Ciência de Dados Aplicada a Saúde

Módulo 1: Fundamentos em Ciência de Dados e Estatística

Estatística Geral - Teoria e Aplicações 

Ao final da disciplina, os alunos deverão ser capazes de:

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes.

• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes.

• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

Técnicas de Amostragem e Modelos de Regressão 

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar diferentes técnicas e tipos de amostragem em projetos de pesquisa.

• Desenvolver modelos de regressão linear simples e múltipla para análise preditiva.

• Utilizar modelos lineares generalizados para análise de dados

• Executar análises de diagnóstico e validação de modelos de regressão.

Séries Temporais

Ao final da disciplina, os alunos deverão ser capazes de:

• Analisar e modelar séries temporais estacionárias e não estacionárias

• Modelar e prever séries temporais utilizando modelos ARMA, ARIMA, e SARIMA

• Ajustar modelos de séries temporais não estacionárias por meio de transformações adequadas

• Avaliar estacionariedade em séries temporais

• Aplicar métodos de decomposição de séries temporais

• Utilizar modelos de tendência determinística e estocástica
  

• Aplicar métodos de médias móveis e alisamento exponencial

• Modelar séries temporais estacionárias e não estacionárias.

Módulo 2: Programação e Manipulação de Dados

Python para Ciência de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes.

• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes.

• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

Preparação e Integração de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar processos de limpeza, transformação e enriquecimento de dados.

• Executar processos ETL/ELT e integrar dados em ambientes de Data Lake.

• Utilizar ferramentas específicas para projetar e desenvolver aplicações de preparação e integração de dados.

• Implementar pipelines de ETL e ELT.

• Projetar e desenvolver soluções de integração de dados.

Data Discovery e Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar analisar exploratória de dados

• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados)

• Identificar e coletar dados relevantes de diversas fontes.

• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa

• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma

• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva.

Módulo 3: Aprendizado de Máquina e Inteligência Artificial

Machine Learning Aplicada à Saúde 

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender o processo de aprendizagem de máquina no contexto da saúde

• Realizar feature engineering para dados de saúde

• Aplicar técnicas de aprendizado supervisionado e não-supervisionado

• Implementar e combinar modelos de machine learning para análises robustas

• Avaliar e interpretar métricas de desempenho de modelos.

Redes Neurais e Deep Learning Aplicada à Saúde 

Ao final da disciplina, os alunos deverão ser capazes de:

• Entender os fundamentos de redes neurais artificiais

• Compreender arquiteturas de aprendizagem profunda

• Aplicar redes convolucionais e deep learning em problemas de saúde

• Analisar desafios éticos da aprendizagem profunda na saúde

• Implementar soluções de deep learning para diagnósticos e análises em saúde.

Módulo 4: Aplicações Específicas em Saúde

Processamento e Análise de Imagens Biomédicas 

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender modalidades e características de imagens biomédicas

• Aplicar técnicas de processamento de imagens biomédicas

• Implementar modelos de machine learning para classificação e segmentação de imagens

• Realizar análise e reconstrução de imagens 3D

• Avaliar e aplicar modelos de fusão de dados e análise multimodal em projetos práticos.

• Avaliar métricas de análise de imagens biomédicas

• Desenvolver projetos práticos em análise de imagens biomédicas.

Processamento de Linguagem Natural em Registros de Saúde

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender as técnicas de pré-processamento de texto em dados clínicos.

• Realizar pré-processamento de texto em registros de saúde

• Aplicar técnicas de representação vetorial de texto

• Implementar reconhecimento de entidades e relações médicas

• Realizar análise de sentimento em contexto clínico

• Desenvolver aplicações práticas de PLN em saúde.

Ciência de Dados em Epidemiologia 

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender fundamentos do método epidemiológico

• Analisar bases de dados públicas em saúde

• Calcular e interpretar indicadores epidemiológicos

• Avaliar validade e confiabilidade de testes diagnósticos

• Realizar estimativas de sobrevivência e prognóstico

• Delinear estudos epidemiológicos

• Estimar riscos e medidas de associação.

Módulo 5: Governança, Economia e Ética

Governança de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Analisar e contextualizar a importância da governança de dados no ambiente corporativo.

• Analisar criticamente situações e problemas;

• Desenvolver e implementar frameworks de governança de dados alinhados aos objetivos organizacionais

• Criar e aplicar políticas, padrões e procedimentos específicos de governança de dados

• Garantir a qualidade, segurança e confiabilidade dos dados;

• Realizar avaliações de conformidade (compliance) e de risco (risk assessment) em relação à governança de dados.

• Integrar conceitos de governança de dados com as exigências legais de proteção de dados.

• Adaptar e inovar em práticas de governança de dados considerando a ética, agilidade e gerência de mudanças.

• Comunicar-se de forma eficaz, trabalhar em equipe e adaptar-se a novas situações e desafios de GD.

Gestão e Compliance em Saúde 

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender o sistema de saúde brasileiro e seus principais atores

• Entender conceitos de saúde digital e novas tecnologias

• Aplicar ciência de dados e analytics em saúde

• Liderar equipes multidisciplinares em análise de dados de saúde

• Implementar práticas de compliance e proteção de dados na saúde

• Analisar tendências emergentes na área da saúde.

Ciência de Dados na Regulação e Auditoria em Saúde 

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar ferramentas de ciência de dados na auditoria em saúde

• Aplicar machine learning para detecção de fraudes e análise de compliance.

• Analisar e autorizar procedimentos médicos usando advanced analytics e GenAI.

• Construir indicadores clínicos e de gestão em saúde

• Analisar estudos de caso em regulação e auditoria em saúde.

Economia da Saúde e Avaliação Econômica 

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender conceitos básicos de economia da saúde

• Analisar modelos de financiamento e gastos em saúde

• Aplicar modelos de avaliação econômica em saúde

• Desenvolver modelos para simular intervenções e estimar custos/efeitos

• Utilizar métodos estatísticos, econométricos e de machine learning em análise de dados em saúde

• Tomar decisões baseadas em evidências econômicas e análise de dados

• Analisar políticas de saúde e alocação de recursos

• Desenvolver projetos práticos em economia da saúde.

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico.

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia.

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.