Disciplina Ciclo de Vida dos Dados e e-Saúde: Pipeline e Conteúdo

A unidade curricular tem como principais objetivos a aquisição de conhecimentos básicos sobre o processamento de dados, o armazenamento na cloud e o papel dos dados em e-saúde. Para alcançar esses objetivos, o programa aborda diversos conteúdos programáticos, incluindo o ciclo de vida dos dados, inteligência artificial e aprendizagem de máquinas, tipos de dados e métodos de aprendizagem aplicados a dados de e-saúde. Além disso, os alunos explorarão como transformar dados em conhecimento, aprenderão sobre repositórios de dados, e discutirão questões éticas, proteção de dados e metadados, com um foco especial no contexto de e-saúde.

Não aplicável

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.

Dluhos¿ P, Schwarz D, Cahn W, van Haren N, Kahn R, S¿paniel F, Hora¿c¿ek J, Kas¿pa¿rek T and Schnack H (2017) Multi-center machine learning in imaging psychiatry: a meta-model approach. NeuroImage 155, 10–24.  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 Shatte ABR, Hutchinson DM, Teague SJ. Machine learning in mental health: a scoping review of methods and applications. Psychol Med. 2019 Jul;49(9):1426-1448. doi: 10.1017/S0033291719000151 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