Curso de Inteligência Artificial (IA) e Medicina

Aula 1 • História da IA nos Cuidados de Saúde

Traça os marcos da IA desde os primeiros sistemas especialistas até às redes neuronais modernas em medicina. Fornece contexto para compreender as capacidades e limitações atuais.

Aula 2 • O Que É a Inteligência Artificial

Define IA, aprendizagem automática e aprendizagem profunda com exemplos médicos. Fundamenta os capítulos subsequentes ao estabelecer um vocabulário comum.

Aula 3 • Visão Geral das Principais Técnicas de IA

Apresenta a aprendizagem supervisionada, não supervisionada e por reforço a um nível conceptual. Prepara o terreno para uma cobertura técnica mais aprofundada em capítulos posteriores.

Aula 4 • Tipos de Dados Médicos

Examina dados estruturados, não estruturados e multimodais gerados em contextos clínicos. Prepara os alunos para associar tipos de dados a métodos de IA apropriados.

Aula 1 • Técnicas de Pré-processamento de Dados

Aplica normalização, codificação e imputação a conjuntos de dados clínicos brutos. Produz entradas prontas para análise necessárias para os capítulos de modelação seguintes.

Aula 2 • Privacidade e Segurança de Dados

Aborda a desidentificação, encriptação e controlo de acesso para dados de saúde sensíveis. Garante a conformidade com os princípios de privacidade do doente centrais a todos os projetos de IA.

Aula 3 • Qualidade e Validação de Dados

Identifica problemas de qualidade comuns, como valores em falta, duplicados e ruído nas etiquetas. Ensina estratégias de validação que previnem erros a jusante nos modelos.

Aula 4 • Engenharia de Atributos para Dados Clínicos

Transforma variáveis brutas em atributos informativos que melhoram o desempenho do modelo. Faz a ponte entre a preparação de dados e os métodos de aprendizagem automática introduzidos a seguir.

Aula 1 • Avaliação e Validação de Modelos

Mede o desempenho do modelo usando métricas clínicas e estratégias de validação cruzada. Garante que os modelos cumprem os padrões de precisão e fiabilidade antes da implementação.

Aula 2 • Aprendizagem Não Supervisionada na Estratificação de Doentes

Aplica agrupamento e redução de dimensionalidade para descobrir subgrupos de doentes. Permite tarefas de fenotipagem onde não existem dados etiquetados.

Aula 3 • Lidar com Conjuntos de Dados Clínicos Desequilibrados

Aborda o desequilíbrio de classes comum em conjuntos de dados de doenças raras e eventos adversos. Aplica métodos de reamostragem e sensíveis ao custo para melhorar a deteção de classes minoritárias.

Aula 4 • Modelação de Regressão e Prognóstico

Usa técnicas de regressão para prever resultados contínuos, como a duração do internamento. Alarga as competências de classificação à previsão clínica quantitativa.

Aula 1 • Fundamentos de Redes Neuronais

Explica neurónios, camadas, funções de ativação e retropropagação em termos acessíveis. Fornece a base teórica para todas as secções de aprendizagem profunda que se seguem.

Aula 2 • Desempenho e Limitações da IA em Imagiologia

Avalia modelos de imagiologia usando métricas radiológicas e identifica modos de falha. Prepara os alunos para avaliar criticamente ferramentas de IA antes da adoção clínica.

Aula 3 • Transferência de Aprendizagem e Modelos Pré-treinados

Adapta modelos pré-treinados em grandes conjuntos de dados para pequenas coleções de imagiologia médica. Reduz o tempo de treino e os requisitos de dados para projetos de IA clínica.

Aula 4 • Análise de Patologia e Imagens de Lâmina Inteira

Aplica aprendizagem profunda a lâminas de patologia de gigapíxeis para classificação e deteção de cancro. Alarga as competências de imagiologia aos desafios distintos da patologia digital.

Aula 1 • Pré-processamento e Representação de Texto

Converte texto clínico bruto em representações numéricas adequadas para modelação. Faz a ponte entre dados brutos e os algoritmos de PLN introduzidos nas secções subsequentes.

Aula 2 • Características do Texto Clínico

Descreve as características únicas da linguagem médica, incluindo abreviaturas e negação. Motiva as abordagens especializadas de PLN usadas ao longo deste capítulo.

Aula 3 • Reconhecimento e Extração de Entidades Nomeadas

Identifica entidades clínicas como diagnósticos, medicamentos e procedimentos em texto. Permite a extração de dados estruturados a partir de documentação clínica não estruturada.

Aula 4 • Grandes Modelos de Linguagem nos Cuidados de Saúde

Aplica LLMs baseados em transformadores a tarefas de sumarização clínica, codificação e perguntas e respostas. Aborda o paradigma de PLN mais atual e impactante em medicina.

Aula 1 • Estratégias de Mitigação de Enviesamento

Implementa técnicas de redução de enviesamento no pré-processamento, durante o processamento e no pós-processamento. Reduz as disparidades de desempenho entre grupos demográficos sem sacrificar a precisão geral.

Aula 2 • Deteção e Auditoria de Enviesamento

Aplica testes estatísticos e ferramentas de visualização para detetar desempenho dispar dos modelos. Produz relatórios de auditoria que suportam a revisão regulamentar e institucional.

Aula 3 • Estruturas Éticas para IA Médica

Aplica os princípios de beneficência, autonomia, justiça e não maleficência às decisões de conceção de IA. Liga o trabalho técnico de equidade à ética profissional e institucional mais ampla.

Aula 4 • Fontes de Enviesamento na IA Médica

Traça as origens do enviesamento desde a recolha de dados até à implementação do modelo em contextos clínicos. Estabelece por que razão a análise de equidade é obrigatória antes de qualquer sistema de IA entrar em funcionamento.

Aula 1 • Monitorização Pós-Comercialização de Sistemas de IA

Concebe planos de monitorização contínua para detetar desvios de desempenho após a implementação. Fecha o ciclo de validação ao ligar os resultados do mundo real a atualizações do modelo.

Aula 2 • Conceção de Estudos de Validação Clínica de IA

Aborda a seleção de endpoints, tamanho da amostra e escolha do comparador para ensaios de IA. Garante que os estudos geram evidência que satisfaz tanto os padrões científicos como regulamentares.

Aula 3 • Normas de Notificação e Transparência

Aplica diretrizes de notificação de IA estabelecidas a manuscritos e documentos regulamentares. Promove a reprodutibilidade e a confiança na investigação clínica de IA publicada.

Aula 4 • Níveis de Evidência Clínica para IA

Mapeia a evidência de validação de IA desde estudos retrospetivos até ensaios aleatorizados. Estabelece a hierarquia de evidência que os reguladores e clínicos esperam.

Aula 1 • Estruturas de Governação e Supervisão de IA

Estabelece comités, políticas e vias de escalonamento para supervisão contínua da IA. Cria a infraestrutura institucional necessária para sustentar o uso responsável da IA.

Aula 2 • Medição do Impacto Clínico e Económico

Avalia o impacto da IA usando métricas de resultados clínicos, análises de custos e estruturas de ROI. Demonstra valor à liderança e justifica o investimento contínuo em programas de IA.

Aula 3 • Análise e Redesenho de Fluxos de Trabalho Clínicos

Mapeia fluxos de trabalho existentes para identificar pontos de integração e redesenhar processos em torno da IA. Previne a falha comum de implementar IA sem adaptar os passos clínicos envolventes.

Aula 4 • Gestão de Mudança e Adoção por Clínicos

Aplica modelos de gestão de mudança para ultrapassar resistência e construir confiança dos clínicos na IA. Aborda os fatores humanos que mais frequentemente determinam o sucesso ou fracasso da implementação.