Logística
- Disciplina: Aprendizado de Máquina na Saúde
- Período: 2023.1
- Data: quintas-feiras, 18h-22h
- Google Classroom:
Objetivo
Discutir e compreender os conceitos, métodos e aplicações do aprendizado de máquina na saúde, e os desafios da análise de dados clínicos, considerando a sua heterogeneidade e os aspectos legais e éticos da saúde, e de proteção à privacidade dos pacientes.
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.
Ementa
A disciplina trata dos conceitos, métodos e aplicações do aprendizado de máquina na saúde, incluindo o uso de modelos supervisionados, não supervisionados, por reforço e de aprendizado profundo em aplicações voltadas a triagem, diagnóstico, tratamento, reabilitação e bem-estar dos pacientes. Inclui tópicos sobre a estratificação de risco, modelagem do progresso de doenças e aplicações para o auxílio ao diagnóstico baseado em imagens e ao prognóstico de doenças, considerando os aspectos legais e éticos da saúde, e a proteção à privacidade dos dados dos pacientes.
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
Cronograma
| Data |
Conteúdo
|
| 06/04/2023
|
Apresentação da disciplina
Contexto da inteligência artificial e aprendizado de máquina na saúde
Atividade 1: Análise exploratória dos dados
|
| 13/04/2023
|
Características da área clínica - Parte 1
Atividade 2: Regressão linear
|
| 20/04/2023
|
Características da área clínica - Parte 2
|
| 27/04/2023
|
Mergulhando nos dados da saúde - Parte 1
Projeto de aplicação: apresentação do problema e indicação das técnicas de aprendizado de máquina
|
| 04/05/2023
|
Mergulhando nos dados da saúde - Parte 2
Atividade 3: Modelos lineares generalizados - Regressão de Poisson
|
|
| 11/05/2023
|
Mergulhando nos dados da saúde - Parte 3
Atividade 4: Regressão logística
|
| 18/05/2023
|
Apresentação do Artigo 1
|
| 18/05/2023
|
Correção das atividades 3 e 4
Estratificação de riscos
|
| 25/05/2023
|
Modelos de sobrevivência
Atividade 5: Modelos de sobrevivência
|
| 01/06/2023
|
Correção da atividade 5
Inferência causal
Atividade 6: Inferência causal
|
| 08/06/2023
|
Feriado: Corpus Christi
|
| 15/06/2023
|
Apresentação do Artigo 2
|
| 22/06/2023
|
Correção da atividade 6
Diagnóstico diferencial
|
| 29/06/2023
|
Apresentação do Projeto de Aplicação - Parte 1
|
| 06/07/2023
|
Apresentação do Projeto de Aplicação - Parte 2
|
| 13/07/2023
|
Noções e aplicações do aprendizado por reforço na saúde
Encerramento
|
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.
- Gottesman, Omer, et al. "Evaluating reinforcement learning algorithms in observational health settings." arXiv preprint arXiv:1805.12298 (2018).
- Yu, Chao, et al. "Reinforcement learning in healthcare: A survey." ACM Computing Surveys (CSUR) 55.1 (2021): 1-36.
|
| 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.
|
Revistas e conferências relacionadas
Revistas e conferências relacionadas à computação aplicada à saúde
Bibliografia
- BENSON, T.; GRIEVE, G. Principles of Health Interoperability. 4o ed. Springer, 2016.
- 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
- GEISS, Linda S. et al. Prevalence and incidence trends for diagnosed diabetes among adults aged 20 to 79 years, United States, 1980-2012. Jama, v. 312, n. 12, p. 1218-1226, 2014.
- KORB, K. B.; NICHOLSON, A. E. Bayesian artificial intelligence. Clayton, Victoria, Australia: Chapman & Hall/CRC, 2004.
- PANESAR, Arjun, Machine Learning and AI for Healthcare: Big Data for Improved Health Outcomes, Apress, 2019.
- PEARL, Judea. Causal inference in statistics: An overview. Statistics surveys, v. 3, p. 96-146, 2009.
- SHORTLIFFE, E. H., CIMINO, J. E., Biomedical Informatics: Computer Applications in Health Care and Biomedicine, Forth Edition, Springer, 2014.
- 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.
Programação:
- CRAWLEY, Michael J. The R book. John Wiley & Sons, 2012.
- NAGARAJAN, Radhakrishnan; SCUTARI, Marco; LÈBRE, Sophie. Bayesian networks in R. Springer, v. 122, p. 125-127, 2013.
