Curso de Inteligência Artificial (IA) e Medicina

Aula 1 • Histórico da IA na Saúde

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

Aula 2 • O que é Inteligência Artificial

Define IA, aprendizado de máquina e aprendizado profundo com exemplos médicos. Fundamenta os capítulos seguintes ao estabelecer um vocabulário compartilhado.

Aula 3 • Visão Geral das Principais Técnicas de IA

Apresenta os conceitos de aprendizado supervisionado, não supervisionado e por reforço em nível conceitual. Prepara o terreno para a cobertura técnica mais aprofundada nos capítulos seguintes.

Aula 4 • Tipos de Dados Médicos

Examina dados estruturados, não estruturados e multimodais gerados em ambientes 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 modelagem adiante.

Aula 2 • Privacidade e Segurança de Dados

Aborda desidentificação, criptografia e controle de acesso para dados sensíveis de saúde. Garante conformidade com os princípios de privacidade do paciente, centrais para todos os projetos de IA.

Aula 3 • Qualidade e Validação de Dados

Identifica problemas comuns de qualidade, como valores ausentes, duplicatas e ruído de rótulo. Ensina estratégias de validação que previnem erros downstream no modelo.

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 aprendizado de máquina apresentados 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 atendam aos padrões de acurácia e confiabilidade antes da implantação.

Aula 2 • Aprendizado Não Supervisionado na Estratificação de Pacientes

Aplica clusterização e redução de dimensionalidade para descobrir subgrupos de pacientes. Viabiliza tarefas de fenotipagem quando dados rotulados não estão disponíveis.

Aula 3 • Lidando com Conjuntos de Dados Clínicos Desbalanceados

Aborda o desequilíbrio de classes comum em conjuntos de dados de doenças raras e eventos adversos. Aplica métodos de reamostragem e sensíveis a custo para melhorar a detecção da classe minoritária.

Aula 4 • Modelagem de Regressão e Prognóstico

Usa técnicas de regressão para prever desfechos contínuos, como tempo de internação. Amplia as habilidades de classificação para a predição clínica quantitativa.

Aula 1 • Fundamentos de Redes Neurais

Explica neurônios, camadas, funções de ativação e retropropagação em termos acessíveis. Fornece a base teórica para todas as seções de aprendizado profundo que se seguem.

Aula 2 • Desempenho e Limitações da IA em Imagens

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

Aula 3 • Aprendizado por Transferência e Modelos Pré-treinados

Adapta modelos pré-treinados em grandes conjuntos de dados para coleções pequenas de imagens médicas. Reduz o tempo de treinamento e os requisitos de dados para projetos de IA clínica.

Aula 4 • Análise de Patologia e Lâminas de Lâmina Inteira

Aplica aprendizado profundo a lâminas de patologia em gigapixels para gradação e detecção de câncer. Amplia as habilidades de imagem para os desafios distintos da patologia digital.

Aula 1 • Pré-processamento e Representação de Texto

Converte texto clínico bruto em representações numéricas adequadas para modelagem. Faz a ponte entre dados brutos e os algoritmos de PLN introduzidos nas seções seguintes.

Aula 2 • Características do Texto Clínico

Descreve as características únicas da linguagem médica, incluindo abreviações 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. Viabiliza a extração de dados estruturados a partir de documentação clínica não estruturada.

Aula 4 • Grandes Modelos de Linguagem na Saúde

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

Aula 1 • Estratégias de Mitigação de Viés

Implementa técnicas de desbiasamento de pré-processamento, durante o processamento e pós-processamento. Reduz diferenças de desempenho entre grupos demográficos sem sacrificar a acurácia geral.

Aula 2 • Detecção e Auditoria de Viés

Aplica testes estatísticos e ferramentas de visualização para detectar desempenho dispar do modelo. Produz relatórios de auditoria que apoiam a revisão regulatória e institucional.

Aula 3 • Estruturas Éticas para IA Médica

Aplica beneficência, autonomia, justiça e não maleficência às decisões de design de IA. Conecta o trabalho técnico de equidade a princípios éticos profissionais e institucionais mais amplos.

Aula 4 • Fontes de Viés na IA Médica

Traça as origens do viés, desde a coleta de dados até a implantação do modelo em ambientes clínicos. Estabelece por que a análise de equidade é obrigatória antes de qualquer sistema de IA entrar em operação.

Aula 1 • Monitoramento Pós-Mercado de Sistemas de IA

Projeta planos de monitoramento contínuo para detectar degradação de desempenho após a implantação. Fecha o ciclo de validação ao conectar os desfechos do mundo real às atualizações do modelo.

Aula 2 • Projetando Estudos Clínicos de Validação de IA

Aborda seleção de desfecho, tamanho amostral e escolha do comparador para ensaios de IA. Garante que os estudos gerem evidências que atendam aos padrões científicos e regulatórios.

Aula 3 • Padrões de Notificação e Transparência

Aplica diretrizes estabelecidas de notificação de IA a manuscritos e documentos regulatórios. Promove a reprodutibilidade e a confiança na pesquisa clínica publicada sobre IA.

Aula 4 • Níveis de Evidência Clínica para IA

Mapeia a evidência de validação de IA, desde estudos retrospectivos até ensaios randomizados. Estabelece a hierarquia de evidências que reguladores e médicos esperam.

Aula 1 • Estruturas de Governança e Supervisão de IA

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

Aula 2 • Medindo o Impacto Clínico e Econômico

Avalia o impacto da IA usando métricas de desfecho clínico, análises de custo 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 implantar IA sem adaptar as etapas clínicas ao redor.

Aula 4 • Gestão de Mudanças e Adoção por Médicos

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