Aprendizado de máquina na saúde - 2021.2

Logística

• Disciplina: Tópicos Avançados em Engenharia de Sistemas e Informação II
• Assunto: Aprendizado de Máquina na Saúde
• Período: 2021.2
• Data: quartas-feiras, 18h-22h
• Sala:
• Google Classroom:

Objetivo

Analisar e avaliar problemas, criar soluções e aplicações envolvendo o aprendizado de máquina nas áreas de saúde. Dentre os tópicos na disciplina, incluem:

• Desafios da heterogeneidade dos dados clínicos;
• Aplicações do aprendizado de máquina para:
  • Estratificação de risco;
  • Auxílio aos processos de triagem e raciocínio diagnóstico;
  • Modelagem da progressão da doença (prognóstico);
  • Avaliação do tratamento;
  • Auxílio aos processos de reabilitação do paciente.

Tópicos abordados

• Redes Bayesianas;
• Causalidade;
• Séries temporais e sinais fisiológicos;
• Imagens médicas;
• Processamento em linguagem natural (PNL);
• Aprendizado profundo;
• Interpretabilidade;
• Interoperabilidade;
• Automatização de diretrizes clínicas;
• Aprendizado por transferência;
• Fairness;
• Ética.

Avaliação

• Análise e apresentação de artigos. Peso: 4.
• Apresentação e documentação do Projeto de Aplicação. Peso: 4.
• Outros. Peso: 2.

Implementação

• Python.
• R.
• Matlab®.
• Lista de bases de dados públicas da saúde.

Cronograma

Data	Conteúdo
18/out	Apresentação da disciplina Contexto da inteligência artificial e aprendizado de máquina na saúde Atividade 1 - Análise exploratória dos dados
27/out	Características da área clínica Atividade 2 - Regressão linear
03/nov	Mergulhando nos dados da saúde Palestra 1 -
10/nov	Estratificação de riscos Atividade 3 - Modelos lineares generalizados
17/nov	Modelos de sobrevivência Palestra 2 -
24/nov	Inferência causal Atividade 4 - Modelo de sobrevivência
01/dez	Apresentação do Artigo 1
08/dez	Diagnóstico diferencial Palestra 3 -
21/abr	Feriado: Tiradentes
22/abr	Modelo de sobrevivência
28/abr	Projeto de aplicação: apresentação do problema e indicação das técnicas de aprendizado de máquina
29/abr	Implementação: correção da Atividade 3
05/mai	Revisão: modelos de regressão linear generalizados
06/mai	Palestra: Modelagem causal - Profa. Valéria Baltar
12/mai	Inferência causal - Parte 1
13/mai	Palestra: Processamento de sinais fisiológicos - Prof. Pedro Paulo (Instituto Biomédico)
19/mai	Inferência causal - Parte 2
20/mai	Palestra: Análise de imagens médicas - José Ramon
26/mai	Inferência causal - Parte 3
27/mai	Diagnóstico diferencial
02/jun	Palestra: Sistemas de apoio à decisão para o diagnóstico de Demência, Doença de Alzheimer e Transtorno Cognitivo Leve - Prof. Flávio Seixas
03/jun	Feriado: Corpus Christi
09/jun	Preparação de artigos: apresentação do Artigo 2
10/jun	Palestra: Empreendedorismo na saúde - Pedro Gemal
16/jun	Aplicações do aprendizado por reforço na saúde
17/jun	Correção das atividades 4 e 5
23/jun	Apresentação dos projetos de aplicação - Parte 1
24/jun	Apresentação dos projetos de aplicação - Parte 2

-->

Referências

Tema	Referência
Dados clínicos	Agniel, Denis, Isaac Kohane, and Griffin Weber. "Biases in Electronic Health Record Data Due to Processes Within the Healthcare System: Retrospective Observational Study." BMJ, 2018. Eapen, Bell Raj, et al. "FHIRForm: An Open-Source Framework for the Management of Electronic Forms in Healthcare." ITCH. 2019. Ulriksen, Gro-Hilde, Rune Pedersen, and Gunnar Ellingsen. "Infrastructuring in healthcare through the openEHR architecture." Computer Supported Cooperative Work (CSCW) 26.1-2 (2017): 33-69.
Estratificação de riscos	Razavian, Narges, Saul Blecker, et al. "Population-Level Prediction of Type 2 Diabetes From Claims Data and Analysis of Risk Factors." Big Data 3, no. 4 (2015): 277–87. Pozen, Michael, Ralph D'Agostino, et al. "A Predictive Instrument to Improve Coronary-Care-Unit Admission Practices in Acute Ischemic Heart Disease." New England Journal of Medicine 310, no. 20 (1984): 1273–78. Futoma, Joseph, Sanjay Hariharan, et al. "An Improved Multi-Output Gaussian Process RNN With Real-Time Validation for Early Sepsis Detection." arXiv preprint arXiv:1708.05894 (2017). Caruana, Rich, Yin Lou, et al. "Intelligible Models for HealthCare." Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD 15, 2015. Rodríguez, G. (2007). "Chapter 7: Survival Models." In Lecture Notes on Generalized Linear Models.
Séries temporais	Quinn, J.A., C.K.I. Williams, and N. Mcintosh. "Factorial Switching Linear Dynamical Systems Applied to Physiological Condition Monitoring." IEEE Transactions on Pattern Analysis and Machine Intelligence 31, no. 9 (2009): 1537–51. Hannun, Awni, Pranav Rajpurkar, et al. "Cardiologist-Level Arrhythmia Detection and Classification in Ambulatory Electrocardiograms Using a Deep Neural Network." Nature Medicine 25, no. 3 (2019): 65–69.
Processamento de Linguagem Natural (PLN)	Leaman, Robert, Ritu Khare, and Zhiyong Lu. "Challenges in Clinical Natural Language Processing for Automated Disorder Normalization." Journal of Biomedical Informatics 57 (2015): 28–37.
Diagnóstico Diferencial	Rotmensch, Maya, Yoni Halpern, et al. "Learning a Health Knowledge Graph from Electronic Medical Records." Scientific Reports 7, no. 1 (2017): 5994.
Inferência Causal	Hernán MA, Robins JM. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC, forthcoming. Chapter 1. 2019.
Aprendizado por Reforço	Komorowski, Matthieu, Leo Celi, et al. "The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care." Nature Medicine 24, no. 11 (2018): 1716.
Progressão de Doenças	Schulam, Peter, and Suchi Saria. "Integrative Analysis Using Coupled Latent Variable Models for Individualizing Prognoses." The Journal of Machine Learning Research 17, no. 232 (2016): 1–35. Young, Alexandra, Razvan Marinescu, et al. "Uncovering the Heterogeneity and Temporal Complexity of Neurodegenerative Diseases with Subtype and Stage Inference." Nature Communications 9, no. 1 (2018): 4273.
Automatização de workflows clínicos	Zhang, Yiye, Rema Padman, and Nirav Patel. "Paving the COWpath: Learning and Visualizing Clinical Pathways from Electronic Health Record Data." Journal of Biomedical Informatics 58 (2015): 186–97. Gawande, Atul. "A Life-Saving Checklist." The New Yorker. The New Yorker, December 3, 2007
Medicina de Precisão	Udler, Miriam S., Jaegil Kim, et al. "Type 2 Diabetes Genetic Loci Informed by Multi-Trait Associations Point to Disease Mechanisms and Subtypes: A Soft Clustering Analysis." PLoS Medicine 15, no. 9 (2018): e1002654.
Redes Bayesianas	Kyrimi, Evangelia, et al. "A comprehensive scoping review of bayesian networks in healthcare: Past, present and future." arXiv preprint arXiv:2002.08627 (2020). Velikova, Marina, et al. "Exploiting causal functional relationships in Bayesian network modelling for personalised healthcare." International Journal of Approximate Reasoning 55.1 (2014): 59-73. Seixas, Flávio Luiz, et al. "A Bayesian network decision model for supporting the diagnosis of dementia, Alzheimer׳ s disease and mild cognitive impairment." Computers in biology and medicine 51 (2014): 140-158.

Bibliografia

• SHORTLIFFE, E. H., CIMINO, J. E., Biomedical Informatics: Computer Applications in Health Care and Biomedicine, Forth Edition, Springer, 2014.
• BERNER, Eta S., Clinical Decision Support System: Theory and Practice, Springer-Verlag New York, Second Edition, 2007.
• BRAUNSTEIN, Mark L., Health Informatics on FHIR: How HL7's New API is Transforming Healthcare, 2018
• PANESAR, Arjun, Machine Learning and AI for Healthcare: Big Data for Improved Health Outcomes, Apress, 2019.
• WANG, Ping; LI, Yan; REDDY, Chandan K. Machine learning for survival analysis: A survey. ACM Computing Surveys (CSUR), v. 51, n. 6, p. 1-36, 2019.