Disciplina Data Life Cycle and e-Health: Pipeline and Content

.

CP1. Ciclo de vida dos dados

CP2. Inteligência artificial e aprendizagem de máquinas

CP3. Tipos de Dados

CP4. Métodos de aprendizagem e algoritmos sobre dados em e-saúde

CP5. Dos dados ao conhecimento

CP6. Repositórios de dados

CP7. Questões éticas relacionadas com os dados

CP8. Proteção de dados

CP9. Metadados

PC10. Ciclo de vida dos dados em e-saúde

As aulas serão baseadas em diferentes métodos de ensino, desde o método expositivo até ao método demonstrativo, em certos dos conteúdos do programa. O ensino sobre o conceito de fluxo de dados será baseado em vários casos de utilização no campo da digitalização de empresas, do fluxo de dados em e-saúde e da gestão de recursos humanos. Profissionais experientes da área da saúde, indústria, recrutamento e desenvolvimento serão convidados a partilhar as suas experiências em tópicos específicos desta unidade.

Dwyer DB, Falkai P, Koutsouleris N. Machine Learning Approaches for Clinical Psychology and Psychiatry. Annu Rev Clin Psychol. 2018 May 7;14:91-118. doi: 10.1146/annurev-clinpsy-032816-045037

Howard J. Artificial intelligence: Implications for the future of work. Am J Ind Med. 2019 Nov;62(11):917-926. doi: 10.1002/ajim.23037

Imel ZE, Caperton DD, Tanana M, Atkins DC. Technology-enhanced human interaction in psychotherapy. J Couns Psychol. 2017 Jul;64(4):385-393. doi: 10.1037/cou0000213

Kessler RC, et al. (2017) Predicting suicides after outpatient mental health visits in the Army Study to Assess Risk and Resilience in Servicemembers (Army STARRS). Molecular Psychiatry 22, 544–551.

Taylor JET, Taylor GW. Artificial cognition: How experimental psychology can help generate explainable artificial intelligence. Psychon Bull Rev. 2021 Apr;28(2):454-475. doi: 10.3758/s13423-020-01825-5