1. Tese
Faculdade/Instituição: Universidade de São Paulo – Faculdade de Saúde Pública
Data: 2023
Título: Inteligência Artificial para a vigilância de doenças crônicas não transmissíveis
Autor: Gabriel Ferreira dos Santos Silva
Principal referência: OMS (2022), Ministério da Saúde (Plano de DCNT 2022–2030), além de artigos sobre Machine Learning em saúde
TESE_IA_MONITORAMENTO_DOENCAS_C…
.
-
Resumo: Investigou como algoritmos de machine learning podem apoiar a vigilância e gestão de doenças crônicas não transmissíveis (DCNT). A tese foi organizada em quatro artigos: revisão sistemática sobre predição de hipertensão, modelos de risco de mortalidade em câncer, regionalização de municípios paulistas por perfis de morbimortalidade e avaliação de performance da gestão de saúde crônica.
-
Objetivo: Desenvolver modelos de ML para apoiar a vigilância e políticas públicas relacionadas a DCNT.
-
Metodologia/Abordagem: Revisão sistemática (PRISMA), análise de dados longitudinais, técnicas de aprendizado supervisionado e não supervisionado, uso de bases do Estado de SP.
-
Coleta de dados: Bases secundárias (SIM/MS, registros de morbimortalidade, dados da SES-SP).
-
Análise: Aplicação de algoritmos ML (Random Forest, SVM, XGBoost, etc.), métricas AUC-ROC, agrupamentos não supervisionados.
-
Resultados: Modelos com boa acurácia para predição de hipertensão e mortalidade por câncer (>0,90 AUC), clusters de municípios com perfis semelhantes de DCNT, identificação de municípios overachievers e underachievers em mortalidade prematura.
-
Conclusão: ML pode ser ferramenta robusta para gestão em saúde pública e vigilância de DCNT, com potencial para subsidiar políticas mais eficazes.
-
Crítica: Limitação na generalização por depender de bases regionais; questões éticas e operacionais pouco aprofundadas.
-
Pontos positivos: Forte aplicação prática em políticas públicas; combinação de revisão e estudos aplicados; uso de diferentes métodos de ML.
2. Dissertação
Faculdade/Instituição: Universidade Federal de Viçosa – Programa de Pós-Graduação em Ciência da Nutrição
Data: 2021
Título: Estudo epidemiológico das arboviroses no Brasil e o uso de inteligência artificial na construção de um modelo preditivo de letalidade para febre amarela
Autor: Karen Oliveira Fracalossi
Principal referência: PRISMA, dados do SINAN, literatura sobre arboviroses e ML (CatBoost, Random Forest, SVM etc.)
DISSERTACAO_IA_VIGILANCIA_ARBOV…
.
-
Resumo: Estudou prevalências de dengue, zika, chikungunya e febre amarela (2000–2018) e construiu modelo preditivo de óbito por febre amarela usando IA.
-
Objetivo: Estimar prevalências de arboviroses e propor modelo preditivo de letalidade para febre amarela.
-
Metodologia/Abordagem: Revisão sistemática com metanálise (PRISMA) + estudo original com mineração de dados (KDD).
-
Coleta de dados: Bases PubMed, Scielo, ScienceDirect e BVS; dados secundários do SINAN obtidos via e-SIC.
-
Análise: Teste de 8 algoritmos ML; validação cruzada; seleção de CatBoost por melhor desempenho.
-
Resultados: Prevalência agrupada: dengue (35%), zika (19%), chikungunya (28%); modelo CatBoost atingiu 81,1% de acurácia e 79,8% de precisão. Principais variáveis: IgM, distúrbio renal, dor abdominal, sinais hemorrágicos.
-
Conclusão: Ferramenta preditiva pode auxiliar prognóstico clínico e manejo de febre amarela, além de melhorar vigilância.
-
Crítica: Baixa disponibilidade de estudos para febre amarela limitou metanálise; dependência de qualidade dos dados do SINAN.
-
Pontos positivos: Integração robusta entre epidemiologia clássica e IA; inovação ao aplicar CatBoost em vigilância de arboviroses; potencial de aplicação clínica.
3. Artigos/Matérias de Revista
a) Matéria – Revista Epidemiologia (CBDL)
-
Tema: Mostra como IA pode apoiar saúde pública em tempo real e prever surtos.
-
Tipo: Matéria jornalística/divulgação científica.
-
Crítica: Falta rigor acadêmico; superficialidade.
-
Pontos positivos: Aproxima leigo do tema; contextualiza tendências.
b) Matéria – Ciência Hoje
-
Tema: Aborda aplicações de IA e saúde digital em epidemiologia.
-
Tipo: Artigo de divulgação científica.
-
Crítica: Mais descritivo que analítico; sem metodologia.
-
Pontos positivos: Linguagem acessível; destaque para desafios éticos.
4. Artigo
Título: Inteligência epidemiológica, investimento em tecnologias da informação e novas perspectivas para o uso de dados na vigilância em saúde
Autores: Débora Medeiros de Oliveira e Cruz et al.
Periódico: Cadernos de Saúde Pública (2024)
ARTIGO_INTELIGENCIA_EPIDEMIOLOG…
-
Resumo: Relata criação do Centro de Inteligência Epidemiológica (CIE) no Rio de Janeiro após COVID-19. Descreve estruturação do data lake e ferramentas para monitoramento.
-
Objetivo: Apresentar produtos e perspectivas do CIE.
-
Metodologia: Estudo descritivo de implantação de política pública.
-
Coleta/análise: Bases SI-PNI, SINAN, dados vitais, atenção primária, integradas em data lake.
-
Resultados: Painéis de monitoramento e alertas rápidos que apoiaram respostas territoriais.
-
Conclusão: Inteligência epidemiológica com TI fortalece vigilância em saúde.
-
Crítica: Falta avaliação de impacto concreto; caráter inicial/descritivo.
-
Pontos positivos: Inovação institucional; integração de dados massivos; aplicabilidade em políticas públicas.
5. Artigo
Título: Integrating machine learning and artificial intelligence in life-course epidemiology: pathways to innovative public health solutions
Autores: Chen et al.
Periódico: BMC Medicine (2024)
Artigo_IA_Epidemiologia
-
Resumo: Revisão/perspectiva sobre integração de ML e IA na epidemiologia do curso de vida, discutindo oportunidades, desafios e recomendações.
-
Objetivo: Explorar como ML/IA podem apoiar compreensão de trajetórias de saúde ao longo da vida.
-
Metodologia: Revisão narrativa/perspectiva teórica.
-
Análise: Integração de EHRs, dados genômicos, ambientais, multimodais.
-
Resultados: Exemplos em DCV, câncer, Alzheimer, doenças infecciosas.
-
Conclusão: ML/IA podem revolucionar epidemiologia do curso de vida, mas exigem enfrentar questões de qualidade, interpretabilidade, viés e equidade.
-
Crítica: Não apresenta dados empíricos originais; caráter conceitual.
-
Pontos positivos: Atual, integrador, aponta agenda de pesquisa; articula princípios clássicos da epidemiologia do curso de vida com IA.
Nenhum comentário:
Postar um comentário