CIÊNCIA DE DADOS E INTELIGÊNCIA ARTIFICIAL APLICADAS À SAÚDE - Online

 AMPLIE SUAS COMPETÊNCIAS NA ÁREA DE DADOS COM MAIS AGILIDADE!

 Os cursos da área de Ciência de Dados e Inteligência Artificial foram desenvolvidos para se complementarem. Isso significa que, ao concluir uma das especializações, você pode solicitar dispensa de disciplinas equivalentes em outro curso e conquistar um novo diploma com mais agilidade.

Benefícios para sua formação:

• Aproveitamento de disciplinas já cursadas

• Redução do tempo total de formação

• Economia de investimento

• Expansão das competências em diferentes áreas da IA e Ciência de Dados

Convergência entre cursos

Veja abaixo exemplos de aproveitamento entre cursos:

De Ciência de Dados e Big Data para:

• Ciência de Dados e IA Aplicadas à Saúde: 5 disciplinas 

• Engenharia de IA e MLOps: 2 

• Estatística para IA e Ciência de Dados: 8 

• IA Generativa e Aplicações com LLMs: 2 

• Inteligência Artificial e Aprendizado de Máquina: 8 

• IA Multimodal e Visão Computacional: 4 

• Ciência de Dados e IA para o Mercado Financeiro: 5 

Outros cursos também apresentam aproveitamento entre si, com variações entre 1 e 8 disciplinas dispensadas, dependendo da combinação.

Disciplinas compartilhadas entre os cursos

As seguintes disciplinas aparecem em dois ou mais cursos:

• Arquiteturas de Deep Learning

• Cloud Computing para IA e Ciência de Dados

• Data Discovery e Analytics

• Engenharia de Agentes e IA Agêntica

• Estatística Geral - Teoria e Aplicações

• Governança de Dados e Compliance

• IA Generativa e Agêntica: Modelos, Agentes e Aplicações

• Implementação de Modelos de Deep Learning

• Inteligência Artificial Multimodal

• Machine Learning

• MLOps e DataOps: Orquestração e Automação

• Modelos de Regressão

• Preparação e Integração de Dados

• Processamento de Linguagem Natural e Aplicações Textuais

• Python para Ciência de Dados

• Redes Neurais Generativas

• Redes Neurais Recorrentes e Transformadores

• Segurança e Governança em IA

• Séries Temporais e Forecasting

Visite as páginas dos cursos!

 COMPETÊNCIAS DISCIPLINARES

O curso integra IA em todas as disciplinas como apoio para acelerar atividades práticas, aprofundar conhecimentos e fortalecer o vínculo entre conhecimento técnico, objetivos de negócio e competências comportamentais.

Módulo 1: Fundamentos de Dados e Estatística

• Python para Ciência de Dados

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

• Compreender os principais tipos e estruturas de dados em Python, como listas, tuplas, dicionários e dataframes

• Utilizar estruturas de controle e funções para construção de scripts analíticos

• Aplicar vetorização e manipulação de matrizes numéricas com bibliotecas como NumPy

•  Integrar APIs e serviços externos em aplicações de dados

• Utilizar bibliotecas de IA Generativa para apoio à codificação e análise de dados

• Desenvolver projetos práticos com gestão de código assistida por IA

Estatística Geral - Teoria e Aplicações

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

• Aplicar estatística descritiva e inferência estatística em contextos reais

• Compreender e utilizar distribuições de probabilidade e testes de hipóteses

• Realizar regressão linear simples e interpretar seus resultados

• Dimensionar amostras e aplicar diferentes técnicas de amostragem

• Utilizar softwares estatísticos e IA Generativa para análise e geração de relatórios

• Empregar engenharia de prompt para conduzir análises estatísticas automatizadas

Data Discovery e Analytics

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

• Aplicar técnicas de análise exploratória de dados (EDA) para identificação de padrões e insights

• Formular problemas de negócio com base em pensamento analítico orientado a dados

• Avaliar a qualidade dos dados e aplicar técnicas básicas de limpeza e transformação

• Criar visualizações eficazes e dashboards interativos para diferentes públicos e objetivos

• Utilizar ferramentas OLAP e IA Generativa para geração automatizada de insights e storytelling

• Desenvolver narrativas analíticas com suporte de engenharia de prompt e dashboards inteligentes

Módulo 2: Gestão e Governança de Dados em Saúde

• Gestão Inteligente de Dados de Saúde

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

• Realizar o melhoramento, enriquecimento e preparação de dados em ambientes de saúde

• Aplicar técnicas de ETL, ELT e arquitetura de Data Lake para montagem e integração de conjuntos de dados

• Projetar e desenvolver aplicações para ingestão e operação de dados clínicos e administrativos

• Utilizar ferramentas e conceitos de pipelines automatizados para integração de dados em saúde

• Empregar IA Generativa para enriquecimento de dados, geração de metadados e documentação técnica

• Criar prompts para identificação de inconsistências e problemas de qualidade em bases de dados de saúde

• Desenvolver projetos práticos de integração e preparação de dados com foco em interoperabilidade e confiabilidade

Governança de Dados e Compliance em Saúde

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

• Compreender o ecossistema de dados em saúde e os desafios organizacionais relacionados à governança

• Aplicar os princípios do framework de Governança de Dados (GD) adaptados ao setor saúde

• Implementar políticas, padrões e procedimentos específicos como Data Stewardship e Registro Eletrônico em Saúde (RES)

• Interpretar e aplicar normas como LGPD, HL7, FHIR e DICOM em ambientes clínicos e administrativos

• Avaliar riscos de privacidade e segurança com apoio de IA e realizar auditorias automatizadas de compliance

• Utilizar IA Generativa para criação de políticas, documentação e frameworks personalizados de governança

• Desenvolver projetos práticos que integrem governança, conformidade e ética em dados de saúde

Ciência de Dados e IA Aplicadas à Auditoria em Saúde

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

• Aplicar técnicas de ciência de dados e IA para análise de dados assistenciais e gerenciais em saúde

• Detectar desvios assistenciais, fraudes e inconformidades regulatórias com apoio de modelos analíticos

• Implementar auditoria preditiva com uso de IA Generativa e engenharia de prompts

• Automatizar processos críticos como autorização de procedimentos, geração de relatórios e pareceres técnicos

• Desenvolver indicadores clínicos e gerenciais com suporte de modelos preditivos e simulações

• Apoiar a tomada de decisão baseada em dados por meio de cenários simulados e análises inteligentes

• Desenvolver projetos práticos voltados à auditoria inteligente, gestão preditiva e conformidade regulatória

Economia da Saúde: Evidências e Inteligência para a Decisão

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

• Compreender os fundamentos da economia da saúde e os modelos de financiamento e gasto

• Aplicar métodos de avaliação econômica como análise de custo-efetividade e simulação de intervenções

• Analisar dados e evidências para apoiar decisões estratégicas em políticas de saúde e alocação de recursos

• Utilizar assistentes de IA para revisões sistemáticas, modelagem econômica e síntese de evidências

• Simular cenários de impacto econômico com apoio de ferramentas analíticas e IA Generativa

• Desenvolver projetos práticos que integrem evidências econômicas e inteligência de dados para decisões em saúde

Módulo 3: Análise Preditiva e Inteligência Artificial Aplicada à Saúde

Machine Learning Aplicada à Saúde

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

• Compreender o processo de aprendizagem de máquina aplicado ao contexto clínico e assistencial

• Realizar engenharia de atributos (feature engineering) em dados médicos e administrativos

• Aplicar algoritmos supervisionados e não supervisionados em problemas de classificação, predição e agrupamento em saúde

• Combinar modelos para melhorar desempenho e robustez em aplicações clínicas

• Avaliar modelos com métricas apropriadas e técnicas de validação cruzada com apoio de IA Generativa

• Criar prompts para identificação e geração de features relevantes em bases de dados de saúde

• Desenvolver projetos práticos com aplicação de ML em cenários reais da saúde

Séries Temporais e Forecasting

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

• Compreender os conceitos fundamentais de séries temporais, incluindo estacionariedade e autocorrelação

• Aplicar métodos de decomposição, médias móveis e alisamento exponencial para análise de tendências

• Modelar séries temporais estacionárias e não estacionárias utilizando ARMA, ARIMA e SARIMA

• Realizar análises de intervenção e regressão dinâmica em contextos temporais

• Utilizar IA Generativa para diagnóstico, sumarização de tendências e geração de prompts analíticos

• Desenvolver projetos práticos de previsão com aplicação de modelos estatísticos e machine learning

IA para Medicina Personalizada

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

• Compreender os fundamentos da medicina personalizada e suas aplicações clínicas

• Integrar dados genômicos, proteômicos, biomarcadores e dados clínicos para estratificação de pacientes

• Desenvolver modelos preditivos personalizados para diagnóstico, prognóstico e avaliação de risco

• Utilizar modelos generativos para criação de protocolos individualizados e síntese automatizada de evidências científicas

• Gerar explicações interpretáveis e adaptadas ao perfil do paciente sobre diagnósticos e tratamentos

• Avaliar aspectos regulatórios, éticos e de privacidade na aplicação de IA em medicina personalizada

• Desenvolver projetos práticos em ambientes clínicos com foco em precisão e personalização

Ciência de Dados em Epidemiologia

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

• Aplicar os fundamentos do método epidemiológico na análise de dados populacionais de saúde

• Utilizar bases de dados públicas para cálculo de indicadores, taxas e medidas de ocorrência de doenças

• Avaliar validade e confiabilidade de testes diagnósticos e estratégias de rastreamento

• Delinear estudos epidemiológicos e calcular estimativas de risco e associação

• Utilizar modelos generativos para monitoramento de surtos, tendências e simulação de cenários

• Gerar relatórios epidemiológicos automatizados para diferentes públicos e finalidades

• Desenvolver projetos práticos com foco em vigilância, análise populacional e apoio à decisão em políticas públicas

IA Generativa e Agêntica: Modelos, Agentes e Aplicações

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

• Compreender os fundamentos e arquiteturas da IA Generativa, incluindo LLMs, GANs, VAEs e Transformers

• Aplicar técnicas de engenharia de prompts e RAG para personalização de respostas e geração de conteúdo

• Projetar e implementar agentes inteligentes com frameworks como LangChain e AutoGPT

• Integrar modelos generativos com APIs externas para construção de soluções práticas em saúde

• Avaliar aspectos de governança, ética e segurança na aplicação de IA Agêntica

• Acompanhar tendências emergentes em IA aplicada à saúde e inovação digital

• Desenvolver projetos práticos com agentes generativos voltados à automação, personalização e suporte à decisão

Módulo 4: Inteligência Computacional em Saúde

Processamento e Análise de Imagens Biomédicas

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

• Compreender os fundamentos das imagens biomédicas e suas aplicações clínicas e diagnósticas

• Aplicar técnicas de processamento, classificação e segmentação de imagens médicas com modelos de machine learning

• Realizar registro de imagens e reconstrução tridimensional com base em representações de forma e estrutura

• Extrair atributos relevantes e integrar informações multimodais em análises visuais biomédicas

• Utilizar IA Generativa para criação de relatórios radiológicos, síntese de imagens e explicações visuais personalizadas

• Desenvolver projetos práticos com aplicação em imagens 3D, tempo real e telemedicina

Processamento de Linguagem Natural em Registros de Saúde

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

• Compreender os fundamentos do Processamento de Linguagem Natural (PLN) aplicado a registros clínicos e administrativos

• Realizar pré-processamento de textos médicos com técnicas como tokenização, lematização e tratamento de abreviaturas

• Representar textos clinicamente relevantes em formatos vetoriais para análise computacional

• Reconhecer entidades médicas e relações semânticas em registros de saúde com apoio de LLMs especializados

• Utilizar IA Generativa para síntese de registros clínicos, respostas automatizadas e triagem inteligente de casos

• Aplicar engenharia de prompt clínico para geração de relatórios, resumos e pareceres técnicos

• Desenvolver projetos práticos com foco em análise de sentimento, contexto clínico e automação de processos documentais

Projeto em Ciência de Dados e IA em Saúde

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

• Planejar e executar um projeto completo aplicando ciência de dados e IA a um problema em saúde

• Definir escopo, objetivos, métricas e critérios de sucesso para a solução proposta

• Escolher arquiteturas, ferramentas e modelos adequados ao contexto do projeto

• Implementar soluções com uso de dados financeiros, modelos preditivos e redes neurais

• Utilizar IA Generativa para acelerar etapas como análise exploratória, modelagem e documentação técnica

• Apresentar os resultados embasamento técnico e foco em impacto estratégico

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