveis e integráveis ao prontuário, com autorização e contexto padronizados.

Em vez de desenvolver uma integração artesanal para cada hospital, o app usa um padrão comum para autenticar, receber contexto do paciente e consultar dados FHIR.

Exemplo aplicado: uma calculadora de risco pode abrir dentro do EHR já sabendo quem é o paciente, recuperar observações relevantes e devolver uma recomendação ao fluxo de trabalho.

Um app tecnicamente integrado é necessariamente clinicamente integrado?

Mandel et al., JAMIA, 2016.

OMOP CDM: quando a pergunta precisa viajar

Mensagem central: OMOP CDM padroniza dados observacionais para que estudos possam ser executados de forma comparável em múltiplas bases.

O dado não precisa sair de todos os hospitais para um lugar central. Cada instituição transforma seus dados locais para o modelo comum, e uma análise padronizada pode ser executada localmente.

Exemplo aplicado: uma rede pode estimar incidência de eventos adversos em vários países usando a mesma definição de coorte e as mesmas tabelas padronizadas.

Quando padronizar antes de analisar melhora a ciência — e quando pode esconder diferenças importantes?

Hripcsak et al., Studies in Health Technology and Informatics, 2015; Overhage et al., JAMIA, 2012.

FHIR e OMOP respondem a perguntas diferentes

FHIR

Mensagem central: ótimo para troca operacional e integração de sistemas.

Pergunta típica: como um app acessa dados do paciente no momento do cuidado?

Visual: fluxo API ↔︎ prontuário ↔︎ app.

OMOP

Mensagem central: ótimo para pesquisa observacional padronizada e análise multicêntrica.

Pergunta típica: como executar a mesma análise em bases heterogêneas?

Visual: ETL local → tabelas comuns → estudo federado.

Exemplo aplicado: FHIR pode alimentar um alerta no pronto atendimento; OMOP pode apoiar um estudo retrospectivo sobre segurança medicamentosa em vários hospitais.

Seu problema é de integração no cuidado, pesquisa em dados observacionais ou os dois?

Interoperabilidade acelera ciência — mas não absolve método

Mensagem central: padrões reduzem atrito para colaboração, mas não eliminam vieses, confusão, erro de mensuração ou escolhas ruins de desenho.

Acelera

reuso de coortes, vocabulários, análises e validações externas.

Compara

permite avaliar heterogeneidade entre instituições e países.

Audita

torna definições e transformações mais explícitas.

Mas não garante causalidade

modelo comum não corrige confundimento por si só.

Exemplo aplicado: estudos OHDSI durante a COVID-19 mostraram a força de redes padronizadas, mas também lembram que análise observacional continua exigindo desenho e interpretação cuidadosos.

Qual erro metodológico continua possível mesmo com FHIR, LOINC, SNOMED e OMOP perfeitamente implementados?

Lane et al., The Lancet Rheumatology, 2020; Hripcsak et al., 2015.

Mini-prontuário: do texto livre ao dado interoperável

Cenário fictício: paciente de 62 anos, diabetes tipo 2 há 15 anos, creatinina sérica de 2,1 mg/dL, albuminúria persistente, em uso de losartana. Médico registra: “nefropatia diabética provável; acompanhar DRC”.

Patient

idade, sexo, identificadores pseudonimizados.

Condition

diabetes tipo 2, doença renal crônica, nefropatia diabética.

Observation

creatinina, albuminúria, eGFR, datas e unidades.

MedicationRequest

losartana, dose, frequência e status.

Sugestão visual: texto livre à esquerda; cartões FHIR à direita; códigos LOINC/SNOMED como etiquetas.

Quais afirmações do texto são fatos medidos, quais são interpretações clínicas e quais são hipóteses?

Atividade em grupo: o desafio do mapeamento

Mensagem central: mapear não é copiar termos; é negociar significado com evidência, contexto e finalidade.

1

Extrair

Separem entidades: pessoa, condição, observação, medicamento e encontro.

2

Codificar

Procurem um LOINC para creatinina sérica e um SNOMED para nefropatia diabética.

3

Estruturar

Esbocem um JSON FHIR mínimo para uma Observation.

4

Criticar

Listem duas ambiguidades que impedem uso automático em ML.

12 min · mapeamento8 min · validação clínica10 min · discussão cruzada

Onde o aluno de computação precisou de julgamento clínico — e onde o aluno da saúde precisou de modelagem de dados?

Exemplo de Observation em FHIR

Mensagem central: o valor numérico é só uma pequena parte da observação; código, unidade, sujeito, tempo e status são parte do significado.

{
  "resourceType": "Observation",
  "status": "final",
  "code": {
    "coding": [{
      "system": "http://loinc.org",
      "code": "2160-0",
      "display": "Creatinine [Mass/volume] in Serum or Plasma"
    }]
  },
  "subject": { "reference": "Patient/123" },
  "effectiveDateTime": "2026-08-21T10:30:00-03:00",
  "valueQuantity": {
    "value": 2.1,
    "unit": "mg/dL",
    "system": "http://unitsofmeasure.org",
    "code": "mg/dL"
  }
}

Exemplo aplicado: esse recurso é mais reutilizável que “creatinina: 2,1”, mas ainda exige saber se a coleta estava antes ou depois da decisão clínica.

Que campos você exigiria antes de usar essa observação em um modelo prognóstico?

Mapeamento semântico tem riscos próprios

Subespecificação

“Nefropatia” sem causa, estágio ou evidência.

Superespecificação

Código detalhado demais para uma hipótese ainda incerta.

Perda de negação

“Sem evidência de infarto” mapeado como infarto.

Perda temporal

História pregressa tratada como condição ativa.

O problema não é apenas encontrar “um código”. O problema é escolher um código que preserve a força da evidência, o tempo clínico e o nível de certeza.

Sugestão visual: matriz risco × impacto para erros de mapeamento.

Qual erro de mapeamento você considera mais perigoso para segurança do paciente?

Governança: quem decide o significado?

Mensagem central: padrões precisam de governança local: versionamento, auditoria, curadoria clínica, documentação e resolução de desacordos.

Curadoria clínica

Especialistas validam se o código representa a verdade operacional.

Engenharia de dados

Pipelines registram origem, transformação e versão.

Pesquisa

Coortes declaram critérios e sensibilidade das definições.

Ética e gestão

Define acesso, finalidade, responsabilidade e monitoramento.

Exemplo aplicado: uma mudança de versão de vocabulário pode alterar quem entra em uma coorte; isso precisa ser rastreável como parte da evidência.

Quem teria autoridade para aprovar o mapeamento do principal desfecho do seu estudo?

Sistema de Saúde que Aprende

Mensagem central: sem interoperabilidade, IA em saúde tende a ficar presa em demonstrações locais; com interoperabilidade, pode entrar em ciclos de aprendizagem, avaliação e melhoria.

Cuidado

registra eventos

→

Dados padronizados

preservam significado

→

Evidência

analisa e valida

→

Decisão

retorna ao fluxo

Esse ciclo só é virtuoso se os dados forem compreensíveis, auditáveis e úteis no lugar onde a decisão acontece. Caso contrário, padronizamos ruído em escala.

Sugestão visual: ciclo cuidado → dados → evidência → decisão → cuidado.

O que precisa ser monitorado para garantir que o ciclo aprende a melhorar cuidado, e não apenas a repetir vieses?

Friedman et al., Science Translational Medicine, 2010.

Cinco ideias para levar

1 Interoperabilidade é preservação de significado, não só troca de arquivos.

2 Sintaxe sem semântica produz dados bonitos e ambíguos.

3 Terminologias são instrumentos científicos e políticos de representação.

4 FHIR facilita integração operacional; OMOP facilita pesquisa observacional multicêntrica.

5 Padronização exige governança, validação clínica e humildade metodológica.

Antes de perguntar “qual modelo?”, pergunte: os dados falam a mesma língua — e essa língua representa a realidade clínica que importa?

Próximo encontro

Agora que os dados começam a falar a mesma língua, como formulamos um problema de pesquisa ou predição que seja clinicamente válido?

População

Quem entra e quem fica de fora?

Desfecho

O que conta como evento?

Tempo

Quando predizer e com quais dados?

Validação

Onde o modelo precisa funcionar?

← ÍNDICE DA DISCIPLINA

Referências e créditos

Interoperabilidade, terminologias e padrões

• Cimino, J. J. Desiderata for controlled medical vocabularies in the twenty-first century. Methods of Information in Medicine (1998). DOI.
• Bodenreider, O. The Unified Medical Language System: integrating biomedical terminology. Nucleic Acids Research (2004). DOI.
• Donnelly, K. SNOMED-CT: The advanced terminology and coding system for eHealth. Clinical Medicine (2006). DOI.
• McDonald, C. J. et al. LOINC, a universal standard for identifying laboratory observations. Clinical Chemistry (2003). DOI.
• Bender, D.; Sartipi, K. HL7 FHIR: An Agile and RESTful approach to healthcare information exchange. Computer Standards & Interfaces (2013). DOI.
• Mandel, J. C. et al. SMART on FHIR: a standards-based, interoperable apps platform for electronic health records. JAMIA (2016). DOI.

Modelos comuns, redes observacionais e sistema que aprende

• Overhage, J. M. et al. Validation of a common data model for active safety surveillance research. JAMIA (2012). DOI.
• Hripcsak, G. et al. Observational Health Data Sciences and Informatics (OHDSI): opportunities for observational researchers. Studies in Health Technology and Informatics (2015). DOI.
• Lane, J. C. E. et al. Safety of hydroxychloroquine, alone and in combination with azithromycin, in light of rapid wide-spread use for COVID-19. The Lancet Rheumatology (2020). DOI.
• Friedman, C. P.; Wong, A. K.; Blumenthal, D. Achieving a nationwide learning health system. Science Translational Medicine (2010). DOI.

Figuras

• torre-de-babel.jpg — Pieter Bruegel, domínio público, Wikimedia Commons / Google Art Project.
• Demais figuras SVG — recursos gráficos autorais criados para esta aula.