Apolo

Atividade

137422 - IA para Gestão de Saúde: dados multifontes, saúde pública e tomada de decisão

Data da turma:

11/04/2026

Selecione um horário para exibir no calendário:

Descrição:

Objetivo A disciplina visa preparar líderes e profissionais para atuarem na transformação digital da saúde por meio do uso crítico de ferramentas de IA.
Justificativa
A disciplina aborda aplicações de Inteligência Artificial (IA) na geração, integração e análise de grandes volumes de dados em saúde. Serão introduzidas princípios de tecnologias atuais de IA (Sistemas de Agentes, Modelos de Linguagens Naturais e para Tomada de Decisão) e suas perspectivas para o futuro próximo, com ênfase na realidade brasileira, marcada por diversidades regionais, sociais e econômicas, e pela complexidade dos sistemas de saúde. O foco estará no uso da IA para apoiar a gestão e a tomada de decisão. Serão discutidos casos práticos e estratégias para desenvolvimento e adoção de soluções de IA na gestão em saúde, destacando desafios, oportunidades, implicações éticas, a importância de modelos explicáveis e auditáveis, além de seus benefícios em tomada de decisão.
Conteúdo
Fundamentos de Inteligência Artificial em Saúde. Serão apresentados conceitos básicos de IA, aspectos histórico e evolução; um panorama internacional e nacional para IA na Saúde; a diversidade de fontes e tipos de dados em saúde (estruturados, não estruturados, clínicos, epidemiológicos e administrativos) e desafios.
Tecnologias Atuais de IA com Aplicação em Saúde. Sistemas de agentes inteligentes e potencial para aplicações em ambientes hospitalares e de atenção primária. Modelos de linguagem natural (LLMs) em extração e análise de informação a partir de textos clínicos e protocolos.
IA para Gestão e Tomada de Decisão. Processamento e análise de grandes volumes de dados (Big Data). Aplicações em gestão hospitalar, vigilância epidemiológica, triagem e análise de risco. IA para alocação de recursos, planejamento de serviços e políticas públicas em saúde.
Contextualização Regional. Desafios da aplicação de IA no SUS e em regiões com baixa infraestrutura. Acesso, equidade e interoperabilidade: limites e potencialidades. Integração com a Estratégia SUS Digital 2020–2028 e RNDS.
Casos Práticos e Estratégias de Implementação. Modelos de inovação e transferência tecnológica. Parcerias com universidades, serviços de saúde e startups.
Referências bibliográficas
[1] Smith, P. C., Sagan, A., Siciliani, L., & Figueras, J. (2023). Building on value-based health care: towards a health system perspective. Health Policy, 138, 104918.
[2] World Health Organization. Continuity and coordination of care: a practice brief to support implementation of the WHO framework on integrated people-centred health services. Geneva: WHO; 2018.
[3] Brasil. Ministério da Saúde. HumanizaSUS: documento base para gestores e trabalhadores do SUS. 4. ed. 4. reimp. Brasília: Ministério da Saúde; 2010.
[4] Oliveira, C. A. D., Weber, B., Dos Santos, J. L. F. et al. (2022). Health complexity assessment in primary care: a validity and feasibility study of the INTERMED tool. PLoS One, 17(2), e0263702.
[5] Zadeh Kharrat, F. G., Brandão Miyoshi, N. S., Cobre, J., De Azevedo-Marques, J. M., & Botazzo Delbem, A. C. Feature sensitivity criterion-based sampling strategy from the Optimization based on Phylogram Analysis (Fs-OPA) and Cox regression applied to mental disorder datasets. PLOS ONE, 15(7), e0235147.
[6] Lopes, G. R., Silva, R. F. D., Pelarigo, K. J., Yamamura, M., Delbem, A. C. B., Scatolini, D., ... & Saraiva, A. M. (2022). Proposal of a framework for improving multi-criteria decision-making related to epidemics using heterogeneous spatial data and evolutionary algorithms. Research, Society and Development, 12(2), 1-13.
[7] Gaspar-Cunha, A., Costa, P., Monaco, F., & Delbem, A. (2023). Many-objectives optimization: a machine learning approach for reducing the number of objectives. Mathematical and Computational Applications, 28(1), 17.
[8] Li, X., Wang, S., Zeng, S., Wu, Y., & Yang, Y. (2024). A survey on LLM-based multi-agent systems: workflow, infrastructure, and challenges. Vicinagearth, 1(1), 9.
[9] Sarker, A., Zhang, R., Wang, Y., Xiao, Y., Das, S., Schutte, D., ... & Xu, H. (2024). Natural Language Processing for Digital Health in the Era of Large Language Models. Yearbook of Medical Informatics, 33(01), 229-240.
[10] Khosravi, M., Zare, Z., Mojtabaeian, S. M., & Izadi, R. (2024). Artificial intelligence and decision-making in healthcare: a thematic analysis of a systematic review of reviews. Health services research and managerial epidemiology, 11, 23333928241234863.

Carga Horária:

5 horas

Tipo:

Obrigatória

Vagas oferecidas:

140

Ministrantes:

Alexandre Cláudio Botazzo Delbem

voltar